主題時間線 · 公司
NVIDIA 跨來源、跨日期追蹤 NVIDIA 的公開情報與主編判讀。
歷史關鍵字搜尋：201 筆去重結果（不限本期） 第 9／11 頁
為什麼與主題統計筆數不同？ 主題統計比對原始資料與中文判讀中的主題別名；下方搜尋另含原文節錄，並搜尋全部可用歷史。比對文字及日期範圍不同，筆數可能不同。
2026-08-14 星期五
NVIDIA -NeMo/Switchyard
NVIDIA -NeMo 的 Switchyard 是 Rust 寫的 LLM 流量 proxy 與函式庫，可在 OpenAI Chat、Anthropic Messages、OpenAI Responses 格式之間轉換，並把請求導向 vLLM、NVIDIA NIM、Ollama 或 OpenAI 相容端點。README 給出三種使用路徑：啟動 Claude Code、Codex、OpenClaw 的 launcher、獨立 switchyard-server，以及嵌入 Rust 應用的 library；路由策略包含 random、LLM classifier、stage router 與 escalation。專案自稱 pre-alpha，明確警告 API 與演算法會大幅變動、不可用於 production。
一龍馬判讀 對正在測試多模型供應商、成本／效能分流或 coding agent 改接自架模型的團隊，Switchyard 提供一個相容層與路由實驗場。限制也很清楚：目前只適合原型與基準測試，若放進正式服務會承擔 API 變動與路由錯誤造成的可靠性風險。
比對原文節錄 # Switchyard Switchyard is a Rust proxy and library for LLM traffic. 2026-08-13 星期四
NVIDIA AI @NVIDIA AI
NVIDIA AI 表示，NVIDIA Nemotron 3.5 Lightning 已在 Together AI 上線，定位是給「always-on agents」處理大量、專門化工作的開放模型。貼文稱它是同級最快的開放模型，但沒有附上基準測試細節、比較對象或實測環境；因此目前只能判讀為平台上架與產品定位宣告。
一龍馬判讀 已使用 Together AI 部署 agent 的團隊，多了一個可直接試用的 Nemotron 3.5 Lightning 選項。速度與成本優勢仍需用自己的工作負載驗證，不能只依賴貼文中的最高階描述。
比對原文節錄 Together AI (@togethercompute) NVIDIA Nemotron 3.5 Lightning is now live on Together AI.
NVIDIA AI @NVIDIA AI
Fireworks 已上架 NVIDIA Nemotron 3.5 Lightning，貼文揭露模型規格為 30B MoE、3B active params，並稱它由 NVIDIA Nemotron 3 Ultra 蒸餾而來。Fireworks 的說法是，這款模型在 PinchBench 表現強、在 AA-Omniscience Non-Hallucination 拿到頂級分數，目標是可靠且高產出的 agent 工作流程。貼文也明確說它是「為專門化而非泛化」打造。
一龍馬判讀 想把 agent 從通用大型模型轉向特定任務引擎的開發者，可以在 Fireworks 上直接測試這條路線。風險是貼文沒有提供完整分數、測試設定與失敗案例，採用前仍要看任務是否真的適合專門化模型。
比對原文節錄 Fireworks (@FireworksAI_HQ) Looking for a faster specialized model for your Agent Work?
NVIDIA AI @NVIDIA AI
相較於類似大小的開放模型，Baseten 稱它有 4 倍吞吐量、成本低 50%、生產測試中輸出 token 少 63.4%，並具備 30B MoE、3B active 與 1M token context length。這些數字來自 Baseten 貼文，未提供完整對照模型名單與測試條件。
一龍馬判讀 若團隊的瓶頸是長上下文 agent 的推論成本與延遲，Baseten 的資料提供了值得實測的候選方案。限制在於「類似大小」與「生產測試」定義不明，採購或遷移前應用自家資料重跑評估。
比對原文節錄 Baseten (@baseten) NVIDIA Nemotron 3.5 Lightning is live on Baseten day 0!
NVIDIA AI @NVIDIA AI
根據該公司在 agentic coding benchmark 的說法，當並行度與總 token 吞吐量擴大 16 倍時，decode throughput、time to first token 與 median user latency 幾乎維持不變。貼文把這歸因於 LatentMoE 與 Mamba 架構，可在稀疏性、上下文長度與 batch size 擴展時降低額外負擔。
一龍馬判讀 對做程式碼 agent 後訓練的團隊來說，重點不只是模型能不能跑，而是並行擴大後延遲是否崩盤。這仍是單一平台自家 benchmark 的說法，跨雲端、不同 GPU 與不同提示長度可能會有差異。
比對原文節錄 …(@appliedcompute) Nemotron 3.5 Lightning by @NVIDIA AI is now supported for training and inference on the Applied Compute…
NVIDIA AI @NVIDIA AI
Lila Sciences 稱正在用 NVIDIA Nemotron 3.5 Lightning 建構 scientific superintelligence，並連到 NVIDIA 部落格說明 Nemotron 3.5 Lightning 與 NeMo Switchyard。貼文中的部落格摘要指出，這是輕量開放模型加上 routing library 的組合，目標是在邊緣裝置、PC、工作站、資料中心與雲端之間，提供對 AI、資料與工作流程更高的控制。這筆證據沒有提供 Lila Sciences 實際科學任務表現或評測結果。
一龍馬判讀 這代表 NVIDIA 不只推單一模型，也在包裝模型路由與跨硬體部署的完整 agent 架構。科學應用團隊應把它視為平台方向訊號，而不是已被證明能提升科學推理能力的公開結果。
比對原文節錄 Lila Sciences (@LilaSciences) We're building scientific superintelligence with @nvidia 's Nemotron 3.5 Lightning.
NVIDIA AI @NVIDIA AI
其結果宣稱，在 held-out LAB tasks 上 agent 表現從 0% 提升到 8.3%，勝過 Opus 4.6 與更大的 post-trained Nemotron 3 Ultra；同時九個法律實務領域都有改善且無退步。貼文還稱平均模型輸出從 90k token 降到 37k token，使 reward-per-token 提升 2.4 倍。
一龍馬判讀 法律 AI 團隊會在意的是，後訓練可能同時改善任務成功率與輸出成本，而不只是讓模型更會寫長答案。限制是 8.3% 本身仍低，且 LAB 的任務設計、評分方式與實際法律風險未在貼文中完整揭露。
比對原文節錄 Harvey (@harvey) We post-trained @NVIDIA AI Nemotron 3.5 Lightning on Legal Agent Bench with @trajectorylabs .
NVIDIA AI @NVIDIA AI
AgileRL 說，NVIDIA 提供早期存取的 30B3A parameter MoE Nemotron 3.5 Lightning，在 Arena 上經訓練後，於一個長程推理挑戰與一個真實客戶支援工作負載上超過 Claude Sonnet 5。貼文還稱，一次使用四張 H100、六小時的訓練，就足以掌握該推理任務，且上下文長度超過 50,000 tokens；但完整結果需看其公告，這裡未列出評分表。
一龍馬判讀 這把 Nemotron 3.5 Lightning 推向「企業用自有資料與自有基礎設施訓練專門 agent」的路線，特別針對銀行、保險、航太與政府等重視資料主權的組織。採用者要注意，貼文同時是平台銷售訊息，所稱超越 Claude Sonnet 5 的任務範圍有限，不能外推到所有客服或推理場景。
比對原文節錄 …We are proud to announce a collaboration between AgileRL and @NVIDIA AI to support the post-training of Nemotron models.
NVIDIA AI @NVIDIA AI
Fastino-Nemotron-3.5-Lightning-Finance 與 Fastino-Nemotron-3.5-Lightning-Healthcare。金融版主打數值推理、研究與財務文件摘要，貼文稱 FinQA execution accuracy 從 15.86% 提升到 59.23%，BizFinBench 從 49.65% 到 57.46%。醫療版主打臨床對話品質、病歷與出院文件摘要、非結構化文字中的醫療概念擷取，並稱 HealthAdminBench 從 25.67% 到 29.95%、MedCalc-Bench 從 49.09% 到 54.18%，MEDEC flag accuracy 提升 11.32 點；兩個模型已在 Hugging Face 以 Apache 2.0 授權釋出，Fastino Fine-Tuning Agent 則是 private preview。
一龍馬判讀 這是把 Nemotron 3.5 Lightning 直接做成金融與醫療垂直模型的案例，對需要開放權重與可自管部署的團隊比單純 API 更有操作空間。醫療與金融都屬高風險領域，貼文中的 benchmark 提升不能取代法遵、臨床安全與資料治理驗證。
比對原文節錄 …ino Labs (@fastinoAI) In collaboration with @nvidia we're releasing two new open weight models: Fastino-Nemotron-3.5-Lig…
NVIDIA AI @NVIDIA AI
Dream 表示已提前取得模型，並投入監督式微調、後訓練、領域調適、資安推理與工具使用，強化自家的資安對話式 agent 模型。貼文提到其內部資安基準測試表現強，但沒有公開測試方法或可外部驗證的數字。
一龍馬判讀 這把開放權重模型推向資安營運場景，尤其是大量安全資料整理、風險調查與姿態分析；資安團隊可留意成本與部署彈性，但目前證據仍停留在廠商內部評測。
比對原文節錄 Dream Security (@DreamGroupAI) Today, @nvidia launched Nemotron 3.5 , its new open model built for fast, high-volume exe…
NVIDIA AI @NVIDIA AI
CrowdStrike 表示已為資安 agent 工作流程客製化 NVIDIA Nemotron 3.5 Lightning，主張可達到「分析師等級」準確度，同時訓練更快、運算需求顯著降低。最具體的說法是可協助自動關閉最多 88% 的良性偵測，讓安全團隊把時間放在真正威脅上。貼文未提供基準資料、測試集或與現有系統的誤判率比較。
一龍馬判讀 若這類模型能可靠過濾良性警報，SOC 的人力配置會被改寫；但自動關閉警報牽涉漏報風險，導入者需要要求可稽核的評測與回滾機制。
比對原文節錄 …CrowdStrike) We’re excited to see the latest NVIDIA Nemotron model and continue pushing the boundaries of what AI can do…
NVIDIA AI @NVIDIA AI
貼文列出的示範內容包括引用 80 多個網站、執行程式碼，以及搜尋 10 個真實世界地點，並提供 GGUF、指南與 Unsloth Desktop 執行／訓練路徑。這是單一示範與工具鏈發布資訊，尚不能推論一般任務的穩定性或準確率。
一龍馬判讀 22GB VRAM 門檻若可重現，會讓更多工作站級硬體能跑 agent 模型；但 2-bit 量化可能影響推理品質，開發者仍需用自己的任務測試。
比對原文節錄 Unsloth AI (@UnslothAI) 2-bit NVIDIA Nemotron 3.5 Lightning ran tool calls nonstop for 10 minutes on just 22GB of VRAM.
NVIDIA AI @NVIDIA AI
NVIDIA AI 轉貼此消息，但來源文字只揭露模型名稱、25B 規模、用途定位與權重釋出方向。貼文沒有提供授權條款、訓練資料、基準測試或實際程式碼代理能力細節。
一龍馬判讀 對需要本地或可客製化 coding agent 的團隊，開放權重 25B 模型可能是新選項；但在授權、效能與安全行為未明前，不宜直接放進正式開發流程。
比對原文節錄 Locai Labs (@locai_labs) x.com/i/article/208718413558… Article Introducing Juno-N-Coder-25B We’re excited to announce 𝗝…
NVIDIA AI @NVIDIA AI
Uniphore 表示已用真實企業 agentic 工作負載測試 NVIDIA Nemotron 3.5 Lightning，並聲稱在相同參數量下，吞吐量達 Gemma 4 31B IT 的 5 倍。貼文也說準確度提升使 Nemotron 3.5 Lightning 進入 Uniphore Business AI Cloud 高流量路徑的評估。來源未交代測試任務、硬體、延遲條件或準確度指標。
一龍馬判讀 高流量企業 agent 若能用較高吞吐量處理，雲端服務成本與延遲會直接受影響；但採購或架構決策前，需取得可重跑的 benchmark 與自身資料測試。
比對原文節錄 Uniphore (@uniphore) We tested @NVIDIA AI 's Nemotron 3.5 Lightning against real enterprise agentic workloads & found: 5x…
NVIDIA AI @NVIDIA AI
貼文也透露 Deep Cogito 是 NVIDIA post-training partner ecosystem 的一員。這則內容偏向生態系背書，沒有提供模型能力、訓練方法或產品整合細節。
一龍馬判讀 NVIDIA 正把 Nemotron 3.5 Lightning 包裝成可被新創後訓練與客製化的模型平台；對新創來說是取得模型與硬體生態支援的機會，但技術成效仍需看後續實測。
比對原文節錄 Deep Cogito (@DeepCogito) Excited to see @NVIDIA AI continue pushing the open model ecosystem forward with Nemotron 3.5 L…
NVIDIA AI @NVIDIA AI
NVIDIA AI 轉發 distil labs 對 Nemotron 3.5 Lightning 的測試結果：作為歐洲少數首發合作夥伴之一，distil labs 將它與 4 個可比的 MoE 模型放在 6 項任務上比較。貼文主張，在只用提示詞時它排名第三，經微調後排名第一，並表示完整數字與失分專案在原文部落格中。可判讀的範圍是合作夥伴自述的基準結果，來源未提供各任務細節與評測設定。
一龍馬判讀 這把 Nemotron 3.5 Lightning 的賣點從通用提示能力轉向「微調後的任務表現」，對正在評估開放模型客製化的企業與模型團隊有參考價值；但若沒有評測資料集、成本與重現方式，不能直接推論到自家場景。
比對原文節錄 distil labs (@distil_labs) Nemotron 3.5 Lightning from @NVIDIA AI is out.
NVIDIA AI @NVIDIA AI
Trajectory 表示已取得 NVIDIA Nemotron 3.5 Lightning 早期存取，並在 Harvey LAB 上做 post-training，主張透過 Trajectory 平台一鍵完成、無需新增工程。貼文的核心論點是，小模型讓再訓練迴圈可能從數週一次縮短到每晚、甚至按客戶或案件細分。它給出的結果是從 0% 到 8.3%，並稱高於 Opus 4.6 的 6.6%，但未在貼文中說明該指標的定義或測試集。
一龍馬判讀 若這類流程成立，法律、顧問與企業服務供應商會更容易為每個客戶維護專屬模型；限制是貼文缺少任務定義與驗證方式，8.3% 不能被解讀成一般能力全面勝出。
比對原文節錄 Trajectory (@trajectorylabs) Continual learning is a bet that the retraining loop will get cheaper over time.
NVIDIA AI @NVIDIA AI
Reasonable 宣稱用 NVIDIA 的 30B 開放權重 Nemotron 3.5 Lightning，經 4B tokens 合成 Verus 資料微調後，可撰寫機器檢查的 Rust/Verus 證明。貼文稱它在單次嘗試通過率上擊敗約 50 倍大小的模型，pass@3 則接近該模型，且 token 生成速度快於其測試過的同級開放權重模型。貼文也強調原文分析了形式化證明任務中的失敗模式、作弊行為與微調效果，但具體基準細節需看部落格。
一龍馬判讀 這把開放權重中型模型推向軟體驗證與高可靠程式碼場景，可能降低形式化方法的使用門檻；風險是模型會「看似證明」但實際作弊或失敗，仍需機器檢查與嚴格流程。
比對原文節錄 …er, capable: writing machine-checked proofs with a 30B open-weight model We fine-tuned NVIDIA ’s latest open model Nemotr
NVIDIA AI @NVIDIA AI
CodeRabbit 表示與 Baseten 合作，把 NVIDIA Nemotron 3.5 Lightning 微調到 CodeRabbit 的路由決策任務，訓練時間少於 3 小時、成本低於 100 美元。貼文稱結果相較其先前的 GPT-class 模型，準確率提高約 4%，推論成本降低約 50%。這是針對程式碼審查產品內部路由任務的自述成果，不等同於一般程式碼生成或審查能力全面提升。
一龍馬判讀 對 AI 軟體服務商來說，這提供一個把高成本通用模型替換成專用小模型的商業案例；但數字來自單一公司任務，資料分布改變時可能需要重新評估。
比對原文節錄 In collaboration with Baseten, we fine-tuned NVIDIA Nemotron 3.5 Lightning on CodeRabbit's routing decisions in under th…
NVIDIA AI @NVIDIA AI
這則貼文是 NVIDIA AI 轉述 Thoughtworks 的公開說法，證據範圍限於合作方的早期試用心得，未提供基準測試數字或完整技術細節。
一龍馬判讀 若 Nemotron 3.5 Lightning 的低延遲與可控性在實測中成立，企業導入生成式 AI 時會有更多可調整的模型選項；但目前仍需等待獨立評測與具體部署成本資料。
比對原文節錄 Thoughtworks (@thoughtworks) Congrats to @nvidia on the launch of Nemotron 3.5 Lightning. 