NVIDIA: Nemotron Nano 12B 2 VL

NVIDIA Nemotron Nano 2 VL 是一款参数量 120 亿的开放多模态推理模型，面向视频理解和文档智能场景。它引入混合 Transformer-Mamba 架构，将 transformer 级别的准确度与 Mamba 内存高效的序列建模相结合，显著提升吞吐并降低延迟。

模型支持文本和多图像文档输入，并生成自然语言输出。训练数据使用 NVIDIA 精选的高质量合成数据集，针对 OCR、图表推理和多模态理解做了优化。

Nemotron Nano 2 VL 在 OCRBench v2 上取得领先成绩，在 MMMU、MathVista、AI2D、OCRBench、OCR-Reasoning、ChartQA、DocVQA 和 Video-MME 等基准上平均得分约 74，优于此前的开放 VL 基线。借助 Efficient Video Sampling (EVS)，它可处理长视频并降低推理成本。

开放权重、训练数据和微调配方在 NVIDIA 宽松开放许可下发布，并支持在 NeMo、NIM 及主流推理运行时上部署。