검색·재정렬·파싱을 묶은 공개 모델군
NVIDIA는 2026년 10월 21일 에이전트용 검색 모델 Nemotron 3.5 Embed, Rerank, Parse를 공개했다. 임베딩 모델은 검색할 문서를 벡터로 표현하고, Rerank는 검색 후보의 순서를 다시 매기며, Parse는 이미지 문서를 텍스트와 구조화된 정보로 바꾼다. 크기와 형식은 Embed 8B BF16, Embed 1B BF16·NVFP4, Rerank 8B BF16, Parse 631M이다. NVIDIA는 이를 공개·상업 이용 가능 모델로 소개하고 Hugging Face 배포 및 NIM 경로를 안내했다. NVIDIA의 발표
시각 정보가 담긴 자료를 검색 결과와 함께 에이전트 입력에 연결하는 예.
문서 이미지의 정보도 검색 후보로
Embed 계열은 일반 텍스트뿐 아니라 표, 차트, 인포그래픽, 데이터시트, 회로도 같은 이미지 안의 정보도 검색 대상으로 삼는다. NVIDIA는 텍스트 검색을 34개 언어, 다국어 시각 검색을 별도 평가셋에서 시험했다고 설명한다. 1B 모델은 작은 풋프린트가 필요한 경우를, NVFP4 변형은 지원 하드웨어에서 처리 효율을 고려하는 경우를 겨냥한다. Rerank 모델은 질문과 후보 문서의 텍스트·이미지를 함께 비교해 관련도가 높은 근거를 앞세운다.
Embed와 Parse 모델 카드는 OpenMDW 1.1 라이선스를 표시한다. 선택한 모델의 사용·재배포 조건과 실행 요건을 확인해야 한다. 에이전트에 적용해도 원문 접근권한, 파서 오류, 인덱스 갱신은 운영자가 관리해야 한다. Embed 모델 카드
Parse는 문서 구조를 보존해 추출
Nemotron 3.5 Parse는 문서 이미지를 읽어 텍스트, 표, 차트 등을 구조화하는 모델이다. NVIDIA의 설명에 따르면 읽기 순서와 레이아웃을 고려해 Markdown, HTML 또는 구조화된 블록 형태의 출력을 만들고 출처 위치를 연결할 수 있다. 이 접근은 표의 셀 관계나 차트의 시각 요소가 중요한 자료를 후속 검색에 넣을 때 유용할 수 있다. 다만 파싱은 원문 추출 단계이므로 숫자나 표의 의미가 항상 정확하다고 가정하지 말고 원본과 대조해야 한다. Parse 모델 카드
벤치마크는 NVIDIA가 보고한 결과
NVIDIA는 ViDoRe v3.1에서 Embed 8B BF16이 dense retrieval 모델 중 1위를 기록했고, Rerank 8B도 결합 이미지·텍스트 입력 평가에서 선두였다고 발표했다. 또 특정 에이전트 실험에서 재정렬 단계를 더했을 때 쿼리당 토큰 사용량이 13~14% 감소했다고 밝혔다. 이는 회사가 정한 모델·데이터·에이전트 정책에서 얻은 수치다. 다른 문서 구성이나 질의 분포, 기반 언어모델에서는 검색 품질과 비용 효과가 달라질 수 있다.
도입 시 검색 재현율, 파싱 정확도, 총 토큰과 인프라 비용을 실제 문서로 비교해야 한다. 차트·표가 핵심인 업무는 파싱 오류를 표본 검수해야 한다.
자주 묻는 질문
일반 텍스트만 검색하는 모델인가요?
아니다. 발표는 텍스트와 함께 표·차트 등 이미지에 담긴 시각 정보 검색과 멀티모달 재정렬을 지원한다고 설명한다.
발표된 모델을 내려받을 수 있나요?
NVIDIA는 공개 모델을 Hugging Face에 배포한다고 안내했다. 선택한 모델의 카드에서 파일, 라이선스, 실행 요건을 확인할 수 있다.
토큰 비용이 항상 13~14% 줄어드나요?
아니다. 이 수치는 NVIDIA가 고정한 에이전트 검색 실험에서 재정렬을 적용했을 때 보고한 결과다. 사용 사례별로 비용과 검색 품질을 따로 측정해야 한다.
Parse 결과를 검수 없이 업무에 쓸 수 있나요?
문서의 표와 차트 추출은 잘못 읽거나 구조를 놓칠 수 있다. 중요한 수치나 의사결정에는 원문 이미지와 추출 결과를 대조하는 절차가 필요하다.
한눈에 정리
Nemotron 3.5는 시각 정보 검색용 Embed, 관련 후보 재정렬용 Rerank, 이미지 문서 구조 추출용 Parse를 함께 제공한다. 문서 기반 에이전트에서 표와 차트를 검색 근거로 활용하려는 팀이 검토할 수 있는 공개 모델군이다.
성능과 토큰 절감 수치는 NVIDIA의 특정 벤치마크와 구성에 따른 결과다. 도입 전 실제 자료로 검색 정확도, 파싱 신뢰도, 인프라 비용을 평가하고 중요 결과를 원문과 대조해야 한다.