📣 宣布推出 OpenReasoning-Nemotron：一套具有推理能力的 LLM，這些模型是從 DeepSeek R1 0528 671B 模型中提煉而來。這些模型在一個龐大且高品質的數據集上進行訓練，該數據集是從新的 DeepSeek R1 0528 中提煉而來。我們的新 7B、14B 和 32B 模型在數學、科學和代碼領域的各種推理基準上達到了 SOTA 性能，適用於其各自的大小。這些模型可在 @huggingface🤗 上獲得：

🎶 介紹 Audio-Flamingo 3 – 一個完全開放的 LALM，訓練於聲音、語音和音樂數據集。 🎶 處理 10 分鐘的音頻、長篇文本和語音對話。非常適合音頻問答、對話和推理。 在 @huggingface ➡️ 來自 #NVIDIAResearch.

🏆 我們的 NVIDIA NeMo Canary-Qwen-2.5B 在 @HuggingFace 自動語音識別排行榜上獲得第一名，創下 5.63% 的單詞錯誤率新紀錄。 🤗 排行榜 ➡️

如果你可以向一個聊天機器人提出一個像整本百科全書那樣大的問題——並且能夠即時獲得答案，會怎樣呢？ 現在，通過 #NVIDIAResearch 的 Helix Parallelism 創新，支持多達數百萬個標記的查詢，並且用戶數量增加了 32 倍，這一切都變得可能。 🔗

Python + OpenUSD = 更快的工作流程，更簡單的自動化，更多的創意。💡 Python 的腳本功能和易用性使其成為 #OpenUSD 的完美夥伴，幫助加速開發，而無需 C++ 專業知識。 了解更多 👉

✨ FLUX.1 Kontext 通過增量式上下文編輯而不是傳統的複雜提示，為圖像生成帶來了全新的體驗。 現在，我們針對使用 TensorRT 的 NVIDIA RTX GPU 進行了優化，並與 @bfl_ml 合作，以更低的 VRAM 要求提供更快的推理。 🔗 詳：

通過一鍵部署部署來部署您自己的 DeepSeek-R1 模型實例。 Vertex AI 上的新 NVIDIA TensorRT-LLM 容器針對大規模 LLM 進行了優化，並顯著提高了性能和成本效益。 今天➡️就開始吧

📸 生成。完善。重複。 @bfl_ml 的 FLUX.1 Kontext 透過文本 + 圖像提示簡化了 AI 圖像編輯，現在使用 TensorRT 進行了 RTX 加速。 獎勵：Google 的新 Gemma 3n 多模態 LLM 也在 RTX 上加速。 🔗 #RTXAIGarage：

準備好解鎖 #multimodal 檢索的強大功能了嗎？ 瞭解 NVIDIA #NeMoRetriever 如何改變文件搜尋 — 將視覺和語言相結合，以獲得更智慧、更快速、更準確的結果。 👉

🏆NVIDIA NeMo Retriever 在三個頂級視覺文檔檢索排行榜（ViDoRe V1、ViDoRe V2 和 MTEB VisualDocumentRetrieval）中@HuggingFace上獲得第一名。 NeMo Retriever 為企業 #RAG 應用程式設定了新標準，引領行業發展。 這個表現最好的模型是： 🔎 針對查詢文檔檢索進行了微調，其中查詢是文本和圖像。 📊 在使用文本、圖表、表格或信息圖表的多模態 RAG 系統中特別有用。 潛在的應用包括多媒體搜索、跨模態檢索和具有豐富輸入理解的對話式 AI。 🛠️ 開發人員可以使用 NeMo Retriever 將 PDF 數據提取速度提高 15 倍，準確性提高 50%，存儲效率提高 35 倍。 對於研究人員，請在 #HuggingFace ➡️ 上查看 對於需要生產就緒型商業模式的開發人員，請存取 ➡️