Nvidia lança modelo de IA compacto que processa texto, áudio e vídeo ao mesmo tempo
O Nemotron 3 Nano Omni roda em dispositivos simples e entende documentos longos, chamadas gravadas e vídeos — sem depender da nuvem.
A Nvidia (fabricante de chips e software para inteligência artificial) anunciou o Nemotron 3 Nano Omni, um modelo de IA multimodal (capaz de processar diferentes tipos de dados, como texto, áudio e vídeo) e compacto o suficiente para rodar em dispositivos locais, como o Jetson Nano (um computador pequeno e barato feito para rodar modelos de IA sem depender da internet). O modelo aceita contextos de até 128 mil tokens (unidades de texto que o modelo consegue processar de uma vez, equivalentes a cerca de 96 mil palavras), o que permite analisar documentos extensos, chamadas de áudio longas ou vídeos completos em uma única rodada.
Segundo informou a Nvidia em seu blog oficial, o Nemotron 3 Nano Omni foi projetado para aplicações práticas em empresas e dispositivos de borda (edge devices, como câmeras inteligentes, robôs ou sistemas embarcados que processam dados localmente). Entre os casos de uso destacados estão agentes de IA (programas autônomos que tomam decisões e executam tarefas) para análise de documentos jurídicos ou médicos, assistentes que transcrevem e resumem reuniões em tempo real, e sistemas de monitoramento visual que interpretam vídeos de segurança ou controle de qualidade industrial.
O modelo está disponível na plataforma Hugging Face (um repositório onde desenvolvedores compartilham e baixam modelos de IA já treinados) com licença Nvidia Open Model License, que permite uso comercial mas impõe restrições sobre redistribuição. A Nvidia oferece versões otimizadas para inferência (processo de usar o modelo já treinado para gerar respostas) em chips como o H100 e a linha Jetson, com quantização (técnica que reduz o tamanho do modelo para acelerar o processamento) em 4 bits para melhorar a eficiência em hardware limitado.
A empresa também divulgou benchmarks mostrando desempenho competitivo em tarefas de compreensão de vídeo e documentos quando comparado a modelos maiores, embora não tenha detalhado comparações diretas com concorrentes de porte similar. O foco declarado é democratizar acesso a IA multimodal em cenários onde latência baixa (tempo de resposta rápido) e privacidade de dados são críticos — ambientes onde enviar informações para a nuvem não é viável ou desejável.
