NVLM-D 72B 1.0

NVLM-D 72B 1.0 — мультимодальная модель NVIDIA, опубликованная 17 сентября 2024 года вместе с весами и кодом обучения. Она принимает текст и изображения, а отвечает текстом. NVIDIA сообщала, что после мультимодального обучения модель сохранила сильные языковые возможности и улучшила результаты на части текстовых задач относительно исходной основы.

Работа с изображениями и документами

Текстовый ответ на визуальный контекст

Модель предназначена для вопросов по изображениям, распознавания текста, анализа диаграмм и таблиц, а также мультимодальных рассуждений. В официальной карточке перечислены типы задач от OCR и локализации до кодирования. Контекст указан до 128 тысяч токенов, однако объём реального запроса зависит от того, как изображения преобразуются и подаются в выбранном программном окружении.

Архитектура и доступ

Декодер на 72 млрд параметров

В опубликованной версии NVLM-D NVIDIA использовала языковую основу Qwen2-72B-Instruct и визуальный энкодер InternViT-6B. Компания открыла веса и обучающий код; карточка модели указывает лицензию CC BY-NC 4.0, то есть некоммерческие условия. Перед коммерческим применением необходимо свериться с лицензиями всех компонентов модели.

Положение в модельном портфеле NVIDIA

Мультимодальный исследовательский релиз

NVLM опубликована как семейство мультимодальных моделей, но в репозитории, связанном с релизом 2024 года, NVIDIA отдельно выложила именно вариант D-72B. Позднее задачи чтения документов получила более компактная Llama Nemotron Nano VL, а в 2025 году — Nemotron Nano 2 VL.

Дата выпуска и первичный источник

Подтверждение NVIDIA

Страница NVIDIA ADLR датирует NVLM 1.0 17.09.2024 и сообщает об открытых весах и коде; карточка NVIDIA NVLM-D-72B указывает 72B параметров, контекст до 128K, ввод текста и изображений, вывод текста и некоммерческую лицензию CC BY-NC 4.0. Официальный материал: NVIDIA.

Сведения о разработчике и его моделях: NVIDIA в Вики Futuretools.ru.