Nemotron 3.5 Bolt E4B 4GB vs Nemotron 3.5 Bolt 74B-A9B 24GB: mismo nombre, máquinas opuestas

NVIDIA lanzó dos modelos llamados Bolt con ocho días de diferencia. NVIDIA-Nemotron-3.5-Bolt-E4B-4GB llegó el 23 de octubre de 2026: un modelo conversacional de solo texto, de 8B en total, con entrenamiento posterior a partir de Gemma-4-E4B-it. NVIDIA-Nemotron-3.5-Bolt-74B-A9B-24GB —el modelo al que la mayoría de la gente se refiere cuando dice Nemotron 3.5 Bolt— llegó el 15 de octubre: un agente multimodal de 74B en total y 9B activos, comprimido a dos bits por peso de experto.

Comparten una insignia, una licencia y una ventana de lanzamiento. No comparten una arquitectura matriz, una modalidad, una ventana de contexto, una suite de benchmarks ni un trabajo. Leer "Bolt" como una escala de tamaños es el error que esta comparación pretende evitar.

Uno es un derivado de Gemma. El otro es un agente comprimido de 120B.

El linaje explica casi todo lo demás.

E4B nació como Gemma-4-E4B-it, el pequeño modelo de Google ajustado para instrucciones, y NVIDIA lo entrenó posteriormente con aprendizaje por refuerzo a partir de recompensas verificables y retroalimentación humana mediante NeMo-RL y NeMo-Gym. La arquitectura es la de Gemma: 8B de parámetros totales con 4B efectivos, una ruta de entrada y salida solo de texto, y una ventana de contexto de 64K. La contribución de NVIDIA es el comportamiento, no la arquitectura troncal.

El 74B partió de Nemotron 3.5 Super VL 120B-A12B, el modelo matriz multimodal de la propia NVIDIA. NVIDIA ejecutó una búsqueda de arquitectura guiada por enrutador llamada Star Elastic con un presupuesto de memoria de 24 GB y produjo un híbrido de 74 mil millones de parámetros con 9 mil millones de parámetros activos por token, combinando capas Mamba-2 y Transformer en un diseño LatentMoE, con un codificador de visión C-RADIO v4-H. Acepta texto, imágenes y vídeo, y maneja 256K tokens de contexto.

Dicho claramente: el E4B es un modelo de conversación que NVIDIA ajustó. El 74B es un modelo de agente que NVIDIA comprimió. El nombre "Bolt" describe el objetivo de despliegue —inteligencia por gigabyte—, no una arquitectura compartida.

Las especificaciones, lado a lado

• Parámetros totales y activos — 8B totales con 4B efectivos para el E4B; 74B totales con 9B activos para el 74B.

• Arquitectura: Gemma-4-E4B para el modelo pequeño; Mamba-2 más Transformer híbrido LatentMoE para el grande, con compresión Star Elastic del padre Super VL.

• Modalidad — entrada de texto, salida de texto para el E4B; entrada de texto, imágenes y video, salida de texto para el 74B.

• Ventana de contexto: 64K tokens de entrada y 64K de salida para el E4B; hasta 256K tokens para el 74B.

• Precisión — Q4_K_M para el GGUF incluido con el E4B; IQ2 a aproximadamente 2,0625 bits por peso de experto para el 74B, con NVFP4 en algunas capas de Mamba y embeddings Q8_0.

• Pesos publicados — 6.18GB Q4_K_M y 15.88GB BF16 para el E4B; 23.75GB de pesos GGUF más proyector de visión, 24.12GB de safetensors listos para vLLM, y 149.8GB en BF16 para el 74B.

• Licencia — OpenMDW-1.1 para ambos, con el componente Gemma 4 bajo Apache 2.0 en la pila del E4B.

• Fecha de lanzamiento — 23 de octubre de 2026 para el E4B; 15 de octubre de 2026 para el 74B.

• Entorno de ejecución — llama.cpp para el E4B, con la tarjeta marcando la receta como "pendiente" a pesar de incluir comandos de inicio rápido; vLLM para el 74B, con una receta de referencia que fija un contenedor nightly mediante el hash de commit.

Vale la pena advertir sobre una trampa de metadatos antes de que provoque un error de compra. El widget de archivos de Hugging Face del repositorio de 74B muestra «22B params», mientras que la tarjeta del modelo especifica 74B en total y 9B activos. La tarjeta es la correcta: 22B es un campo obsoleto de la barra lateral, no una tercera variante, y quien dimensione el hardware a partir del widget en lugar de la tarjeta se equivocará gravemente en la dirección opuesta.

Las tablas de benchmark no comparten ni una sola fila.

Esto es lo más importante que hay que entender antes de comparar los dos, y es justo lo que la mayoría de la cobertura omite.

NVIDIA evaluó el 74B en GDPVal-AA-V2, Terminal-Bench 2.1, Tau3 Banking, HLE, AA-Omniscience, SciCode, GPQA Diamond, AA-LCR, PinchBench, MCP-Atlas, BrowseComp y WebArena. Evaluó el E4B en MultiChallenge, RoleBench, RoleMRC, EQ-Bench v3, Brevity, BFCL-v3, When2Call, ToolSandbox, Tau2-Bench, IHEval, AgentIF, StructEval-T, IFBench, InverseIFEval, RULER, LongMemEval, LongBench v2, SysBench, GaRAGe, RAGTruth y RelyToolBench.

No hay superposición. Ni una sola fila aparece en ambas tablas. Los dos conjuntos de pruebas incluso usan versiones diferentes del benchmark agéntico —Tau2 para el E4B, Tau3 Banking para el 74B—, así que el par que más se parece tampoco es comparable.

Eso significa que cualquier afirmación de la forma «el 74B es X puntos mejor que el E4B» es fabricada. NVIDIA no publicó un arnés común, y ningún tercero ha ejecutado uno. Lo que las tablas sí respaldan es una afirmación sobre la intención de diseño:

• El 74B se midió en tareas que parecen trabajo: uso de terminal, navegación, programación científica, preguntas de nivel de posgrado y razonamiento de contexto largo. Sus filas publicadas más sólidas son BrowseComp 66.75, Terminal-Bench 2.1 50.98, GPQA Diamond 86.43 y AA-LCR 64.06.

• El E4B se midió en tareas que se parecen a una conversación: retención de persona, jerarquía de instrucciones, saber cuándo llamar a una herramienta y fundamentación en la salida de la herramienta. Sus filas más sólidas son IHEval 84.79, RoleBench 67.05, RelyToolBench 63.16 y When2Call 63.36.

Ambos conjuntos son reportados por el proveedor y no han sido reproducidos. La ficha del 74B tiene un detalle adicional que vale la pena señalar: NVIDIA describe el modelo como el mejor modelo abierto de su clase en PinchBench, pero su propia tabla muestra a Qwen3.6-35B-A3B con 88.07 frente al 87.82 del Bolt. Es una diferencia de 0.25 puntos y una afirmación que no termina de sostenerse con su propia nota al pie.

Afirmaciones de velocidad, con el hardware adjunto

El rendimiento es el único aspecto en el que ambas tarjetas publican cifras, y aun así no hay forma de hacerlas coincidir.

• E4B en una RTX 5070 de 12 GB: de 106,2 a 133,4 tokens por segundo, de 548 a 1.238 ms hasta el primer token, de 3,5 a 4,3 GB de VRAM, medido con llama.cpp y CUDA con batch 1.

• E4B en un Jetson Orin Nano 8GB: de 13,0 a 15,5 tokens por segundo y de 5,8 a 6,3 segundos hasta el primer token. El mismo modelo, en el hardware al que realmente se refiere el argumento de venta de los «4GB».

• 74B en una RTX Spark — 83,99 tokens por segundo en AIPerf SPEED-Bench-Coding, con el borrador LiLiCorr conectado y siete tokens especulativos por paso.

La cifra de 74B supone un checkpoint de drafter separado de 1.13B, un benchmark específico y un hardware distinto del de cualquiera de las ejecuciones de E4B. La cifra de E4B supone que no hay drafter. Comparar 133 con 84 y concluir que el modelo pequeño es más rápido es técnicamente cierto y prácticamente irrelevante: uno es un modelo de cuatro mil millones de parámetros efectivos en una GPU de escritorio, el otro es un modelo de nueve mil millones de parámetros activos en una máquina diferente con un decodificador especulativo incorporado.

Lo que los números sí establecen es la forma del trade-off. El E4B está diseñado para el tiempo hasta el primer token; el 74B está diseñado para trabajo agéntico sostenido, donde 84 tokens por segundo son suficientes. La fila de Orin Nano es la advertencia: un modelo de 4GB en hardware embebido no es automáticamente un conversador en tiempo real.

Memoria: 4 GB y 24 GB son sobres, no archivos

Ambos nombres usan un destino de memoria, y ninguno de los dos números es la descarga.

• E4B — un GGUF Q4_K_M de 6,18 GB. NVIDIA mide entre 3,1 y 4,3 GB de VRAM en sus propias ejecuciones con lote de tamaño 1 en hardware RTX. La tarjeta no publica un archivo de 4 GB.

• 74B — 22,02 GB de pesos GGUF más un proyector de visión independiente de 1,73 GB, para un total de 23,75 GB, o 24,12 GB en la versión safetensors lista para vLLM. La cuantización de expertos de 2,0625 bits es lo que hace posible el rango de 24 GB.

• Compilaciones BF16: 15,88 GB para el E4B y 149,8 GB en 63 fragmentos para el 74B. Las variantes de precisión completa son para post-entrenamiento, no para despliegue, y la ficha del 74B lo indica explícitamente.

La brecha de almacenamiento es de aproximadamente cuatro a uno en precisión de despliegue, y de aproximadamente nueve a uno en precisión completa. La brecha de VRAM es menor que la brecha de parámetros porque el 74B está pagando su compresión en bits, no en tamaño.

La modalidad y el contexto deciden más que el número de parámetros.

Una ventana de texto de 64K y una ventana multimodal de 256K no son el mismo producto con límites diferentes.

El 74B puede mirar una imagen o un video y actuar en consecuencia. Su ficha técnica especifica entrada RGB JPEG o PNG, video MP4 de hasta dos minutos y una pauta de un fotograma por segundo a 1080p o dos fotogramas por segundo a 720p. Puede leer una captura de pantalla, un gráfico, un formulario o una transmisión de cámara y luego llamar a herramientas basándose en lo que vio. Esa es la capacidad que lo convierte en un agente para la navegación y el trabajo de escritorio.

El E4B no puede ver. Recibe texto y devuelve texto, y su ventana de 64K es explícitamente más débil que la de sus pares en recuperación: RULER 86,99 frente a 95,15 de Qwen3.5 4B, LongBench v2 50,50 frente a 59,93. Si tu aplicación necesita mantener a la vista un documento largo o una captura de pantalla, el E4B es el modelo equivocado, independientemente de lo buenas que sean sus puntuaciones de persona.

Para quién es cada uno

El E4B está pensado para la capa de interfaz. Personajes interactivos, asistentes de voz, agentes para dispositivos embebidos, robots que necesitan seleccionar un script y hablar, y cualquier aplicación en la que el modelo tenga que responder en unos pocos cientos de milisegundos en hardware que cuesta menos que una estación de trabajo. Las demostraciones de NVIDIA hacen concreto el propósito: un robot Reachy Mini sobre un Jetson Orin Nano que usa el E4B para elegir scripts de animación mientras un modelo de visión independiente se encarga de la percepción, y un NPC herrero que verifica el pago, consulta una receta, reúne los ingredientes y entrega un objeto.

El 74B es para la capa de trabajo. Agentes personales siempre activos que navegan, programan, analizan datos, supervisan tareas en segundo plano y llaman a API. Se ejecuta en RTX Spark, DGX Spark, estaciones de trabajo RTX PRO y tarjetas GeForce RTX con suficiente memoria, y está diseñado para convivir con otras aplicaciones dentro de un presupuesto de 24 GB. Su perfil de benchmarks —BrowseComp, Terminal-Bench, GPQA, AA-LCR— es el de un modelo que termina tareas, no el de uno que mantiene una conversación.

Ninguno de los dos sustituye al otro. Un estudio de videojuegos que quiera NPC creíbles no necesita un agente multimodal de 74B; una plataforma de agentes que necesite leer una página web y ejecutar un comando de terminal no puede usar un modelo conversacional de 4B solo de texto.

Lo que implica para el despliegue una familia de dos modelos

La interesante consecuencia arquitectónica es que NVIDIA ha lanzado un portfolio en lugar de una escalera. El E4B se encarga de la capa de reflejos, el 74B se encarga de la capa de trabajo local y el Super VL 120B-A12B se encarga de los casos multimodales más exigentes. Eso supone tres presupuestos de memoria diferentes y tres tareas diferentes, todo dentro de una misma familia de licencias.

La mayoría de las aplicaciones seguirán necesitando una cuarta capa que no pueden descargar: un modelo de frontera para las solicitudes que superan el hardware local, o un segundo proveedor para la modalidad que le falta al modelo local. Enrutar esas solicitudes a través de una única API —más de 200 modelos, 0 % de margen sobre el precio de lista del proveedor, conmutación por error automática cuando un proveedor se degrada— permite que el Bolt local siga siendo la vía rápida y que el modelo alojado siga siendo la excepción. La alternativa es una integración, una clave y una factura independientes para cada modelo por encima del nivel local.

¿Qué resolvería la cuestión familiar?

Una sola ejecución. Somete a ambos Bolts al mismo arnés con las mismas tareas —un conjunto conversacional, uno agéntico y uno multimodal— y publica las filas. NVIDIA tiene los checkpoints, la pila de evaluación y el incentivo; en cambio, optó por publicar dos tablas separadas.

Hasta que eso exista, la lectura defendible es esta: el 74B es el modelo más capaz por diseño y por evidencia, en las tareas que NVIDIA eligió medir. El E4B es el modelo más apropiado para una gran clase de interfaces donde un agente de 24 GB es absurdo y un modelo conversacional de 4 GB es exactamente lo correcto. El nombre en la caja es el mismo. La máquina de dentro no.