@VincentLogic: NVIDIA 这次真的不讲武德，直接甩出一个开源的视频理解怪兽 Nemotron 3 Nano Omni，处理视频快得离谱：1 小时就能搞定 10 小时的视频内容，比播放速度还快 10 倍 核心靠的是 3D 卷积技术，不再逐帧傻扫，而是成…
摘要
NVIDIA 开源了视频理解模型 Nemotron 3 Nano Omni，采用 3D 卷积技术，处理速度比播放速度快 10 倍，擅长音视频分析、监控检索和素材打标，但不适用于代码或文本推理任务。
NVIDIA 这次真的不讲武德，直接甩出一个开源的视频理解怪兽 Nemotron 3 Nano Omni，处理视频快得离谱：1 小时就能搞定 10 小时的视频内容，比播放速度还快 10 倍 核心靠的是 3D 卷积技术，不再逐帧傻扫，而是成块"吞噬"数据，效率直接拉满 以后这些场景真的爽： 全天监控里找"没戴安全帽且在争吵"的人 几百个素材里精准定位"有海浪声且拍到日落"的画面 听一段机器运转视频就能诊断电机异响 几分钟帮你搞定，连 Whisper 的钱都省了 不过要注意，这哥们是个典型的偏科生 技能点全加在了多模态理解和处理效率上，想拿它写代码或者搞高难度文本推理，表现可能还不如一些轻量级纯文本模型 结论：别把它当全能程序员，但在音视频分析、海量素材打标这些实战场景里，它绝对是开源界的神 搞 AI 视频、多模态的兄弟，这个必须试试 项目地址放评论区了
相似文章
NVIDIA 发布 Nemotron 3 Nano Omni 模型，统一视觉、音频和语言处理，助力 AI Agent 效率提升高达 9 倍
NVIDIA 宣布推出 Nemotron 3 Nano Omni，这是一款开放的多模态模型，通过统一视觉、音频和语言处理，使 AI Agent 能够更快、更高效地运行。与其他开放式的 Omni 模型相比，其吞吐量最高可提高 9 倍。
NVIDIA 发布 Nemotron 3 Nano Omni：面向文档、音频和视频智能体的长上下文多模态智能
NVIDIA 发布 Nemotron 3 Nano Omni，这是一款新型长上下文多模态 AI 模型，能够以高准确性和高效率处理文档、音频、视频和文本。
"How NVIDIA Built Nemotron 3 Open Model" by "Caleb Writes Code" x "Joey Conway"
NVIDIA发布了Nemotron 3开放模型，提供了Nano、Super、Ultra三种尺寸，通过混合Mamba Transformer、潜在MoE和多token预测等架构创新优化硬件效率，并采用Open MDW 1.1开放许可协议。
nvidia/Nemotron-3-Nano-Omni-30B-A3B-Reasoning-BF16
NVIDIA 发布 Nemotron 3 Nano Omni，一款 300 亿参数的多模态模型，能够处理视频、音频、图像和文本，并集成推理能力，适用于企业工作流。
@VincentLogic: NVIDIA 刚开源的这个 LocateAnything 模型，真的有点强。 以前那种视觉定位模型，生成坐标是一个数字一个数字往外蹦（像挤牙膏一样），又慢又不稳定。 这个新模型用了“并行边界框解码”，直接一步预测完整坐标，速度快多了，框得…
NVIDIA 开源了 LocateAnything 模型，采用并行边界框解码技术，一步预测完整坐标，速度快且准确。模型仅 3B 参数，可在消费级显卡上运行，支持视频物体定位、UI 识别和 OCR 等任务。