NVIDIA מזניקה את התפוקה של Nemotron פי 2.5 ומרחיבה את ה-media AI ב-IBC

לפי הבלוג של NVIDIA והסיקורים, עדכוני Nemotron עוסקים בסחיטת יותר inference מחומרה מותקנת: NIM 2.0.12 טוענת לשיפור פי 2.5 ב-throughput על Nemotron 3 Ultra, מה שמגדיל ישירות כמה משתמשים במקביל ארגון יכול לשרת per GPU — מנוף בעל משמעות כלכלית כשהביקוש עולה על ההיצע בכל התעשייה. Nemotron 3.5 Lightning, מודל חינמי בן 30 מיליארד פרמטרים, מוצג כרץ פי 4 מהר יותר על פני צורות deployment מקומיות וענניות, ומרחיב את טביעת הרגל של המודלים הפתוחים של NVIDIA למפתחים.

התזמון משתלב עם הדחיפה של NVIDIA ל-leaderboard — Nemotron 3 Embed 8B דורג במקום ה-#1 ב-nDCG@10 משולב על benchmark ה-Q2D-Web על פני 190M מסמכי web ו-כ-70K שאילתות שנוסחו מחדש על ידי agent ב-10 שפות, עבודה ש-NVIDIA ייחסה לשיתוף פעולה עם Perplexity. יחד אלה מחזקים את האסטרטגיה של NVIDIA לא רק למכור שבבים אלא לשלח מודלים פתוחים תחרותיים ותוכנת שירות שהופכות את החומרה שלה לפרודוקטיבית יותר.

ב-IBC (תערוכת תעשיית השידור), NVIDIA הדגימה AI לשידור בזמן אמת, כולל Synthetic Video Detector שלטענתה מדויק כעת ב-99.3% בזיהוי מבוסס-טקסט — מהלך בולט אל תוך תחום ה-deepfake/provenance ככל שמדיה סינתטית מתרבה. זה ממצב את NVIDIA בשני צידי הגל הגנרטיבי: הן מאפשרת יצירה והן מציעה זיהוי.

מבחינה אסטרטגית, כל זה נוחת באותו שבוע שבו NVIDIA הסכימה לרכוש את Hugging Face (סיפור נפרד) והתהדרה בבניית מפעל AI אוסטרלי בהיקף 2GW ובשיתוף פעולה עם Palantir לשרשרת אספקה ריבונית — מתקפה מלאה כדי להשתלט על ה-AI stack מהסיליקון ועד המודלים וההפצה. הסתייגויות: נתוני ה-throughput והדיוק מדווחים על ידי הספק ותלויי workload, ו-detector של 99.3% עדיין נכשל על סינתזה שאינה מבוססת-טקסט. שווה לעקוב אחר benchmarks עצמאיים של Nemotron 3.5 Lightning ואיתנות ה-detector בעולם האמיתי.