NVIDIA Nemotron 3.5 Super VL ya está disponible: 120B de pesos abiertos, una afirmación de 5x y un inconveniente de 249 GB

NVIDIA Nemotron 3.5 Super VL ya está aquí, y la especificación que debería decidir si te acercas a él no es la que encabeza el anuncio. El modelo es un sistema de visión-lenguaje de 120B parámetros con 12B parámetros activos, un contexto de 1M tokens, decodificación especulativa nativa y soporte para texto, imágenes, documentos y vídeo. La entrada de blog de lanzamiento de NVIDIA está fechada el 15 de octubre de 2026 y lo presenta como el modelo agéntico abierto más rápido de su clase: "hasta 5 veces más rendimiento en comparación con otros modelos de su clase", medido en la clasificación Artificial Analysis Intelligence Index. Lo que la entrada no pone delante de ti es que el lanzamiento son dos checkpoints, que la diferencia entre ellos es de 174 GB de VRAM y que el más pequeño paga ese ahorro de forma desigual.

Qué se lanzó realmente el 15 de octubre

Dos cosas ocurrieron en días distintos, y el lapso importa si estás datando un despliegue. Los pesos llegaron a Hugging Face el 12 de octubre a las 15:32 UTC. El anuncio llegó después, el 15 de octubre. La propia tarjeta del modelo de NVIDIA indica que la publicación es del 15/10/2026, en la versión 1.0 GA, así que el proveedor considera el 15 como la fecha de salida; las marcas de tiempo del repositorio dicen lo contrario. Ninguna de las dos fechas tiene más de una semana, y ambas son lo bastante recientes como para que nada de este lanzamiento haya tenido tiempo de ser reproducido de forma independiente.

El lanzamiento es más amplio que el modelo que da nombre al anuncio:

• Nemotron 3.5 Super VL — el insignia, 120B totales / 12B activos, en una versión BF16 y una versión NVFP4, ambas publicadas el 12 de octubre.

• Nemotron 3.5 Super VL Base — el checkpoint anterior al post-entrenamiento, publicado junto a la versión instruct, lo cual importa porque la licencia te permite ejecutar tu propio post-entrenamiento.

• Nemotron 3.5 Bolt 74B-A9B 24GB — un modelo de borde que cabe en 24 GB gracias a la cuantización nativa de 2 bits, publicado el 7 de octubre.

• Nemotron 3.5 Bolt E4B 4GB — el más pequeño de la familia, con fecha del 23 de octubre.

La arquitectura es una mezcla de expertos híbrida de Mamba-2/Transformer con predicción multi-token, 512 expertos enrutados por capa de MoE, un codificador de visión C-RADIO y un conector visión-lenguaje. El manejo multimodal abarca OCR, tablas, gráficos, documentos de varias páginas y anclaje visual; el vídeo se acepta como MP4 de hasta dos minutos, muestreado a 2 FPS y hasta 256 fotogramas, o a 1 FPS y 128 fotogramas en 1080p. La licencia es OpenMDW-1.1, que, según indica la ficha del modelo, está lista para uso comercial o no comercial: un conjunto de términos genuinamente permisivo y una parte real de por qué este lanzamiento llamó la atención.

Dos puntos de control, y los 174 GB entre ellos

Aquí es donde el lanzamiento se vuelve interesante para cualquiera que tenga que pagar por GPUs. NVIDIA publicó el mismo modelo dos veces, en dos precisiones, y las dos versiones no se parecen en tamaño. Ambas cifras a continuación se leen de los listados de archivos del repositorio de Hugging Face, que reportan los tamaños de los fragmentos individuales de pesos:

• Checkpoint BF16 — 248,94 GB repartidos en 63 fragmentos. El encabezado de safetensors cifra el recuento de parámetros en 124,45 mil millones.

• Checkpoint NVFP4 — 75,06 GB repartidos en 88 fragmentos. La inferencia se ejecuta con W4A4 en Blackwell y con W4A16 en cualquier hardware más antiguo.

• Hardware, precisión completa — la ficha de NVIDIA indica 4× H100 o 2× GB200 para texto, imagen y video.

• Hardware, cuantizado — 1× H200, 2× H100, 1× GB200, o un único DGX Spark, y la ruta de Spark necesita un borrador LiLiCorr para decodificación especulativa.

• El ahorro — 173,88 GB, o aproximadamente 3,3× menos en disco, y la diferencia entre un nodo de cuatro GPU y un solo acelerador.

Lee eso como una cuestión económica, porque eso es lo que es. Pasar de cuatro H100 a un H200 no es una decisión de ajuste; es la diferencia entre un modelo que puedes poner detrás de un producto este trimestre y uno que no. La receta de cuantización que usó NVIDIA también es más cuidadosa de lo habitual: el codificador de visión, el conector, las convoluciones de Mamba y los embeddings permanecen en BF16, el enrutador MoE permanece en FP32, y el resto se produce mediante destilación consciente de la cuantización a partir del modelo BF16, con 200 iteraciones de destilación basada en SFT adicionales.

Lo que sacrifica la compilación cuantizada

NVIDIA publicó una tabla emparejada que compara los dos checkpoints con todos los demás ajustes mantenidos estáticos, que es la forma honesta de hacer esta comparación y más infrecuente de lo que debería ser. Los pares a continuación son los propios números de NVIDIA, de la tarjeta del modelo NVFP4, y no todos apuntan en la misma dirección.

Donde pierde el build cuantizado:

• Terminal-Bench 2.1 — 66,70 en BF16 frente a 60,80 en NVFP4. Una caída de 5,9 puntos, la mayor regresión individual de la tabla.

• WebVoyager, sin conexión — 77,72 frente a 66,31. Una caída de 11,4 puntos en el trabajo con agentes de navegador.

• DeepSWE, sin conexión — 24.65 frente a 18.20.

• MMLU-ProX — 76,91 frente a 73,76.

• tau3-bench banking — 18,88 frente a 17,78.

Donde gana o mantiene:

• GPQA-Diamond — 89.52 frente a 89.90.

• Preselección de APEX — 88.36 frente a 89.36.

• Tasa de alucinación de AA-Omniscience — 30,0 frente a 27,7, es decir, la compilación cuantizada alucina ligeramente menos según la propia métrica de NVIDIA.

• tau2-bench telecom — 73.19 en ambos lados, idénticos.

• OCRBench v2 EN — 68,12 frente a 68,34.

• MMLongBench-Doc — 62,82 en ambos lados.

El patrón es legible sin un estadístico. Las cargas de trabajo de documentos, OCR y recuperación de conocimiento apenas se mueven, y algunas de ellas mejoran. Las cargas de trabajo agénticas de horizonte largo se mueven mucho. Si tu aplicación lee presentaciones, recibos o imágenes de páginas y devuelve una salida estructurada, el checkpoint de 75 GB es lo que deberías estar sirviendo y estás renunciando a casi nada. Si tu aplicación es un agente que ejecuta una terminal o controla un navegador durante docenas de pasos consecutivos, estás cambiando aproximadamente el nueve por ciento de Terminal-Bench por tres cuartos de tu factura de GPU, y esa es una decisión que vale la pena ejecutar sobre tu propia evaluación en lugar de sobre una tabla de proveedor.

El 5x, y contra qué se mide

El titular de NVIDIA es el rendimiento, y merece ser leído con precisión en lugar de ser descartado o repetido. La afirmación es "hasta 5 veces más rendimiento en comparación con otros modelos de su clase", y la clase no está definida en la publicación. La medición es de NVIDIA, en la pila de servicio de NVIDIA, con la concurrencia y la mezcla de secuencias que la receta eligiera — las propias tablas de despliegue de la tarjeta del modelo especifican 32 secuencias concurrentes y 5 o 3 tokens de borrador especulativos según el hardware, y el rendimiento en un proxy agéntico de 20 turnos es un número muy diferente del rendimiento en prompts de un solo disparo.

Nada de eso hace que la afirmación sea falsa. La convierte en una afirmación de un proveedor sobre una carga de trabajo configurada por el proveedor, que es exactamente lo que indica la etiqueta. Lo que vale la pena señalar es que en esta versión no hay contrapeso: no se ha publicado ninguna medición independiente del rendimiento de estos checkpoints, así que las únicas cifras en circulación son las de NVIDIA. Una cifra de rendimiento sin un modelo de referencia especificado, una concurrencia declarada y una configuración de hardware declarada no es algo con lo que puedas planificar la capacidad. Si el 5x es determinante para tu decisión, reprodúcelo con tu propio tráfico antes de firmar una reserva de GPU.

Donde el modelo es fuerte, según la propia tabla de NVIDIA.

La ficha del modelo único también enumera cómo se compara el checkpoint BF16 con sus pares, y vale la pena leer las columnas a la derecha de las propias de NVIDIA, porque también son de NVIDIA. Frente a Qwen3.5-122B-A10B, Qwen3.8-Flash-Next, DeepSeek-V4-Flash, Nemotron 3 Ultra, Inkling-Small y GLM-5.3-Flash:

• Video-MME v2 — 32,85, frente a Qwen3.8-Flash-Next con 45,1 y GLM-5.3-Flash con 14,8. En la mitad de la tabla, y la dispersión más amplia de cualquier fila.

• OCRBench v2 EN — 68,12, más o menos al mismo nivel que Qwen3.8-Flash-Next con 67,9 y Qwen3.5-122B-A10B con 68,3.

• Razonamiento CharXiv — 80.82, por detrás de ambos modelos Qwen.

• MathVision — 78.16, por detrás de Qwen3.8-Flash-Next con 87.5.

• MMLU-ProX — 76,91, por detrás de todas las columnas comparativas de esa fila.

• Tasa de alucinación de AA-Omniscience — 30,0, frente a Qwen3.5-122B-A10B con 84,5 y DeepSeek-V4-Flash con 95,9. En esta fila, cuanto más bajo, mejor, y el margen no es pequeño.

• Terminal-Bench 2.1 — 66,70, frente a Qwen3.8-Flash-Next con 85,8 y GLM-5.3-Flash con 82,7.

• SWE-bench Verified — 71,10, frente a GLM-5.3-Flash con 79,10.

• OSWorld-Verified — 51.14, frente a GLM-5.3-Flash con 14.78.

La forma de eso es coherente con aquello para lo que NVIDIA dice que sirve el modelo. No es el líder en razonamiento puro o programación, y no pretende serlo — el anuncio lo posiciona frente a su propio modelo más grande con aproximadamente una quinta parte del número de parámetros, no frente a los modelos de frontera. Es fuerte en disciplina frente a alucinaciones, extracción de documentos y trabajo con agentes de escritorio, está en la media en video, y va por detrás en los benchmarks de terminal agéntica más difíciles. Si llegaste a este lanzamiento porque "comprensión de video" estaba en la primera línea del anuncio, los números de video son los que hay que mirar de cerca.

Lo que cuesta funcionar

No hay precio de lista, y eso no es una omisión por parte de NVIDIA: es la naturaleza de un lanzamiento de pesos abiertos. NVIDIA no vende este modelo por token a una tarifa publicada; publica los pesos bajo OpenMDW-1.1 y un contenedor NIM con configuraciones validadas, y tú pagas por las GPU. Así que la cuestión del costo es una cuestión de horas de GPU, y las dos respuestas aceptables son 4× H100 para BF16, o una H200, o una única DGX Spark para NVFP4.

Esa es la parte de la aritmética en la que más equipos se equivocan cuando comparan un modelo abierto con una API alojada. El lado alojado cita una tarifa por token que ya incluye la curva de utilización de otra persona. El lado abierto cita un checkpoint y una lista mínima de hardware, y el número real depende por completo de si puedes mantener la GPU ocupada. Una sola H200 ejecutando un checkpoint de 75 GB que atiende un flujo de trabajo interno unos cientos de veces al día es enormemente más costosa por llamada que el mismo checkpoint en un despliegue compartido. Alquila antes de comprar y mide tokens por segundo con tus propios prompts en lugar de con una carga de trabajo de proxy.

Probarlo antes de apostar un producto por ello

El primer movimiento honesto con un modelo cuya documentación tiene un día no es una migración, sino una evaluación, y ahí es donde una pasarela hace trabajo real en lugar de trabajo retórico. Una sola clave para más de 200 modelos al precio de lista del proveedor con 0 % de recargo significa que la comparación que realmente quieres —Nemotron 3.5 Super VL frente al modelo de texto o de visión que usas hoy— es un cambio en una cadena de modelo y no una segunda relación con un proveedor, y la conmutación por error automática entre proveedores significa que una carga de trabajo que solo estás probando puede ejecutarse junto al tráfico de producción sin que ninguna dependa de la otra. Eso importa aquí más de lo habitual: los dos checkpoints se comportan de forma lo bastante distinta en trabajo agéntico como para que el experimento útil no sea "¿es bueno este modelo?" sino "¿cuál de estas dos compilaciones, en cuál de mis benchmarks y a qué costo de GPU?".

La secuencia que evita desperdiciar un mes de GPU: elige primero la carga de trabajo con forma de documento, porque ahí es donde la brecha entre BF16 y NVFP4 es más pequeña y donde los propios números del modelo son mejores. Ejecútala contra el checkpoint más pequeño. Puntúala con una evaluación que hayas escrito. Solo entonces decide si las cargas de trabajo agénticas — aquellas en las que la compilación cuantizada pierde 5.9 puntos en Terminal-Bench y 11.4 en WebVoyager — justifican la compilación de 249 GB y cuatro GPU.

¿Qué sigue sin respuesta?

Tres brechas merecen atención porque cambian la decisión en lugar del marketing.

Lo primero es la evaluación independiente. Cada cifra de este artículo que proviene de NVIDIA está etiquetada como tal y, en esta publicación, todas son de NVIDIA. Ningún tercero ha publicado una medición de rendimiento, una reproducción de precisión ni una comparación de arnés de evaluación para ninguno de los dos checkpoints. La afirmación de rendimiento 5x y la tabla de cuantización emparejada son coherentes entre sí y claramente elaboradas con esmero, y siguen siendo reportadas por el proveedor y no reproducidas. Considéralas un límite superior hasta que alguien fuera de NVIDIA publique los mismos experimentos.

La segunda es la ruta de vídeo. El modelo acepta MP4 y el anuncio abre con la comprensión de vídeo, pero en el único benchmark de vídeo de la propia tabla de NVIDIA se queda en 32,85, mientras que Qwen3.8-Flash-Next se sitúa en 45,1. Los datos de entrenamiento abarcaban vídeo desde 10.000 hasta un millón de horas, lo cual es un rango amplio y no dice nada sobre la densidad ni el dominio. Si el vídeo es tu caso de uso, esta es la fila que hay que probar primero y la fila con más probabilidades de decepcionar a una presentación de compras elaborada a partir del anuncio.

El tercero es el checkpoint base. Su publicación bajo la misma licencia es la parte de este lanzamiento con la cola más larga, porque permite que un equipo con sus propios datos ejecute post-entrenamiento en lugar de tener que rodear el del proveedor a base de prompts. El propio corpus de post-entrenamiento de NVIDIA para esta familia también es abierto, y los tamaños de efecto del informe de NVIDIA llegan a las decenas de puntos dentro del arnés de NVIDIA. Nadie ha publicado aún un ajuste fino independiente creíble sobre esa base. Cuando alguien lo haga, te dirá más sobre el techo real de este modelo que la publicación de lanzamiento.

Los pesos pueden descargarse hoy mismo y la licencia permite usarlos comercialmente. Las dos cosas que no se pueden descargar son un benchmark independiente y una cifra de throughput con una línea base identificada — y ambas son justo lo que necesitarías antes de comprometer una ruta de producción con un modelo que actualmente tiene cuatro días de vida.