英伟达GTC柏林站一口气放出六类开放模型：120B智能体模型落地，蛋白质设计快13倍

六条产品线一次性补齐

英伟达在 10 月 21 日的柏林 GTC 上宣布扩充开放模型组合，一次性覆盖语言与视觉、信息检索、结构化商业数据、世界模型、自动驾驶、蛋白质设计与量子计算。发布的环境背景很明确：欧洲企业希望用本地数据微调模型，并且把推理跑在自己能控制的基础设施上。

语言侧的 Nemotron 3.5 Super VL 是 1200 亿参数的视觉语言模型，参数量低于 Nemotron 3 Ultra，但英伟达称其在指令遵循与工具调用任务上的准确度接近 Ultra 一档，适合企业智能体场景。配套的 Nemotron Retriever 补上了 embedding、重排与文档解析三块能力。轻量端的两款 Bolt 模型面向 RTX Spark 笔记本与 DGX Spark 工作站，其中 Bolt E4B 4GB 定在 10 月 23 日开放下载。

结构化数据侧的 Kumo 家族值得单独看。Kumo Structured 直接做关系型与表格数据的预测、时序预测和异常检测，Kumo Engine 提供训练与部署整套库。它的定位是替企业省掉每个任务单建一条机器学习流水线的成本，首批用户包括 Cognite、Coinbase、Databricks、DoorDash、Revolut 与 Tubi。

生物与量子：两个容易被忽略的落点

BioNeMo RFD4-Proteina 是与华盛顿大学蛋白质设计研究所 Baker Lab 合作的开放蛋白质设计模型。按英伟达披露的数据，它在 200 个氨基酸规模的蛋白设计任务上比 RFdiffusion3 快约 13 倍，并在十余项设计基准中领先。这类模型的现实价值不在跑分，而在于把一轮设计迭代从数天压到数小时，直接改变实验排期。

Ising 系列则指向量子计算的校准与纠错。IQM 用它做校准，SEEQC 把它与 NVQLink 和 Digital Link 组合，AWS 已将其集成进 AWS PCS。需要提醒的是，量子纠错的解码通常仍要让经典硬件贴着量子处理器跑，延迟约束没有消失，把 Ising 理解成量子计算的 CUDA 会高估它的独立性。

OpenShell：给智能体立规矩的那一层

比模型更容易被低估的是 NVIDIA OpenShell 参考架构。它在企业基础设施和边缘系统上构建、控制、观测并强制执行安全代理：推理侧用 Vera Rubin 基础设施，工具调用与代理束走 Vera CPU，再由运行 Sentry 的 BlueField-4 DPU 在硅层面执行策略。边缘侧延伸到 RTX Spark、DGX Spark 与 DGX Station。

任何希望在自家基础设施上跑智能体的组织，现在都能拿到与其层级匹配的开放、优化模型，不必在能力与可部署性之间二选一。——英伟达开放模型与软件部门副总裁 Kari Briski

发布会同时公布了客户与后训练伙伴名单：Skydance、安永、Ramp、CrowdStrike、Perplexity、Salesforce 在使用 Super VL；后训练生态列出 21 家，从 Fireworks、Baseten、CoreWeave 到 Google Cloud 与 Scale AI。对做企业落地的团队来说，这份名单比参数表更有参考价值，它说明后训练与私有数据微调已经被拆成独立工种。

需要保持冷静的一点是：英伟达既是这些开放模型的发布方，也是 Anthropic、OpenAI 们的芯片供应商与投资方。开放权重在这里既是产品，也是把推理需求锁在自己硬件上的手段。谁的模型更好用是一回事，谁的机柜先被填满才是另一回事。