NVLM-D-72B est un grand modèle linguistique multimodal développé par NVIDIA, spécialisé dans les tâches vision-langage et améliorant les performances textuelles grâce à un entraînement multimodal. Ce modèle a obtenu des résultats comparables à ceux des modèles de pointe du secteur lors de tests de référence vision-langage.