英伟达推出开源多模态推理模型，融合文本、视觉、语音，吞吐量达同类9倍，免费可用，支持本地至云端全场景部署
英伟达推出开源多模态推理模型，融合文本、视觉、语音，吞吐量达同类9倍，免费可用，支持本地至云端全场景部署
英伟达推出Nemotron 3 Nano Omni，一个在单一模型体系内融合文本、视觉、语音三大模态的开源推理模型。它的核心卖点是：吞吐量达到同类开放多模态模型的9倍，而且完全免费。如果你需要一个能同时处理视频、音频、文档、图片的轻量级模型，这个值得试一试。
Nemotron 3 Nano Omni可以处理以下输入类型：
模型以文本形式输出。它可以根据不同任务与模态动态激活专家网络（MoE架构），在保证高吞吐的同时实现强多模态感知。
吞吐量是同类9倍
这得益于混合型MoE核心架构，创新性地将Mamba层与Transformer层深度融合。Mamba层负责提升序列处理效率与内存利用率，Transformer层保障精准的推理计算。整体内存和计算效率最高提升4倍。
在视频推理场景中，与替代的开放式全向模型相比，有效系统容量提高约9.2倍。在多文档推理中，提高约7.4倍。
基准测试成绩亮眼
根据海外用户实测：
免费在线体验：
开源地址：
部署方式：
支持本地系统、数据中心和云环境部署，以满足监管、主权或数据本地化要求。
目前市场上暂无竞品同时具备以下全部特性：
对比来看：谷歌端侧模型Gemini Nano未开源，Meta Llama多模态版本无法在统一架构内整合音频处理能力。Nemotron 3 Nano Omni填补了这个空白。
智谱GLM-5.2支持真正可用的1M上下文，性能对标Opus 4.8，MIT协议开源，下周API上线
OpenAI官方更新十几个Codex真实工作流案例，涵盖Computer Use、/goal长期目标、PPT生成、游戏开发等实用场景，手把手教你高效使用Codex。
Google发布Gemini 3.5 Live Translate，实现70+语言实时语音互译，保留语速语调，延迟仅几秒，已全球上线Google Translate和Meet。
