最近越來越多人每天都會使用 OpenClaw、Hermes Agent 這類 AI 代理工具，從寫程式、處理文件、到自動化做任何事情，如果你希望使用本地模型的話，稍早 NVIDIA 推出的全新 Nemotron 3 Nano Omni 全模態開源模型很值得一試的，總參數僅 30B，而且支援文字、圖片、聲音、影片等多模態輸入，在 6 個排行榜拿下第一，效率最高比同類開源 omni 模型快 9 倍，目前在 Hugging Face、Ollama 等平台都能下載到。
NVIDIA 發表 Nemotron 3 Nano Omni：30B 開源多模態 MoE 模型，6 大測試拿下第一、效率最高比同類快 9 倍
Nemotron 3 Nano Omni 是 Nemotron 3 系列家族中主打多模態與代理式應用的模型，架構採 30B-A3B 混合 MoE 設計，總共有 300 億參數，但每次推論只會啟動其中的 30 億，再搭配 Conv3D 和 EVS 技術，支援高達 256K 的上下文長度。MoE 架構帶來的最大好處是，運算成本比同等級的密集模型省下不少。
多模態能力部分，Nemotron 3 Nano Omni 同時支援文字、圖片、聲音、影片、文件、圖表、表格，甚至連 GUI 介面截圖都能讀懂，輸出則統一是文字。代表它特別適合做文件理解、影片摘要、語音轉錄等任務，此外，還能讓 AI 代理看著畫面操作電腦，模型能看到當前 GUI 畫面、判斷螢幕上的元素和狀態變化，就能決定下一步要點哪裡：
NVIDIA 也強調這款模型對企業文件分析、合規審查這類混合媒體輸入的工作流特別實用。
效能測試方面，NVIDIA 官方表示 Nemotron 3 Nano Omni 在多項多模態基準測試中拿下 6 個排行榜的第一名，而明確列出名稱的有 MMlongbench-Doc 和 OCRBenchV2（文件理解）、WorldSense 和 DailyOmni（影片理解）以及 VoiceBench（語音理解）這 5 個。
跟同樣是開源 omni 模型對比，差距更加明顯。在 NVIDIA B200 GPU 上，Nemotron 3 Nano Omni 影片使用情境的系統效率達到 9.2 倍：
多文件使用情境的系統效率達到 7.4 倍：
下圖是前一代 Nemotron Nano VL V2 模型和 Nemotron 3 Nano Omni 的多模態準確率，在多項基準測試中都有提升：
Nemotron 3 Nano Omni 已經上架 Hugging Face、OpenRouter、build.nvidia.com、Ollama 以及 LM Studio 等，如果本地跑不動但想試的話，OpenRouter 上有提供免費版，輸入和輸出都是 0 美元，只是有速率限制（每分鐘 20 次、每天 200 次請求）：
