Un modèle de 30 milliards de paramètres, mais 3 milliards actifs

NVIDIA a publié le 11 août 2026 Nemotron 3.5 Lightning, le plus petit modèle de sa famille Nemotron 3. Il totalise 30 milliards de paramètres, mais son architecture mixture-of-experts n’en active qu’environ 3 milliards pour traiter chaque token. Le modèle combine des couches Mamba-2, des experts et certaines couches d’attention. L’objectif n’est pas de remplacer seul un grand modèle de raisonnement, mais d’exécuter rapidement les tâches répétitives d’un agent : appels d’outils, validation, revue de code ou surveillance d’alertes.

La fiche officielle annonce une fenêtre de contexte pouvant atteindre un million de tokens et six langues, dont le français, en plus des langages de programmation. NVIDIA fournit des checkpoints BF16 et NVFP4 ainsi que plusieurs méthodes de décodage spéculatif. DFlash, DSpark et la prédiction de plusieurs tokens cherchent à produire davantage de sortie par passage, mais leur gain réel dépend du moteur d’inférence, de la concurrence et du matériel.

Une IA locale ciblée, pas une promesse pour toutes les GeForce RTX

NVIDIA cite un DGX Spark ou un H100 pour un déploiement sur un seul GPU du checkpoint NVFP4. La fiche mentionne aussi Blackwell, dont la GeForce RTX 5090, Hopper et Ampere avec un chemin W4A16. Le blog général parle plus largement de PC RTX, mais ne publie pas de quantité minimale de VRAM, de débit garanti ou de recette validée pour chaque carte GeForce. Une RTX moins dotée peut exiger une autre quantification, un déchargement en mémoire système ou un contexte plus court.

Graphique NVIDIA comparant des versions personnalisées de Nemotron 3.5 Lightning à des modèles de référence sur quatre tâches spécialisées.
NVIDIA présente des gains après personnalisation chez plusieurs partenaires. Les tâches, bases de comparaison et méthodes diffèrent selon chaque colonne.

Le modèle est proposé sous OpenMDW 1.1 et la fiche le déclare prêt à un usage commercial. NVIDIA publie les poids, des recettes et les données dans la mesure permise par leurs licences respectives. Cette ouverture facilite l’audit et le post-entraînement, mais elle n’efface pas les obligations de la licence ni les droits attachés aux jeux de données. Une équipe doit encore vérifier ces conditions avant une distribution ou un service commercial.

NeMo Switchyard choisit un modèle différent pour chaque étape

Le second lancement, NeMo Switchyard, est une bibliothèque open source de routage pour agents. Un développeur peut connecter plusieurs modèles ouverts, propriétaires ou NVIDIA, puis entraîner ou configurer un routeur selon la qualité, la latence et le coût recherchés. Un grand modèle peut planifier une mission, tandis que Lightning exécute les opérations fréquentes. L’application conserve une interface commune au lieu d’intégrer manuellement chaque décision de routage.

Ce principe répond à un problème concret : utiliser systématiquement le modèle le plus puissant augmente le coût et la latence, mais envoyer une requête difficile à un petit modèle dégrade le résultat. Switchyard ne supprime pas ce compromis ; il tente de le prédire. La qualité dépend donc des données d’entraînement du routeur, de la représentation des tâches, des modèles disponibles et de la capacité à détecter une erreur avant qu’elle se propage dans le workflow.

Graphique interne NVIDIA comparant coût et taux de tâches terminées avec Opus 4.8 seul ou associé à NeMo Switchyard.
Le graphique interne place Switchyard à coût inférieur pour un taux de complétion voisin. Il ne constitue pas encore une validation indépendante générale.

Des chiffres prometteurs qui demandent des mesures indépendantes

NVIDIA annonce jusqu’à quatre fois plus de débit de sortie que des modèles de taille comparable et 30 % de temps en moins pour terminer 10 000 tâches PinchBench face à Qwen3.6 35B à précision voisine. Le constructeur indique aussi que Switchyard ramène le coût de son scénario interne à près d’un tiers de celui d’Opus 4.8 seul. Ces résultats sont utiles pour comprendre le positionnement, mais ils proviennent de NVIDIA et ne couvrent pas tous les prompts, moteurs ou GPU.

Les résultats partenaires montrent le même besoin de contexte. LangChain rapporte 74 % de coût en moins sur 145 tâches multi-tours en n’envoyant que 7 % des appels à un modèle de pointe, avec en contrepartie une baisse de précision de 6 %. Un gain financier peut donc être réel tout en produisant davantage d’erreurs. Pour du code, de la cybersécurité ou des actions sur des fichiers, la validation humaine et les permissions minimales restent indispensables.

The Verge confirme indépendamment le lancement et le rôle de petit modèle spécialisé dans un ensemble, mais aucune campagne tierce complète n’était disponible lors de la publication. Avant de choisir Lightning pour une station locale, il faudra mesurer la mémoire, le débit à la longueur de contexte réellement utilisée, la précision sur ses propres tâches et les limites du français. La présence d’un million de tokens dans la fiche ne signifie pas qu’un PC grand public les traitera confortablement.

Pour les utilisateurs équipés d’une RTX 5090 ou d’un DGX Spark, l’intérêt immédiat est l’expérimentation locale avec un modèle agentique rapide et personnalisable. Pour les joueurs, il n’existe aucun effet sur les FPS, DLSS ou les pilotes GeForce. Le lien avec le matériel gaming tient à l’utilisation possible d’un GPU grand public haut de gamme pour l’IA locale, pas à une nouvelle fonctionnalité graphique.