NVIDIA liberó la familia Nemotron 3.5, un conjunto de modelos abiertos pensado para que los agentes de IA dejen de vivir únicamente en el centro de datos y puedan ejecutarse también en una laptop con GPU RTX. El buque insignia, Nemotron 3.5 Super VL, es un modelo multimodal de 120.000 millones de parámetros que, según la compañía, alcanza hasta 5 veces más rendimiento que los mejores modelos abiertos de su categoría en tareas de agentes.
Para un founder, la señal no está en el tamaño del modelo sino en dónde puede correr: en hardware propio, con los documentos y datos de la empresa sin salir de la infraestructura interna.
¿Qué es Nemotron 3.5 Super VL y qué lo hace distinto?
Super VL no es un modelo de texto con visión añadida. Trabaja con texto, imágenes, páginas web, tablas, gráficas, documentos y video en un solo sistema, y usa una arquitectura de mezcla de expertos que activa alrededor de 12.000 millones de parámetros por fragmento procesado. Ese diseño busca dar capacidad de razonamiento y uso de herramientas sin cargar los 120.000 millones de parámetros al mismo tiempo.
Leíste lo que hace la IA. ¿Y en tu negocio?
En CAR, dueños de empresa arman en 7 días su primer sistema funcionando: que ningún cliente se les escape, o que el informe del lunes salga solo. Con otros emprendedores al lado.
👥 Probar 7 díasEl entrenamiento incluyó cerca de 26 billones de tokens entre la fase inicial y la continuación del aprendizaje, seguido por aproximadamente 3,8 millones de muestras y refuerzo en decenas de entornos. NVIDIA liberó pesos, conjuntos de datos y recetas de entrenamiento para que cada organización adapte el sistema a sus propios documentos, políticas y flujos de trabajo.
Los números que reporta la compañía son concretos. Según Unite.AI, Super VL obtuvo 63,44% en Hermes Bench y 87,05% en las evaluaciones de comportamiento de LangChain, frente a 56,33% y 84,3% de Nemotron 3 Ultra. En CharXiv, un benchmark de razonamiento sobre gráficas, reporta 80,8%, que sube a 84% cuando el modelo usa interpretación de código Python. ZDNET añade que la prueba de Artificial Analysis ubicó a Super VL como el modelo agéntico abierto más rápido de su clase, con Ling 3.0 Flash de InclusionAI y V4.1 Flash de DeepSeek en segundo y tercer lugar, pero a distancia considerable.
El punto interesante para una startup es el post-entrenamiento. ZDNET reporta que, tras ajustar una versión base del modelo, NVIDIA documentó una mejora del 44% en un caso de reclamaciones de seguros médicos, por encima de Claude Opus 5. Es decir: el modelo base no gana solo contra los frontier propietarios, pero da margen para que una empresa lo especialice en su nicho y consiga saltos muy específicos.
Nemotron 3.5 Bolt: agentes de IA que caben en tu portátil
La parte que más debería interesar a equipos pequeños es Nemotron 3.5 Bolt 74B-A9B 24GB. Usa cuantización nativa de dos bits para entrar en 24 GB de memoria y puede ejecutarse en equipos RTX y DGX Spark junto con otras aplicaciones. Activa unos 9.000 millones de parámetros a la vez y llega con soporte para llama.cpp, Ollama, LM Studio, Unsloth y vLLM.
Según Unite.AI, NVIDIA lo describe como el mejor modelo abierto de su clase en PinchBench y el segundo mejor modelo abierto en BrowseComp. Windows Report confirma que está disponible desde ya, junto con Super VL.
El segundo modelo, Bolt E4B 4GB, apunta a asistentes conversacionales, personajes interactivos y sistemas físicos que necesitan respuestas rápidas con recursos limitados. Su disponibilidad está prevista para el 23 de octubre, según la fuente original.
Hay un matiz que conviene no ignorar. TechRepublic advierte que meter un modelo en memoria no garantiza automáticamente la mejor precisión ni la mejor respuesta para cada tarea: las empresas tendrán que medir fiabilidad, velocidad y consumo contra sus propias cargas antes de desplegar agentes a escala.
¿Quién ya está usando Nemotron 3.5 en producción?
No es un anuncio de laboratorio. Navan (NASDAQ: NAVN), la plataforma de viajes y gastos corporativos, informó que Nemotron 3.5 Super VL ya impulsa varios de sus agentes de viaje en producción, apenas tres semanas después de recibir acceso anticipado. Tras ajustarlo con la receta de LoRA de NVIDIA NeMo, el modelo superó o empató a todos los competidores en seis de siete métricas, incluida la latencia más baja. "Los modelos abiertos pueden ayudarnos a movernos más rápido, mantener el control y entregar valor sin comprometer la calidad", dijo Ilan Twig, cofundador y CTO de Navan.
Unite.AI detalla otros casos: Scale AI hizo post-entrenamiento para el agente de finanzas de proveedores de Skydance y para el agente de due diligence de M&A de EY, con una reducción de costo de inferencia de 40x y de latencia de 5x en la carga de Skydance. Ramp convierte imágenes de recibos en JSON estructurado y espera hasta 50% más de throughput y 10x menos latencia. AI21 y Alice lo ajustaron para ciberseguridad, con 40% más de precisión en análisis de amenazas.
En el lado de plataformas, la fuente original menciona a Atlassian, CrowdStrike, Dassault Systèmes, Perplexity, Salesforce y Synopsys integrando o adaptando la tecnología para búsqueda, ciberseguridad, diseño, automatización gubernamental y verificación de semiconductores.
La carrera de los modelos abiertos se está poniendo interesante
Hasta hace poco, el liderazgo en modelos de pesos abiertos era claramente chino. Tech.co señala que modelos como Kimi K3 y GLM 5.5 dominan la categoría, y que Meta acaba de lanzar Muse Spark Open en colaboración con Apple para correr localmente en Mac Studio. TechTarget suma a Reflection AI con su modelo Beam y a Mistral con Large 4.
"El gran cambio es que los pesos abiertos se están volviendo una opción real de compra para las empresas occidentales, en lugar de algo con lo que solo experimentan los equipos de investigación", dijo Jeet Pattanaik, fundador y CTO de Glokal AI, a TechTarget. Prince Kohli, CEO de Sauce Labs, apunta que la ventaja china nació de la necesidad: menos recursos los obligó a priorizar costo y eficiencia de hardware antes que los laboratorios occidentales.
Ojo con un supuesto que se repite: TechTarget advierte que, una vez que sumas GPUs, personal y evaluación, los pesos abiertos no son necesariamente más baratos para cargas pequeñas. La ventaja real es el control sobre el stack.
¿Qué significa esto para tu startup?
La noticia cambia el cálculo en tres frentes concretos.
- Prueba un modelo abierto en tu flujo documental más doloroso. Si tu equipo pierde horas extrayendo datos de facturas, contratos o pólizas, Super VL está disponible en Hugging Face, OpenRouter, ModelScope y NVIDIA NIM, y puedes ajustarlo con tus propios documentos. Antes de escalar tu gasto en APIs cerradas, corre una prueba con 200 documentos reales tuyos y compara precisión y costo.
- Revisa si tu problema de compliance se resuelve con hardware local. Un modelo que entra en 24 GB y corre en una estación RTX o un DGX Spark permite procesar datos sensibles sin enviarlos a un proveedor externo. Para fintech, salud, legal o cualquier equipo con datos de clientes bajo regulación, eso puede desbloquear casos que antes se descartaban por política interna.
- No confundas "cabe" con "funciona". Mide latencia, precisión y consumo en tu carga real antes de comprometerte. La cuantización de dos bits es un logro de ingeniería, no una garantía de calidad para tu caso de uso.
- Separa tu lógica de negocio del proveedor de modelo. Como recomienda Pattanaik en TechTarget, mantener aplicaciones, prompts y lógica de IA independientes del modelo facilita cambiar de proveedor cuando aparezca algo mejor o más barato.
Conclusión
Nemotron 3.5 marca una dirección clara: agentes especializados, multimodales y desplegables en distintos tamaños de hardware. La competencia ya no se define solo por quién construye el modelo más grande, sino por quién equilibra mejor precisión, velocidad, memoria, control de datos y costo operativo en tareas sostenidas.
Para una startup hispanohablante con equipo chico, la oportunidad es doble. Por un lado, acceder a capacidad de nivel frontier sin pagar precios de frontier. Por otro, construir sobre modelos que puedes hospedar tú mismo, lo que en mercados donde la confianza del cliente se gana con transparencia es una ventaja competitiva, no un detalle técnico.
Las cifras de rendimiento que reporta NVIDIA corresponden a pruebas del fabricante y deberán contrastarse en implementaciones independientes. La evaluación de EXO Labs citada por Unite.AI, que ubicó al modelo en la frontera de Pareto entre precisión y tiempo de completado en DGX Spark, es un primer indicio en esa dirección, pero no reemplaza tu propia prueba.
Fuentes
- Gaceta Mexicana — NVIDIA abre Nemotron 3.5 para llevar agentes de IA del centro de datos a equipos locales (fuente original)
- ZDNET — Nvidia's new Nemotron 3.5 Super VL is another step forward for US open-weight AI
- TechRepublic — Nvidia Launches Three Nemotron AI Models, Including Two for Local AI Agents
- Unite.AI — NVIDIA Releases Open Nemotron 3.5 Super VL and Bolt Edge Models
- Navan / Business Wire — Navan Advances Open Model Strategy with NVIDIA
- Windows Report — NVIDIA Brings Powerful AI Agents to RTX PCs With Nemotron 3.5 VL & Bolt Models
- Tech.co — Meta Challenges China With New Open-Weight AI Model
- TechTarget — Western open-weight campaign could give enterprises more control over AI
Leíste lo que hace la IA. ¿Y en tu negocio?
En CAR, dueños de empresa arman en 7 días su primer sistema funcionando: que ningún cliente se les escape, o que el informe del lunes salga solo. Con otros emprendedores al lado.
👥 Probar 7 días
