Présentation des modèles
Nvidia a annoncé le Nemotron 3.5 Super VL, un modèle de 120 milliards de paramètres destiné aux agents toujours actifs en milieu professionnel. Bien qu’il contienne moins de paramètres que le Nemotron 3 Ultra, Nvidia affirme qu’il atteint une précision comparable sur les tâches d’instruction et d’utilisation d’outils. En parallèle, la société a introduit deux modèles Bolt légers, conçus pour être exécutés localement sur les nouveaux PC IA équipés du chipset RTX Spark et sur les stations de travail DGX Spark. Le modèle Bolt 74B‑A9B possède 74 milliards de paramètres et 24 Go de mémoire, tandis que le Bolt E4B, plus petit, cible les agents conversationnels.
Architecture et exigences matérielles
Les modèles Super VL et Bolt reposent sur l’architecture Nemotron, optimisée pour le parallélisme des GPU Nvidia. Le Super VL exploite les capacités de bande passante élevée du réseau NVLink et les unités Tensor de la série H100, ce qui permet de maintenir un taux d’inférence élevé malgré le volume de paramètres. Les modèles Bolt, en revanche, sont calibrés pour les GPU RTX Spark, qui offrent un ratio mémoire‑calcul plus restreint mais suffisant pour les 24 Go requis par le Bolt 74B‑A9B. Cette adaptation implique une réduction du nombre de couches d’attention et l’utilisation de quantisation 8‑bits afin de limiter la consommation énergétique tout en conservant la capacité de raisonnement multi‑étapes, d’appels d’outils et de navigation web.
Performances et comparaison
Nvidia indique que le Super VL, après un post‑entraînement sur des tâches agentiques spécifiques, exécute les scénarios de document intelligence, de comptabilité financière, d’expérimentation scientifique, de gestion de réclamations d’assurance médicale et de résilience aux attaques de sécurité plus rapidement que les modèles concurrents d’Anthropic et d’OpenAI (Opus 5, GPT 6.1 Sol, Luna, Astra). Aucun benchmark chiffré n’est fourni, mais la liste des premiers adopteurs – Skydance, EY, Ramp, Crowdstrike, Perplexity et Salesforce – suggère une validation industrielle. En comparaison, les modèles fermés de Frontier Labs requièrent un accès cloud, alors que les modèles open‑weight de Nvidia peuvent être post‑entraînés sur des jeux de données internes, offrant ainsi une latence réduite et un contrôle total sur les données d’entraînement.
Implications pour l’entreprise et la confidentialité
En rendant ces modèles disponibles en open‑weight, Nvidia répond à la demande croissante des organisations de déployer leurs propres agents IA dans des data‑centers privés. Cette approche élimine la dépendance aux services cloud externes et permet de conserver la propriété intellectuelle des modèles entraînés. Cependant, la diffusion de modèles capables de s’exécuter localement sur des PC grand public soulève des questions de confidentialité : les agents peuvent accéder à des informations sensibles (données familiales, santé, finances) sans passer par un serveur central, ce qui complique la mise en œuvre de contrôles de sécurité traditionnels. Nvidia mise sur le chipset RTX Spark et les partenaires Microsoft et Dell pour fournir des machines où le traitement reste « on‑device », limitant ainsi les flux de données vers le cloud mais transférant la responsabilité de la protection des données aux utilisateurs finaux.
