# 英伟达发布 Nemotron 3 Nano Omni：一个模型同时看懂图文、听懂语音，做 AI 代理时吞吐量号称是同类 9 倍

> 原标题：NVIDIA Launches Nemotron 3 Nano Omni Model, Unifying Vision, Audio and Language for up to 9x More Efficient AI Agents

- 来源：NVIDIA 博客
- 发布时间：2026-04-28T16:00:28.000Z
- AX AI 日报：https://ai-daily.ax0x.ai/items/11366
- 原文：https://blogs.nvidia.com/blog/nemotron-3-nano-omni-multimodal-ai-agents/

## 摘要

英伟达在 2026 年 4 月 28 日开源了 Nemotron 3 Nano Omni，一个能同时处理文字、图片、音频、视频、文档、图表和屏幕界面的多模态模型。它用了 30B-A3B 的混合专家架构（MoE），实际激活的参数量是 3B，配合 Conv3D 和 EVS 技术来处理音视频，上下文窗口拉到 256K。

## 推荐理由

英伟达开源 Nemotron 3 Nano Omni，一个模型同时处理图文音视频，激活参数 3B、上下文 256K，为想搭多模态 agent 的团队提供了一条开源路径。

## 锐评

30B-A3B 这个规格挺讨巧，激活 3B 就能跑多模态，显存和延迟都压得住，256K 上下文加 Conv3D 处理音视频，开源权重直接上 Hugging Face 和 OpenRouter，想搭多模态 agent 的团队确实省事。9 倍吞吐量这个数我持保留态度，跟谁比、测什么任务都没说，厂商自己跑的 benchmark 参考价值有限。反正权重是开的，真要用自己拿业务数据跑一遍就知道值不值。
