Nemotron 3.5 Super vs Claude Opus 5.5: 12 mil millones de parámetros activos frente a un medidor

Aquí está el número que decide esta comparación, y no aparece en ninguna de las dos tablas comparativas. NVIDIA Nemotron 3.5 Super — publicada por NVIDIA con el nombre más completo de NVIDIA Nemotron 3.5 Super VL, y catalogada en la biblioteca de Ollama como nemotron-3.5-super/ — activa unos 12 mil millones de sus 120 mil millones de parámetros por cada token que genera. Claude Opus 5.5 no publica ninguna cifra de parámetros y cobra $4 por millón de tokens de entrada y $20 por millón de tokens de salida. Por lo tanto, uno de estos modelos tiene un coste marginal por token que es función de la electricidad, y el otro tiene un coste marginal por token que es una partida presupuestaria. Ambas cifras son reales. Ninguna de las dos te dice qué modelo es más barato de operar, porque están valoradas en monedas distintas.

La razón por la que vale la pena escribir sobre esto ahora: los pesos de N​VIDIA se publicaron en Hugging Face el 12 de octubre de 2026, en silencio, en un repositorio llamado N​VIDIA-N​emotron-3.5-Super-VL-120B-A12B-BF16, tres días antes de que la propia publicación de N​VIDIA en su sala de prensa del 15 de octubre lo hiciera oficial. Antes de ese anuncio, la única confirmación pública de que N​emotron 3.5 Super existía como algo ejecutable era un conjunto de artefactos de registro —y el hecho de que parte de la especificación de esos artefactos no coincide con la especificación de la ficha del proveedor. Lo que se puede saber a partir del repositorio es bastante: recuentos de bytes, formatos de cuantización, una restricción de versión, una licencia. Lo que no se puede saber a partir de ningún repositorio es cómo se comporta frente a un modelo de frontera alojado con tu carga de trabajo. De esa brecha trata esta página.

Lo que el repositorio realmente contiene, antes que nada

Tres checkpoints utilizables se publicaron con sesenta segundos de diferencia entre sí el 12 de octubre: los pesos de referencia BF16, una variante Base y una compilación NVFP4. Un repositorio de drafter LiLiCorr independiente había aparecido un día antes, el 11 de octubre, lo que constituye la huella pública más temprana de esta gama. La ficha describe una mezcla de expertos híbrida de Mamba-2 y Transformer con 512 expertos enrutados por capa de MoE, un codificador de visión C-RADIO y un conector visión-lenguaje, 120 mil millones de parámetros totales con 12 mil millones activos, contexto de hasta 1 millón de tokens, entrada de texto, imagen y video con salida de texto, y decodificación especulativa nativa mediante una cabeza de Predicción Multi-Token. La licencia es OpenMDW-1.1, que permite uso comercial. El despliegue se especifica como cuatro H100s o dos GB200s para BF16.

El listado de Ollama es la versión que la mayoría de la gente conocerá primero, y es donde la especificación empieza a desviarse. Expone nueve etiquetas. Cuatro de ellas — :latest/, :120b/, :120b-a12b/ y :120b-a12b-q4_K_M/ — se resuelven en la misma capa q4_K_M, así que la descarga predeterminada es una cuantización de 4 bits y el nombre "120b" no es el archivo que obtienes. Cada etiqueta, incluida la más pequeña, incluye un proyector de visión de 1,6 GiB, porque la ruta de imagen no es opcional. El muestreo predeterminado que se incluye es temperatura 1.0 con top_p 0.95, que es la recomendación de texto de la tarjeta — el ajuste de visión de la tarjeta es temperatura 0.6. Y la verificación de tiempo de ejecución se aplica: la configuración declara requires: 0.40.5/, así que en un Ollama más antiguo la descarga no funciona en absoluto.

Nada de eso es un defecto. Es la brecha habitual entre las notas de publicación de un proveedor y un empaquetado comunitario de ellas, y es la razón para leer ambos documentos en lugar de uno.

La aritmética honesta de 12B activos

La activación dispersa constituye todo el argumento comercial de este modelo, y vale la pena ser preciso acerca de lo que aporta y lo que no.

Lo que aporta: en inferencia, un token toca aproximadamente una décima parte de la red. Por lo tanto, el rendimiento en hardware fijo está mucho más cerca del de un modelo denso de 12B que del de uno de 120B, y la huella de memoria es el único lugar donde aparecen los 120 mil millones de parámetros completos. La propia tarjeta de NVIDIA afirma un rendimiento hasta 5 veces superior al de otras de su clase y, servida sobre la pila Dynamo del fabricante, hasta 8 veces más usuarios concurrentes con una latencia un 85 % menor. Esas son cifras del fabricante producidas en hardware del fabricante y son una especificación, no una auditoría —pero la dirección de la afirmación es consecuencia directa de la arquitectura, lo que al menos es un relato coherente.

Lo que no compra: los pesos siguen teniendo que estar residentes en su totalidad. La capa BF16 GGUF es de 230,4 GiB. El valor predeterminado q4_K_M es de 82,3 GiB más el proyector. Ninguna de las dos cifras se reduce porque solo se activen 12 mil millones de parámetros por token. Así que el mínimo de hardware lo determina la memoria, mientras que el rendimiento lo determina la activación; por eso una sola tarjeta de 96 GB puede albergar el modelo de 4 bits cómodamente y aun así generar tokens a un ritmo que dejaría en ridículo a un modelo denso del mismo tamaño total, y también por eso la misma tarjeta no puede albergar en absoluto el modelo de precisión completa.

Ahora pon Opus 5.5 junto a eso. El modelo de Anthropic tiene 1 millón de tokens de contexto, 128.000 tokens de salida máxima, acepta entrada de texto, imagen y archivos, y tiene un precio de lista de $4/$20 con lecturas de caché a $0,20 por millón. No hay descarga, ni decisión de cuantización, ni valor predeterminado de muestreo que corregir, ni versión que fijar. También es un modelo bien auditado: está en lo más alto del panel de terceros que la mayoría de la gente usa para comparar estas cosas, muy por encima de esta gama de Nemotron.

Así que la comparación no es «cuál es mejor». En capacidad general medida, el modelo insignia alojado gana, y fingir lo contrario sería hacerle un flaco favor a un lector que está a punto de tomar una decisión de compra. La comparación está en dónde se cruzan las dos curvas de costes.

Donde el modelo abierto de 120.000 millones de parámetros se gana su lugar

Tres lugares, y son específicos.

• Volumen con una factura fija. Un checkpoint autoalojado convierte el coste marginal en uno fijo. Con poco tráfico, el medidor gana de forma contundente: cuatro H100 cuestan más al mes de lo que la mayoría de los equipos gasta en tokens. Con un tráfico alto y constante, el coste fijo se amortiza y el medidor no. El punto de cruce es el único cálculo que importa aquí, y es una función de tu volumen de tokens, no de la calidad de ninguno de los dos modelos.

• Trabajo de visión donde el número de páginas es el factor que impulsa el costo. La tarjeta de N​VIDIA reporta 62.82 en MMLongBench-Doc, 78.16 en MathVision, 80.82 en razonamiento de CharXiv y 68.12 en OCRBench v2 inglés frente a 59.15 en chino, todo reportado por el proveedor. En O​pus 5.5 esas mismas entradas se facturan por token, y una página de un informe escaneado son muchos tokens. Si tu carga de trabajo es de miles de páginas de documentos al día, la aritmética cambia más rápido que cualquier diferencia de calidad.

• Fijación. Un checkpoint en un disco que controlas no cambia bajo tus pies. Eso vale dinero real en una canalización regulada, y es una propiedad que el modelo alojado no puede ofrecer a ningún precio.

Hay dos puntos en los que no se gana su lugar, y ambos merecen decirse en voz alta. El primero es el trabajo agéntico de horizonte largo: la ficha de NVIDIA reporta 66,70 en Terminal-Bench 2.1, 71,10 en SWE-bench Verified y 51,78 en SWE-bench Pro — respetables, no reproducidos y por detrás de la frontera alojada. El segundo es cualquier caso en el que una solicitud fallida resulte costosa, porque un modelo cuyos pesos tienen cuatro días de antigüedad tiene detrás cuatro días de la atención del mundo y ningún historial operativo en absoluto.

Los números en los que aún no deberías confiar, y por qué

Toda la tabla de benchmarks publicada para N​emotron 3.5 Super es del propio proveedor, recopilada mediante el harness NeMo Gym de N​VIDIA. GPQA-Diamond 89.52. Humanity's Last Exam solo texto 31.79. LiveCodeBench v6 88.22. IFBench 70.86. tau2-bench 69.24 retail, 76.50 aerolíneas, 73.19 telecomunicaciones. BrowseComp 78. Proxy de LMArena v3 52.67. Cada uno de esos es una afirmación del proveedor con una receta reproducible adjunta, lo cual es mejor que una afirmación sin más, y aun así no es una medición independiente.

El panorama independiente es mucho más escaso, y ese es en sí mismo el dato más útil de esta página. El panel de terceros que puntúa estos modelos sitúa este checkpoint en un Índice de Inteligencia en torno a la mitad de los veinte —alrededor de 26—, frente a unos 58 de O​pus 5.5. Ese panel también registra un consumo inusualmente alto de tokens de salida en la ejecución del índice, lo que interpreta como verbosidad, y la verbosidad es una línea de coste, no una nota al pie, en cualquier despliegue en el que pagues por token o esperes por token. Un dato independiente no es un veredicto, pero es el único que no ha sido producido por la empresa que vende el modelo.

Lo que nadie ha publicado: cómo la cuantización de 4 bits mueve esas puntuaciones. La etiqueta predeterminada de Ollama es q4_K_M. Todas las cifras publicadas son para BF16 o NVFP4. Por lo tanto, el número que la mayoría de la gente experimentará realmente no está medido, y es el que hay que vigilar durante las próximas semanas.

Lo que puedes y no puedes llamar hoy

Vale la pena decirlo sin rodeos, porque es el malentendido más común en páginas como esta. Nemotron 3.5 Super no está en OrcaRouter. Enrutamos un poco más de doscientos modelos y no hay ninguna entrada de NVIDIA Nemotron entre ellos, así que, si necesitas este checkpoint específico, tus rutas son los canales de compilación y distribución del propio proveedor y la descarga del runtime local, no nosotros.

Opus 5.5, en cambio, está en nuestra clave, al precio de lista del proveedor trasladado sin margen por token, lo que significa que un cambio de precio del proveedor se aplica en nuestro lado el mismo día, en lugar de en la próxima renovación de contrato. Esa asimetría es realmente útil para la decisión que tiene delante: el primer movimiento barato es tomar la carga de trabajo que iba a ejecutar en cuatro H100 y ejecutarla primero contra el modelo alojado, en una sola API, sin pasar por compras. Si el modelo alojado hace el trabajo a un precio tolerable, se habrá ahorrado el clúster. Si no lo hace —y malinterpretar un documento técnico denso a escala es una forma plausible de que no lo haga—, ahora tiene pruebas en lugar de una tabla comparativa, y puede gastar la descarga en los casos que sobrevivieron.

Lo que cuesta concretamente la receta de despliegue

La propia receta de vLLM de la tarjeta merece la pena leerse como un documento de presupuesto. Paralelismo de tensores de 4, utilización de memoria de GPU de 0,85, un máximo de 32 secuencias concurrentes, una imagen y un vídeo por prompt, poda de vídeo en 0,5 y decodificación especulativa mediante la cabeza MTP con tres tokens especulativos. Cuatro H100 con una utilización de 0,85 y un límite de 32 secuencias no son un servicio grande: son un despliegue serio de un solo nodo, y el techo de concurrencia te dice qué espera el proveedor que maneje una sola réplica.

Dos detalles de esa receta importan más de lo que parecen. La configuración de video acepta un video por prompt con poda a la mitad de la tasa, lo que es una pista fuerte sobre adónde va el presupuesto de visión en entradas largas. Y el parser de razonamiento se llama nemotron_v3/ mientras que el parser de llamadas a herramientas es qwen3_coder/ — el proveedor está reutilizando un formato de llamada a herramientas que no inventó, lo cual es una buena noticia para cualquiera que tenga código de llamadas a herramientas existente y vale la pena saberlo antes de escribir nueva lógica de parseo.

Frente a eso, la superficie operativa del modelo alojado es una clave de API. La comparación entre «cuatro H100 y una receta de vLLM» y «una clave y un medidor» no se acerca en esfuerzo. Solo se acerca en costo, y solo a escala.

Una cosa más que se puede saber desde un repositorio y que es fácil pasar por alto: el muestreo recomendado varía según la modalidad. El texto quiere temperatura 1.0 con top_p 0.95; la visión quiere 0.6 con 0.95. Un despliegue que establece un único par de forma global y luego procesa gráficos y páginas escaneadas está ejecutando la mitad de visión de un modelo de visión con la configuración de la mitad de texto. Si tu primera impresión de este modelo con documentos es mala, esa es la primera perilla que debes revisar — antes de concluir nada sobre el checkpoint.

Entonces, ¿cuál?

Si tu trabajo consiste en programación agéntica de horizonte largo, o en cualquier tarea en la que el razonamiento deba ser de nivel frontera en el primer intento, Claude Opus 5.5 es la respuesta y el nivel Nemotron no es un sustituto de él. No se trata de una decisión reñida, y las propias filas agénticas publicadas por el proveedor no afirman lo contrario.

Si tu trabajo consiste en la comprensión de documentos e imágenes de gran volumen, donde el factor que determina el costo es la cantidad de páginas y no la dificultad del razonamiento, este es uno de los checkpoints abiertos más interesantes que han aparecido este año: 120 mil millones de parámetros con 12 mil millones activos, una licencia permisiva, una ruta de visión genuinamente presente en lugar de añadida a la fuerza, y un valor predeterminado de 4 bits que cabe en una sola tarjeta de 96 GB. La trampa es que la versión que todos van a ejecutar en la práctica —el predeterminado q4_K_M— no tiene ninguna evaluación publicada en ninguna parte, el modelo tiene solo cuatro días y la especificación publicada por el runtime no coincide del todo con la especificación publicada por el proveedor.

Ambas cosas son razones para probarlo, no razones para confiar en él. Pon primero la carga de trabajo en el modelo alojado para averiguar si se trata de una carga que un modelo de frontera resuelve y uno de gama media no. Después decide si los casos que sobreviven merecen un clúster, una descarga o una noche de configuración. Y si de verdad pones un checkpoint de cuatro días de antigüedad en una ruta de peticiones, enrútalo detrás de un mecanismo de respaldo, porque el seguro más barato contra un modelo sin historial operativo es un segundo modelo detrás de la misma llamada.

Lo que los números no pueden decirte es si algo de esto ha salido mal sobre el terreno: los incidentes de IA documentados y los fallos de agentes en torno a los modelos de esta clase se recopilan en el Archivo de Incidentes de IA de OrcaRouter, donde cada entrada incluye sus propias fuentes, su gravedad, su grado de confianza y su indicador de disputa.