NVIDIA、ドキュメント・音声・動画エージェント向け長文脈マルチモーダルモデル「Nemotron 3 Nano Omni」を発表
本文の状態
日本語全文を表示中
詳細モードで約1分の本文を読めます。
同じ出来事の情報源
この情報源を基点に整理
TLDR AI
NVIDIA は、ドキュメントや音声、動画の分析に特化した新モデル「Nemotron 3 Nano Omni」を発表した。同社はハイブリッドアーキテクチャを採用し、長文脈処理における精度と推論速度を大幅に向上させた。
Continue in AI NEW LAB
このニュースを、実務の判断につなげる
AI NEW LABで、試したことや先に確認したい条件を共有できます。まずはログインなしで読めます。
AI NEW LABで論点を見るSource Article
元記事を日本語で読む
本文に関係しない購読案内、埋め込み通知、サイト内プロモーションは除いています。
NVIDIA の Nemotron 3 Nano Omni は、ドキュメント、音声、動画の分析のための新しいマルチモーダルモデルであり、MMlongbench-Doc や VoiceBench といったベンチマークにおいて最高クラスの精度を達成しています。このモデルは、ビジョンと音声用の専用エンコーダーと統合されたハイブリッド Mamba-Transformer アーキテクチャ（Mamba-Transformer architecture）を採用しており、長いマルチモーダルコンテキスト全体にわたって効率的な処理を可能にします。本モデルは、ドキュメント分析、自動音声認識、動画理解といった実世界アプリケーションにおけるスループットと推論速度を大幅に向上させます。
原文を表示
NVIDIA's Nemotron 3 Nano Omni is a new multimodal model for document, audio, and video analysis, achieving best-in-class accuracy on benchmarks like MMlongbench-Doc and VoiceBench. It utilizes a hybrid Mamba-Transformer architecture integrated with specialized encoders for vision and audio, allowing efficient processing across long multimodal contexts. This model significantly improves throughput and reasoning speed for real-world applications such as document analysis, automatic speech recognition, and video understanding.
今日のまとめ
AIデイリーブリーフで今日の重要ニュースをまとめ読み