科技媒体marktechpost报道，英伟达近日推出专为文档理解任务优化的视觉-语言模型Llama Nemotron Nano VL。该模型基于Llama 3.1架构，融合CRadioV2-H视觉编码器和Llama 3.1 8B语言模型，支持多页文档的视觉与文本分析，上下文长度达16K。

通过投影层和旋转位置编码技术，模型提升了视觉-文本对齐能力，适用于长篇多模态任务。训练分为三阶段：图文预训练、多模态指令微调和纯文本指令优化。在OCRBench v2测试中，其在表格解析、图表推理等任务上表现优异，精度媲美更大规模模型。

部署方面，模型支持4-bit量化，适配服务器及边缘设备，兼容Jetson Orin等受限环境，并提供预计算视觉嵌入选项以降低延迟，为企业应用提供高效解决方案。