Bisakah saya menjalankan Nova Pro 1.0 secara lokal?

Tidak. Amazon belum merilis bobot; model ini hanya API dan diakses melalui AWS Bedrock.

Berapa biaya Nova Pro 1.0 dan berapa panjang konteksnya?

Biayanya $0,80 per juta token input dan $3,20 per juta token output, dengan jendela konteks 300.000 token.

Bagaimana perbandingan Nova Pro dengan Nova Lite atau Nova Micro?

Nova Pro berada di puncak lini Nova teks dan multimodal Amazon, menukar biaya per token lebih tinggi dengan akurasi lebih baik dan kemampuan multimodal penuh; Nova Lite dan Micro lebih cepat dan murah tapi kurang mampu.

Nova Pro 1.0

2537°

#llm #amazon #visi #konteks panjang #ringkasan #ekstraksi data

Jalankan model ini

Penawaran / Iklan

OpenRouter Terminal / API

Bayar per token

Ngobrol dengan model ini di browser atau panggil dari kode kamu dengan satu API key.

Amazon | konteks 300.000 token | $0.80/M input, $3.20/M output. Amazon Nova Pro 1.0 adalah model multimodal mumpuni dari Amazon yang fokus menyediakan kombinasi akurasi, kecepatan, dan biaya untuk berbagai tugas. Per Desember 2024, model ini mencapai performa mutakhir pada tolok ukur utama termasuk visual question answering (TextVQA) dan pemahaman video (VATEX). Amazon Nova Pro menunjukkan kemampuan kuat dalam memproses informasi visual dan tekstual serta menganalisis dokumen keuangan. CATATAN: Input video saat ini belum didukung.

Panduan untuk model ini

Bobot terbuka vs sumber terbuka vs hanya API: apa yang sebenarnya boleh kamu lakukan

Cara memilih model AI di Oktober 2026: berita sumber tertutup, lalu bobot terbuka yang layak diunduh

10 Alternatif ChatGPT Termurah di 2026: model lokal gratis, tingkat gratis, dan paket tarif tetap

Semua panduan

Catatan Kapten

Ditulis oleh Captain, editor rumah

Catatan dari 2026-10-13

Nova Pro 1.0 adalah model multimodal tingkat menengah dari Amazon, menangani teks dan gambar dengan jendela konteks 300.000 token dengan harga jauh di bawah model berat frontier. Model ini mencatat hasil terbaik di benchmark visual question answering dan pemahaman video saat peluncuran. Cocok untuk tim yang sudah berada dalam ekosistem AWS yang membutuhkan performa multimodal solid tanpa membayar harga frontier.

Dikenal untuk

Kemampuan visual question answering yang kuat, kompetitif saat peluncuran di TextVQA.
Jendela konteks 300.000 token menangani dokumen panjang dengan nyaman.
Sangat baik dalam menganalisis dokumen keuangan dengan campuran teks dan tabel.
Harga kompetitif: $0,80 per juta token input, $3,20 per juta token output.
Menyeimbangkan akurasi, kecepatan, dan biaya daripada mengejar satu dimensi saja.

Waspadai

Input video belum didukung saat ini, meskipun pemahaman video muncul dalam klaim benchmark.
Bobot tertutup, hanya API — tidak ada opsi deployment lokal.
Terikat pada infrastruktur Amazon; akses melalui AWS Bedrock.

Terbaik untuk

Prompt untuk dicoba

Mengurai tabel keuangan

Saya melampirkan halaman dari laporan tahunan yang berisi laporan laba rugi multi-tahun. Ekstrak pendapatan, laba operasi, dan laba bersih untuk setiap tahun yang ditampilkan, sajikan dalam tabel markdown, lalu catat setiap item baris yang berubah lebih dari 20% tahun ke tahun dan berikan penjelasan satu kalimat untuk masing-masing.

Ringkasan dokumen panjang

Ini adalah kontrak pengadaan 200 halaman. Identifikasi lima kewajiban paling signifikan yang dikenakan pada vendor, jadwal pembayaran, klausul penalti, dan kondisi penghentian. Ringkas masing-masing dalam dua kalimat dan tandai apa pun yang terlihat tidak biasa dibandingkan kontrak komersial standar.

Ekstraksi data dari gambar

Saya melampirkan foto halaman buku catatan laboratorium tulisan tangan. Transkripsikan semua teks dan nilai numerik persis seperti tertulis, pertahankan struktur tabel jika ada, dan tandai nilai yang tampak ambigu atau tidak terbaca.

Bandingkan dengan

Nova 2 Lite
Model hanya API
konteks 1,000,000 token · $0.30/M input, $2.50/M output
Qwen2.5 VL 72B Instruct
Model dengan bobot terbuka
konteks 128,000 token · $0.80/M input, $1.00/M output
Qwen3 VL 235B A22B Instruct
Model dengan bobot terbuka
konteks 262,144 token · $0.21/M input, $1.90/M output
Nova Lite 1.0
Model hanya API
konteks 300,000 token · $0.06/M input, $0.24/M output

Model teks lain dari amazon

Pertanyaan yang sering diajukan

Bisakah saya menjalankan Nova Pro 1.0 secara lokal?: Tidak. Amazon belum merilis bobot; model ini hanya API dan diakses melalui AWS Bedrock.
Berapa biaya Nova Pro 1.0 dan berapa panjang konteksnya?: Biayanya $0,80 per juta token input dan $3,20 per juta token output, dengan jendela konteks 300.000 token.
Bagaimana perbandingan Nova Pro dengan Nova Lite atau Nova Micro?: Nova Pro berada di puncak lini Nova teks dan multimodal Amazon, menukar biaya per token lebih tinggi dengan akurasi lebih baik dan kemampuan multimodal penuh; Nova Lite dan Micro lebih cepat dan murah tapi kurang mampu.

Putusan Kapten
Model multimodal yang masuk akal untuk tim AWS-native — harga jujur, konteks panjang, dan kemampuan analisis dokumen nyata, hanya dibatasi oleh API tertutup.

Kapten menulis catatan ini dari deskripsi model dan kartu model itu sendiri. Harga dan ukuran konteks adalah milik penyedia pada saat penulisan dan dapat berubah.

Ranking badge

Updated Oct 22, 2026

Made this model? Show this badge on your page.

Paste it into your Hugging Face card or Civitai description.

Change colors / personalize / get code

Not this creator?

Get your own badge

Bagaimana skor ini dihitung

Model ini belum punya data popularitas dari sumber mana pun, jadi memakai angka pengganti di bawah 7,000° supaya daftar tetap lengkap. Model ini tidak pernah berada di atas model yang punya data. Rinciannya akan muncul di sini segera setelah ada laporan dari sumber.

Glosarium: istilah yang dipakai di sini

Skor heat: Satu angka untuk seberapa banyak model dipakai dan diinginkan sekarang, dari 0° sampai 9.999°. Setiap daftar di situs ini yang bilang terpanas diurutkan berdasarkan ini dan tidak ada yang lain.
Lantai: 7.000° yang jadi titik awal semua model dengan data nyata. Skala dari 0° sampai 9.999°; bagian di bawah lantai untuk pengganti (model tanpa data), supaya model dengan data selalu di atas yang tanpa. Lantai sama untuk semua dan tidak menentukan apa-apa; derajat di atasnya yang dihitung.
Setara unduhan: Semua yang dihitung skor sebagai unduhan, dijumlahkan: unduhan itu sendiri, setiap torrent seeder dihitung 1.000, setiap gambar AI Horde dan setiap run di situs generasi dihitung satu.
Skala log: Menghitung per puluhan, bukan per satuan: naik dari 1.000 ke 10.000 unduhan menambah derajat yang sama dengan naik dari 10.000 ke 100.000. Ini mencegah raksasa mendominasi semuanya.
Suka: Jempol ke atas dan suka dari semua sumber, bernilai setengah unduhan di skala log.
Tingkat adopsi: Berapa banyak unduhan per hari yang didapat model sekarang, dari selisih dua pembacaan sumber. Bobot seperempat dari istilah unduhan.
Diukur dan diperkirakan: Diukur berarti ada dua pembacaan dari sumber dan perbedaannya nyata. Diperkirakan berarti hanya total hari ini yang diketahui dan masa lalu dibagi selama umur model; situs memberitahu mana yang sedang ditampilkan.
Seeder: Seseorang yang menyimpan salinan bobot secara online agar orang lain bisa mengunduh lewat torrent, atau mirror yang dihosting melakukan hal yang sama. Setiap satu dihitung sebagai 1.000 unduhan.
AI Horde: Jaringan sukarelawan yang menghasilkan gambar secara gratis di komputer yang disumbangkan. Jumlah gambar yang dibuat dengan model tertentu bersifat publik, dan setiap gambar dihitung sebagai satu unduhan.
Situs generasi: Situs yang menyimpan salinan model sendiri dan membiarkan orang menghasilkan gambar dengannya, seperti PixAI, SeaArt, dan Yodayo. Unduhan mereka dihitung seperti di Civitai dan setiap kali generasi dihitung sebagai satu unduhan.
Token OpenRouter: Model teks yang dilayani melalui API, seperti Claude atau GPT, tidak memiliki bobot untuk diunduh, jadi penggunaannya diukur dalam token: potongan teks yang dibaca dan ditulis melalui OpenRouter, gateway yang digunakan banyak aplikasi, selama 30 hari terakhir. Setiap 10,000,000 token dihitung sebagai satu unduhan. Sumber: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Model penuh (checkpoint): Bobot itu sendiri, file yang bisa menghasilkan secara mandiri. Mendapat bonus karena add-on bergantung padanya.
LoRA dan embedding: File add-on kecil yang mengarahkan bobot orang lain ke gaya, karakter, atau konsep tertentu. Tidak bisa dijalankan sendiri.
Keluarga dan bobot: Dasar yang dipakai model, seperti SD 1.5, SDXL, Flux, atau Wan. Setiap model mewarisi tanggal rilis bobot keluarganya.
Usia: Pengurangan nilai berdasarkan seberapa lama bobot keluarga itu dirilis: 150° per tahun, sampai maksimal 750°. Ini menjaga unduhan lama yang sudah bertahun-tahun menumpuk agar tetap di atas daftar.
Dorongan keluarga: Dorongan kecil dan terbatas untuk LoRA dari keluarga yang sedang didorong situs ini sekarang, selalu tercantum dalam rincian.
Skor pengganti: Angka stabil di bawah batas yang diberikan pada model yang belum ada laporan sumbernya, supaya daftar tetap lengkap. Tidak pernah lebih tinggi dari model yang punya data.
Baru! (masa tenggang): Model yang berumur kurang dari 7 hari menunjukkan label Baru! bukan skor dan tidak masuk peringkat. Skornya dihitung sejak hari pertama, tapi model yang baru sehari tumbuh lebih cepat dari apa pun, jadi tanpa masa tunggu model #1 minggu ini selalu yang baru kemarin, bukan yang bertahan seminggu.
Tren: Bagaimana pertumbuhan model selama periode tertentu dibandingkan dengan pertumbuhan model biasa di periode yang sama. Lebih cepat dari biasanya berarti naik, lebih lambat berarti turun.
Model biasa: Tengah katalog: setengah model dengan angka tumbuh lebih cepat selama periode itu, setengahnya lebih lambat.

Model Serupa

gpt oss safeguard 20b

Model AI untuk Pembuatan Gambar, Video & Teks

Nova Pro 1.0 adalah model teks untuk keluarga Text / LLM yang tercantum di ModelTrends.ai, katalog hanya-baca untuk model AI gambar, video, dan teks open source. Bandingkan dengan model Text / LLM lainnya dan lihat skor popularitasnya untuk mengetahui trennya.

Model Text / LLM lainnya Teks / LLM Text / LLM lainnya llm amazon visi konteks panjang ringkasan ekstraksi data

Jelajahi berdasarkan Keluarga Model