英伟达新模型效率是同类9倍：一个模型看懂视频、音频、图片和文字

英伟达今天甩出一款全能型AI模型——Nemotron 3 Nano Omni。它不只懂文字，还能同时处理视频、音频、图片，甚至全高清屏幕录像。简单说，以前需要四五个模型轮番上阵的活，现在一个搞定。

这个模型有多快？英伟达说，它的AI系统吞吐量比同类高出9倍。怎么做到的？秘密在于它用了30B-A3B混合专家架构——通俗点讲，就是把不同领域的“专家”塞进同一个大脑里，还自带视觉和音频编码器，不用额外再挂一堆感知模型。所以响应速度直接起飞。

在实际场景中，它能快速解读屏幕录像，比如智能体看一遍你操作电脑的过程，就能理解你干了什么。法国H公司的CEO Gautier Cloix 感叹：“以前根本做不到这么快。”这意味着机器人和数字世界的互动方式要变天了。

Nemotron 3的能耐不是吹的。它在六大权威排行榜上都拿了高分，尤其擅长解析复杂文档、理解视频和音频——比如从一段嘈杂的会议录音里提取重点，或者分析一部电影片段的情节。

市场也给足了面子。过去一年里，Nemotron 3系列（包括Nano、Super、Ultra三个型号）累计下载量超过5000万次，说明企业们早就盯着这块肥肉了。英伟达已经和多家公司联手，把模型塞进他们的系统里跑起来。

未来，多模态模型不再是实验室里的玩具。一个模型看懂世界，效率还翻了9倍——这回，智能体真的开始“开眼看世界”了。