NVIDIA-Nemotron-Nano-12B-v2-VL-BF16
NVIDIA · nvidia/NVIDIA-Nemotron-Nano-12B-v2-VL-BF16
Licença dos pesos: Termos do publicador: NVIDIA Open Model License · código e componentes podem ter outros termos
Qualidade
Sem score comparável
Ainda não acompanhamos benchmark público e comparável que cubra este modelo. Nenhuma nota é inferida.
Informado pelo publicador
Valores como impressos na ficha, com a configuração do próprio publicador (seção da ficha: Self-Sourced Synthetic Data › Evaluation Datasets:). Não comparáveis entre publicadores e fora de qualquer ranking. Ficha do modelo
Roda em
Cabe na memória rápida 90
A estimativa de planejamento cabe na memória que o modelo usa rápido: a VRAM da placa de vídeo, ou a memória unificada dentro da fatia de GPU do macOS.
Mostrar todos os 90
Na memória, fora da parte rápida 26
Dentro da memória da máquina, fora da parte rápida: na placa de vídeo, as camadas que não cabem rodam na CPU a partir da RAM do PC (a RAM informada, ou 32 GB presumidos); no Mac, acima da fatia de GPU padrão do macOS. Não é um número de velocidade.
Mostrar todos os 26
Falta um degrau de memória 3
As mesmas máquinas com o próximo tamanho de memória o comportariam na memória rápida.
Perfis de hardware agrupados pela estimativa de planejamento Q4 em cada máquina (GPUs dedicadas reservam 2 GB; memória unificada e do sistema, 25%, de 2 a 8 GB): cabe na memória rápida, fica na memória mas fora da parte rápida (camadas na RAM do PC, ou acima da fatia de GPU do macOS), ou falta um degrau de memória. Não é compatibilidade nem velocidade medida.
NVIDIA lançou NVIDIA-Nemotron-Nano-12B-v2-VL-BF16 em 2025-10-28: um modelo de visão e linguagem que responde sobre imagens, com 13,2B parâmetros pela contagem do Hugging Face e licença Termos do publicador: NVIDIA Open Model License. Idiomas declarados pelo publicador: en.
Licença: uso comercial permitido. Em Q4 os pesos somam cerca de 9,9 GB antes da reserva de cada máquina; resolução da imagem, quadros de vídeo e contexto somam memória, e o encoder visual precisa de suporte no runtime escolhido.
Velocidade medida
Nenhuma medição publicada para este checkpoint
Tokens por segundo só aparecem quando uma fonte os publica com hardware, build e configuração. Nunca são estimados.
Como rodar
Compatibilidade de runtime e tokens por segundo não foram medidos para este registro. Metadados publicados e estimativa de memória não comprovam uma execução local.
Biblioteca na fonte: transformers
Formas documentadas de rodar
Copiado como aparece na fonte vinculada (lida em 2026-10-18); não executado por este site.
pip install causal_conv1d "transformers>4.53,<4.54" torch timm "mamba-ssm==2.2.5" accelerate open_clip_torch numpy pillowimport torch
from PIL import Image
from transformers import AutoModelForCausalLM, AutoProcessor, AutoTokenizer
# Load model and processor
model_path = "nvidia/NVIDIA-Nemotron-Nano-12B-v2-VL-BF16" # Or use a local path
device = "cuda:0"
model = AutoModelForCausalLM.from_pretrained(
model_path,
trust_remote_code=True,
device_map=device,
torch_dtype=torch.bfloat16
).eval()
tokenizer = AutoTokenizer.from_pretrained(model_path)
processor = AutoProcessor.from_pretrained(model_path, trust_remote_code=True)
# Load image
image = Image.open("path/to/your/image.jpg")
# Prepare messages
messages = [
{"role": "system", "content": "/no_think"},
{
"role": "user",
"content": [
{"type": "image", "image": ""},
{"type": "text", "text": "Describe the image."},
],
}
]
# Generate prompt and process inputs
prompt = tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
inputs = processor(text=[prompt], images=[image], return_tensors="pt").to(device)
# Generate output
generated_ids = model.generate(
pixel_values=inputs.pixel_values,
input_ids=inputs.input_ids,
attention_mask=inputs.attention_mask,
max_new_tokens=1024,
do_sample=False,
eos_token_id=tokenizer.eos_token_id,
)
# Decode output
output_text = processor.batch_decode(
generated_ids, skip_special_tokens=False, clean_up_tokenization_spaces=False
)[0]
print(output_text)vllm serve nvidia/NVIDIA-Nemotron-Nano-12B-v2-VL-BF16 --trust-remote-code --dtype bfloat16 --video-pruning-rate 0Detalhes técnicos
O que a fonte e o catálogo guardam deste checkpoint. Campos ausentes ficam de fora, nunca como zero.
- Checkpoint / fonte
- nvidia/NVIDIA-Nemotron-Nano-12B-v2-VL-BF16
- Tarefa
- image-text-to-text
- Biblioteca na fonte
- transformers
- Licença dos pesos
- Termos do publicador: NVIDIA Open Model LicenseNVIDIA Open Model License Agreement (linked from the model card) · consultado em 2026-10-18fonte
- Uso comercial
- Permitido NVIDIA Open Model License Agreement, last modified 2025-10-24 (copy shipped in NVIDIA's NVlabs/GRAIL repository) · consultado em 2026-10-18texto da licença
- Idiomas
- en Declaração do publicador · consultado em 2026-10-18fonte
- Lançamento
- NVIDIA Nemotron Nano 12B v2 VL model card, Release Date: Hugging Face [October 28th, 2025] · consultado em 2026-10-18fonte
Todos os campos guardados
- Revisão conferida
- ca9543b126e8bf3176916d3d305ccc415f89fd4d
- Biblioteca
- transformers
- Tag de tarefa no Hub
- image-text-to-text
- Formatos
- transformers, safetensors
- Acesso
- Download aberto
- Tipo de publicador
- Oficial
- Parâmetros no Hub
- 13.181.860.358safetensors.total
- Repositório criado
- 2025-10-21criação não é o lançamento do modelo
- Repositório atualizado
- 2026-08-25um commit não é data de lançamento
- Downloads no Hub (30 dias) · curtidas
- 15.330 · 96só este repositório · lido em 2026-10-25
- Lido na página do Hub
- classe transformers, tags de tarefaVisão geral e lista de arquivos do Hub · lido em 2026-10-18
- Estado no catálogo
- Config ou pesos encontrados no Hub; sem vínculo de benchmark no inventário
Fontes
Identidade e especificações publicadas vêm da página do checkpoint. As notas pertencem à rodada indicada e não medem velocidade no seu computador.
- Ficha do publicador
- Licença: NVIDIA Open Model License Agreement (linked from the model card)
- Data de lançamento: NVIDIA Nemotron Nano 12B v2 VL model card, Release Date: Hugging Face [October 28th, 2025]
Fatos curados verificados: 2026-10-18. A licença e a data de lançamento citam as fontes do publicador; parâmetros, arquivos e tarefa vêm do registro do Hugging Face, e a memória é uma estimativa rotulada a partir da contagem de parâmetros. Um valor que nenhuma fonte informa fica vazio; um commit do repositório não é a data de lançamento do modelo.






























































