Nvidia lanza Nemotron 3.5 Super VL y modelos Bolt

Nvidia quiere que los agentes de IA corran en tu propia infraestructura

Nvidia presentó Nemotron 3.5 Super VL, un modelo abierto de 120.000 millones de parámetros diseñado para agentes empresariales que operan de forma continua, junto con dos modelos compactos de la familia Bolt para ejecutar agentes en computadoras personales y estaciones de trabajo. La compañía afirma que Super VL completa tareas hasta cinco veces más rápido que el siguiente mejor modelo abierto de su clase, con base en las pruebas de Artificial Analysis que cita en su anuncio.

Para un founder, la señal es concreta: la pregunta ya no es solo qué modelo es más inteligente, sino cuál se puede desplegar en la infraestructura propia, con los datos de la empresa y bajo un costo que se controla.

Qué anunció Nvidia exactamente

El anuncio cubre tres modelos con propósitos distintos:

• Nemotron 3.5 Super VL (120B-A12B): modelo multimodal abierto para agentes empresariales. Según The Decoder, usa una arquitectura de mezcla de expertos en la que solo 12.000 millones de los 120.000 millones de parámetros están activos por token. Procesa texto, imágenes, documentos y video.
• Nemotron 3.5 Bolt 74B-A9B 24GB: versión comprimida para tareas agénticas locales, con 9.000 millones de parámetros activos sobre un total de 74.000 millones y cuantización de 2 bits para caber en 24 GB de memoria.
• Nemotron 3.5 Bolt E4B 4GB: el más pequeño, orientado a agentes conversacionales y de voz. Según Infobae, estará disponible a partir del 23 de octubre.

Super VL y Bolt 74B-A9B ya se pueden descargar vía Hugging Face, OpenRouter y Nvidia NIM, de acuerdo con Infobae.

Nvidia no publicó solo los pesos: según The Decoder, liberó también los datasets, las recetas de entrenamiento y los entornos de refuerzo. El modelo se entrenó con más de 25 billones de tokens en preentrenamiento y ajuste continuo, y sumó unos 4 millones de ejemplos en post-entrenamiento repartidos en cerca de 100 entornos abiertos. Entre los datasets hay uno construido con el IIT Madras y su laboratorio AI4Bharat, con cerca de 2,83 billones de tokens en 22 idiomas de India.

¿Por qué Nvidia libera modelos si su negocio son los chips?

Aquí está la parte que más debería interesar a quien construye producto. Nvidia no regala capacidad por generosidad: cada empresa que decide correr su propio modelo abierto necesita cómputo, y ese cómputo hoy se compra en gran medida a Nvidia.

El contexto lo explica TechCrunch: los laboratorios de modelos propietarios, que son a la vez clientes e inversiones de Nvidia, están buscando alternativas a sus GPU. AWS empuja sus chips Trainium, Cerebras y otros fabricantes pelean por esa demanda, y varias compañías desarrollan silicio propio. The Decoder agrega que Meta, Google, Anthropic y OpenAI también avanzan en chips propios y optimizan sus modelos para ellos.

Frente a esa diversificación, Nvidia responde con una jugada de ecosistema: si las empresas quieren ejecutar IA en sus propios centros de datos, la compañía les ofrece no solo los chips, sino también modelos ya optimizados para esa infraestructura. Kari Briski, vicepresidenta de Modelos Abiertos y Software de Nvidia, lo resumió en el blog del anuncio: cualquier organización que quiera ejecutar agentes sobre infraestructura Nvidia tiene ahora un modelo abierto y optimizado para su nivel, sin tener que elegir entre capacidad y capacidad de despliegue.

El movimiento tiene un antecedente directo: The Decoder reporta que Nvidia invirtió 12.900 millones de dólares en Hugging Face, la plataforma central para distribuir modelos abiertos. Y ZDNET enmarca el lanzamiento en un cambio más amplio: los laboratorios chinos como DeepSeek y Moonshot.ai tuvieron la ventaja en modelos abiertos durante los últimos años, y ahora los occidentales reaccionan con lanzamientos como Le Chonk de Mistral o Beam de Reflection AI, esta última una empresa en la que, según ZDNET, Nvidia invirtió y con la que está en conversaciones de adquisición.

Del centro de datos al escritorio: qué cambia con los agentes locales

La segunda mitad del anuncio apunta a un mercado distinto: la computadora personal. Los modelos Bolt están pensados para correr sobre el chip RTX Spark y las estaciones DGX Spark, que según Infobae se presentaron en junio y ya llegaron al mercado en equipos de ASUS y Microsoft.

El argumento no es solo de rendimiento. Un agente personal puede acceder a información familiar, datos de salud, documentos laborales y registros financieros. Ejecutar esas tareas en local reduce la necesidad de enviar esa información a la nube, aunque no elimina por sí solo todos los riesgos de seguridad.

Hay un límite práctico que conviene tener claro: Bolt 74B-A9B necesita 24 GB de memoria, un umbral que según The Decoder solo cumplen equipos de gama alta. Por ahora, el agente local es una herramienta para desarrolladores y dueños de estaciones de trabajo potentes, no para cualquier laptop.

¿Qué resultados reportan las empresas que ya lo usan?

Nvidia respalda sus afirmaciones de rendimiento con una lista de organizaciones que ya están ajustando Super VL. TechCrunch menciona a Skydance, EY, Ramp, CrowdStrike, Perplexity y Salesforce. The Decoder detalla algunos casos:

• Scale AI adaptó el modelo para un agente que gestiona créditos de proveedores en Skydance, con una expectativa de costos reducidos a una cuadragésima parte y tiempos de respuesta a una quinta parte.
• Ramp lo usa para convertir fotos de recibos en datos estructurados y espera respuestas diez veces más rápidas.
• EY lo aplica a la diligencia debida en adquisiciones y Hebbia al análisis de contratos de crédito.
• AI21 lo ajustó para la firma de seguridad Alice, con una mejora de precisión del 40% según Nvidia.
• CrowdStrike construye agentes de defensa de redes y Salesforce planea automatizar flujos de trabajo gubernamentales.

Un dato que vale la pena retener: según ZDNET, el post-entrenamiento llevó a Super VL a una mejora del 44% en el caso de reclamaciones de seguros médicos, por encima de Claude Opus 5. La lectura correcta no es que el modelo base sea superior a los modelos propietarios, sino que el ajuste con datos propios es donde se gana la diferencia.

¿Qué significa esto para tu startup?

La noticia no cambia tu roadmap de un día para otro, pero sí habilita decisiones que antes eran caras o directamente imposibles para un equipo pequeño.

Primero, el control de datos deja de ser un privilegio de las grandes. Si tu producto maneja información regulada, como salud, finanzas o legal, la posibilidad de correr el modelo en tu propia infraestructura y ajustarlo con tus datos elimina una objeción comercial que hoy frena muchas ventas enterprise.

Segundo, el costo por tarea se vuelve negociable. Cuando el modelo es abierto, tu costo marginal depende de tu hardware y de tu eficiencia de inferencia, no solo del precio por token de un proveedor. Nvidia reporta que en 16 GPU B200 el sistema sirve ocho veces más usuarios concurrentes y reduce el tiempo hasta el primer token un 85%, gracias al caché de sesiones. Son cifras del fabricante, pero marcan la dirección: la optimización de inferencia es una palanca real de margen.

Tercero, aparece un riesgo de dependencia nuevo. Los modelos Nemotron están optimizados para hardware Nvidia, desde servidores de centro de datos hasta estaciones de trabajo. La libertad del modelo abierto no equivale automáticamente a libertad de infraestructura.

Tres acciones concretas para evaluar modelos abiertos

• Corre una prueba con tus propios datos antes de decidir. Descarga los pesos de Super VL desde Hugging Face y evalúa con el caso de uso que te importa. Nvidia publica datasets y recetas de entrenamiento, algo poco habitual, así que puedes replicar el proceso de post-entrenamiento sin partir de cero.
• Calcula el costo total de propiedad del hardware, no solo el del modelo. Bolt 74B-A9B exige 24 GB de memoria. Antes de prometer agentes locales a tus usuarios, verifica qué equipos de tu base instalada pueden correrlos.
• Diseña tu arquitectura para poder cambiar de modelo. Si construyes sobre NIM o sobre modelos optimizados para un fabricante, documenta el costo de migración. Un router de modelos, como el que Nvidia ofrece con su biblioteca NeMo Switchyard según MuyComputer, permite enviar cada tarea al modelo más conveniente sin reescribir la aplicación.

Conclusión

Nvidia está usando modelos abiertos como herramienta de venta de hardware, y lo hace justo cuando sus mayores clientes empiezan a mirar chips alternativos. Para el ecosistema emprendedor el resultado es favorable: hay más modelos de calidad disponibles sin costo de licencia, con pesos descargables y con la opción de ajustarlos con datos propios.

La advertencia es la de siempre con los modelos abiertos: la libertad viene con trabajo. Integración, infraestructura y supervisión siguen siendo responsabilidad de tu equipo. El modelo es la materia prima; el producto sigue siendo tuyo.

Fuentes

• itnow connectab2b (fuente original)
• TechCrunch
• ZDNET
• The Decoder
• Infobae
• MuyComputer
• Europa Press