NVIDIAがNemotron 3 Nano Omniを完全公開：30BハイブリッドMoE、100万トークン対応でエージェント向け知覚モデルの本命狙い

NVIDIAが出したもの

NVIDIAはNemotron 3 Nano Omniの重み・学習データ・トレーニングレシピをまとめて公開した。動画・音声・画像・テキストに対応する30B-A3BハイブリッドMoEで、DocVQAやVideoMMEで競合を上回ると自社ベンチマークで報告している。

この開示範囲は正直かなり広い。高性能マルチモーダルモデルの多くはまだクローズドだが、NVIDIAはレシピとデータまで出してきた。OpenAIやAnthropicとは明らかに違う路線を選んでいる。Artificial AnalysisとHugging Faceの計測ではQwen3-30B比で最大3.3倍のスループット。100万トークンの長文コンテキストとNVFP4量子化を備えていて、エンタープライズの高負荷ワークロードに向いている。

ポイント

• 完全公開（重み・データ・レシピ） で再現性と拡張性を確保。クローズドモデルと比べて研究・運用の自由度が高い
• スループット最大3.3倍（対Qwen3-30B） と 100万トークン で、長文処理や高頻度推論にも耐える
• NVIDIA GPU最適化が強み だが、裏を返せば 他社GPUへのロックイン圧力 になる

セキュリティについては、クローズドでも脆弱性は残る一方で、オープンなら検証できるという考え方。トレーニングレシピとデータの公開は、巨大な計算資源を持たないチームにも微調整の余地を与える。ビジネス的には、オープン公開とGPU最適化の組み合わせがGPU販売を後押しするという狙いだろう。

アーキテクチャの中身：MambaとTransformerのハイブリッドMoE

アーキテクチャはMambaとTransformerを組み合わせたハイブリッドMoE。総パラメータ30Bのうち アクティブは3.6B に抑えて、推論あたりの計算を軽くしている。arXivやDataCampの分析によると、動画推論のシステム容量で9.2倍の優位があるとされる。

• コスト削減：アクティブ3.6Bなので、同規模の密なモデルより推論コストが安い
• 役割：知覚系のサブエージェントとして機能し、Nemotron 3 Ultraのような計画モデルに情報を渡す
• 最適化のトレードオフ：Ampere・Hopper・Blackwell向けの深い最適化はNVIDIA上での性能を引き上げる一方、他社ハードへの移植性は落ちる可能性がある

誰にとって何が変わるか

| 誰が見ているか | 何を見ているか | 何が変わるか | 個人的な見立て | |---|---|---|---| | オープンソース開発者 | Hugging Faceのモデルカードに100万コンテキストとQwen3-30B比の強い数字 | API課金なしで実験できる範囲が広がる | 採用は速いと思う。待たれていた「使える」オープンマルチモーダルが出てきた | | ハードウェア競合 | NVIDIAブログでAmpere・Hopper・Blackwell最適化を強調 | ハードとソフトの抱き合わせで参入障壁が上がる | AMD・IntelはAI計算のマインドシェアでさらに苦しくなる | | エンタープライズ | Artificial Analysisでスループット3.3倍 | オープンモデルが本番エージェントの候補になる | コスト重視のCIOにとって現実的な選択肢が増えた | | クローズド系ラボ | DataCampでGPT-OSS-20Bに対して優位なタスクあり | オープンが強い状況でクローズドを正当化しにくくなる | クローズドモデルの価格決定力は下がるかもしれない |

結論： NVIDIAはベンチマークで戦えるオープンマルチモーダルを作り、ハード最適化と組み合わせて再現レシピまで出した。エージェント志向のエンタープライズは検証すべき案件だが、主な注意点はNVIDIA依存。非NVIDIA環境では性能が額面通り出ない可能性がある。

• 重要度：High
• カテゴリ：Model Release／Open Source／Market Impact

判断： このテーマはまだ早期。最も恩恵を受けるのはエージェント・インフラを構築している開発者と、NVIDIA最適化スタックに賭けられる長期投資家。短期トレードの妙味は薄いが、エンタープライズ導入を狙うチームは今すぐ評価とPoCを始めるべき局面。