科技媒體marktechpost報道，英偉達近日推出專為文檔理解任務優化的視覺-語言模型Llama Nemotron Nano VL。

　　該模型基于Llama 3.1架構，融合CRadioV2-H視覺編碼器和Llama 3.1 8B語言模型，支持多頁文檔的視覺與文本分析，上下文長度達16K。

　　通過投影層和旋轉位置編碼技術，模型提升了視覺-文本對齊能力，適用于長篇多模態任務。訓練分為三階段：圖文預訓練、多模態指令微調和純文本指令優化。

　　在OCRBench v2測試中，其在表格解析、圖表推理等任務上表現優異，精度媲美更大規模模型。

　　部署方面，模型支持4-bit量化，適配服務器及邊緣設備，兼容Jetson Orin等受限環境，并提供預計算視覺嵌入選項以降低延遲，為企業應用提供高效解決方案。