NVIDIA lanza Nemotron 3.5 Super VL: 5x más rápido

NVIDIA abre Nemotron 3.5 Super VL, un modelo de 120.000 millones de parámetros

NVIDIA presentó Nemotron 3.5 Super VL, un modelo abierto de 120.000 millones de parámetros que combina comprensión de lenguaje e imágenes: lee PDFs, gráficos, tablas, fotos y páginas web, sigue instrucciones y ejecuta herramientas. El dato que debería hacerte levantar la ceja es otro: según la compañía, ajustar ese modelo con datos propios eleva su precisión entre 9% y 44% en cinco tareas especializadas.

En una de ellas —siniestros médicos— la precisión pasa de aproximadamente 28% a 72% después del post-training, contra cerca de 38% que obtuvo Claude Opus 5 en esa misma evaluación. Son versiones personalizadas sobre tareas puntuales, no una afirmación de que el modelo base supere a los frontier en general.

¿Qué incluye el lanzamiento además de Super VL?

NVIDIA presentó tres modelos en el mismo movimiento:

• Nemotron 3.5 Super VL: 120.000 millones de parámetros, multimodal (texto, documentos, gráficos, tablas, imágenes y web) con uso de herramientas.
• Nemotron 3.5 Bolt 74B-A9B 24GB: 74.000 millones de parámetros totales pero activa 9.000 millones por vez; apunta a coding local, investigación y tareas de varios pasos.
• Bolt E4B 4GB: para asistentes de voz, personajes interactivos e interfaces embebidas. Llega el 23 de octubre.

El movimiento encaja en una familia que NVIDIA viene construyendo desde hace meses: Nemotron 3 Super (120B, marzo), Nemotron 3 Ultra (550B, para agentes de larga duración), Nemotron 3 Nano Omni (30B, abril, con texto, imagen, audio y video) y Nemotron 3.5 Lightning (agosto). Super VL lleva la lectura de documentos al tier grande; Bolt lleva el despliegue local a equipos más chicos.

Los números del post-training: de 28% a 72% en siniestros médicos

La tabla que NVIDIA publicó compara cinco evaluaciones: inteligencia documental, resiliencia ante ataques de seguridad, extracción de recibos financieros, experimentación científica y siniestros médicos. La barra clara es el modelo base; la oscura, el resultado tras el post-training.

Dos casos concretos:

• Siniestros médicos: de ~28% a ~72% de precisión, contra ~38% de Claude Opus 5.
• Resiliencia ante ataques: de ~35% a ~76%, contra ~66% de GPT-6.1 Sol.

NVIDIA no publicó las definiciones de tarea, los tamaños de muestra ni el protocolo de prueba. Traducción para un comprador: el gráfico dice qué investigar, no qué vas a obtener. La única forma de saberlo es correr la misma prueba con tus documentos y tus reglas.

¿Es realmente cinco veces más rápido?

NVIDIA describe Super VL como hasta cinco veces más rápido que un modelo abierto comparable. Su gráfico cruza el Artificial Analysis Intelligence Index con tokens de salida por segundo, con 100.000 tokens de entrada: Super VL aparece cerca de 625 tokens por segundo con un índice de ~26, y la flecha de comparación arranca en Inkling Small, cerca de 125 tokens por segundo con un índice similar. NVIDIA dice que Artificial Analysis midió ese resultado en cuatro GPUs Blackwell B200.

Dos matices que importan. Primero, no es el modelo con mejor puntaje: el índice lo ubica en 26, por debajo de GLM-5.3-Flash (42) y Qwen3.8-Flash-Next (40). Segundo, velocidad de generación no es tiempo total de trabajo: leer entradas, llamar herramientas, verificar resultados y corregir errores también consumen reloj.

ZDNet reportó que, según NVIDIA, Super VL es "el modelo agéntico abierto más rápido de su clase —5x más rápido que el siguiente mejor—" y que, en las pruebas de Artificial Analysis contra competidores de tamaño similar, Ling 3.0 Flash de InclusionAI y V4.1 Flash de DeepSeek quedaron segundo y tercero, con una distancia considerable respecto del primero.

Bolt: agentes que caben en 24 GB (y en 4 GB)

Bolt 74B-A9B usa compresión nativa de 2 bits para entrar en 24 GB de memoria y correr junto a otras aplicaciones en sistemas RTX Spark y DGX Spark. NVIDIA lo llama el mejor modelo abierto de su clase en PinchBench y el segundo abierto en BrowseComp, aunque no publicó los puntajes ni definió la clase de comparación.

Está disponible en Hugging Face con soporte para llama.cpp, Ollama, LM Studio y vLLM, y entre los sistemas soportados figuran PCs GeForce RTX, DGX Station y workstations RTX PRO. Bolt E4B baja a 4 GB para asistentes de voz e interfaces embebidas, con soporte para GeForce RTX, Jetson y RTX/DGX Spark.

¿Cuánto cuesta llevarlo a producción?

Los pesos abiertos de Super VL están en Hugging Face, con acceso también vía OpenRouter, ModelScope y NVIDIA NIM. La licencia es OpenMDW, que permite uso comercial, fine-tuning y redistribución, y NVIDIA publica recetas de entrenamiento y datasets.

Para desarrollo hay una API hospedada por NVIDIA con límite de tasa y sin costo. Para producción, NVIDIA cotiza una licencia de NVIDIA AI Enterprise de US$4.500 por GPU por año —una cifra de software, no el costo total de GPUs, hosting y operación—.

Los totales de entrenamiento declarados: aproximadamente 26 billones de tokens entre preentrenamiento y preentrenamiento continuo, 3,8 millones de muestras de post-training y reinforcement learning sobre cerca de 100 entornos abiertos. El modelo está optimizado para Blackwell y Hopper (DGX Spark, DGX Station, RTX PRO 6000 Blackwell) y también corre en GPUs Ampere.

¿Quién ya lo está personalizando?

NVIDIA dice que decenas de organizaciones están haciendo post-training de Super VL. Entre los casos nombrados: Scale AI para el agente de finanzas de proveedores de Skydance, EY para un agente de due diligence de M&A, AfterQuery para el análisis de contratos de crédito de Hebbia, AI21 y Alice en ciberseguridad, y Mercor para agentes de coding. También aparecen Ramp, Dream, Lila Sciences y R1.

En el lado de plataformas que lo integran: Atlassian, CrowdStrike, Dassault Systèmes, Perplexity, Salesforce y Synopsys.

El contexto de fondo: NVIDIA acordó comprar Hugging Face por aproximadamente US$12.930 millones, una operación que aún no cerró y que la compañía espera completar en el primer semestre de 2027, sujeta a aprobación regulatoria. Según Gizmodo, la plataforma aloja 3 millones de modelos abiertos y más de 200.000 empresas la usan para desplegar IA.

¿Qué significa esto para tu startup?

1. Prueba el post-training antes de cambiar de proveedor. El argumento de NVIDIA no es que su modelo base sea mejor, sino que se puede adaptar. Si tu producto depende de leer documentos específicos —contratos, pólizas, facturas, historiales clínicos—, arma un set de evaluación con 50-100 casos reales tuyos, mide el modelo base y después mide tras un ajuste. La mejora reportada va de 9% a 44%, pero es en tareas ajenas: tu número puede ser distinto.

2. Calcula el costo total, no la licencia. Los US$4.500 por GPU por año son solo software. Suma GPUs, hosting, operación y el tiempo de ingeniería del post-training. Compara eso contra lo que hoy pagas por tokens en un modelo cerrado: para volúmenes altos con documentos largos, la cuenta puede dar vuelta.

3. Decide dónde corre el agente antes de elegir el modelo. Bolt existe justamente para cargas que no quieres mandar a la nube: investigación web, escritura, debugging. Si tu cliente es un banco, una aseguradora o un hospital con requisitos de residencia de datos, un modelo que corre en 24 GB local puede desbloquear ventas que una API cerrada no.

4. No confundas velocidad de generación con velocidad de tarea. 625 tokens por segundo suena bien, pero si tu agente hace 40 llamadas por trabajo, lo que importa es cuánto tarda el trabajo completo. Mide end-to-end antes de prometer latencia a un cliente.

Conclusión

NVIDIA no está vendiendo el mejor modelo del mundo: está vendiendo control. Super VL no gana el índice compuesto de Artificial Analysis, pero se puede ajustar con tus datos, correr en tu infraestructura y licenciar para uso comercial sin pedir permiso. Para un founder, la pregunta útil no es si es mejor que Claude o GPT, sino si tu caso de uso depende de documentos y reglas propias lo suficiente como para justificar el trabajo de adaptarlo. Si la respuesta es sí, el costo de entrada es bajo: pesos abiertos, una API gratuita para desarrollo y una licencia de producción con precio publicado.

Fuentes

• NVIDIA's new, open Nemotron 3.5 Super VL with post-training beats Claude Opus 5, GPT-6.1 Sol on specialized task benchmarks (fuente original)
• Nvidia's new Nemotron 3.5 Super VL is another step forward for US open-weight AI
• Nvidia unveils first open-source AI model since CEO Jensen Huang entered the chat
• Nvidia Drives Bang For The Buck With New GenAI Model And Router
• OpenAI sparked Hugging Face bids with early investment offer ahead of Nvidia's $13 billion deal
• Nvidia CEO Says Hugging Face Will 'Remain an Open Platform for the Entire AI Ecosystem'