Nemotron 3.5 Super vs GPT-6 Astra: cuánto cuesta una página escaneada en cada uno

OpenAI GPT-6 Astra factura un documento escaneado por token. NVIDIA Nemotron 3.5 Super lo factura por segundo de GPU. Esa única frase constituye la mayor parte de esta comparación, y no es la frase que ninguno de los dos proveedores pondría en un titular. El modelo de NVIDIA —120 mil millones de parámetros totales con 12 mil millones activos por token, un codificador de visión C-RADIO sobre una mezcla híbrida de expertos Mamba-2 y Transformer, anunciado por NVIDIA el 15 de octubre de 2026 bajo el nombre NVIDIA Nemotron 3.5 Super VL y distribuido en Ollama como code>nemotron-3.5-super/code> — llegó al mundo con sus pesos ya con tres días de antigüedad en Hugging Face, subidos el 12 de octubre. Astra es el buque insignia de OpenAI: 1.050.000 tokens de contexto, 128.000 tokens de salida máxima, entrada de texto, imagen y archivos, razonamiento siempre activo, y un precio de lista de 10 $ por millón de tokens de entrada y 50 $ por millón de salida.

Esos dos puntos de precio se diferencian por un factor de diez en la entrada y de veinticinco en la salida, lo que hace que la pregunta interesante sea inusualmente aguda. ¿A partir de qué volumen un checkpoint abierto de costo fijo supera a un medidor de $10/$50 para trabajo con documentos —y cambia la respuesta cuando el documento es una página de píxeles en lugar de una página de texto?

No están compitiendo por la misma solicitud

Lo primero que hay que dejar claro es que, en términos de capacidad medida, estos dos modelos no están ni cerca, y ninguno de los dos proveedores afirma lo contrario.

• Índice de terceros — Astra se sitúa en alrededor de 54,7 en el panel que puntúa estos modelos, con un Índice de Programación de 76,9 y un Índice Agéntico de 51,6, todo ello registrado en la propia ficha de catálogo de Astra · el checkpoint de NVIDIA se sitúa en alrededor de 26. Se trata de una diferencia de unos veintiocho puntos y no la mide ninguno de los dos proveedores.

• Contexto — 1.050.000 tokens para Astra con un límite de salida de 128.000 tokens · 1.000.000 para el checkpoint de NVIDIA sin ningún límite de salida publicado, y la advertencia de la propia ficha de que la memoria y los ajustes de ejecución determinan la cifra utilizable.

• Superficie de razonamiento — Astra ejecuta razonamiento siempre activo con un esfuerzo configurable desde bajo hasta máximo, devuelve trazas de razonamiento completas a través de la Responses API y admite salidas estructuradas, semillas y búsqueda web como herramienta · el checkpoint de NVIDIA tiene un modo de pensamiento activado/desactivado que se cambia mediante la plantilla de chat y una tabla de benchmarks publicada, pero ninguna superficie alojada de ningún tipo.

• Modalidad de entrada — texto, imágenes y archivos para Astra · texto, imágenes y vídeo para el checkpoint de NVIDIA, con un proyector de visión de 1,6 GiB en cada etiqueta publicada, de modo que la ruta de imagen esté siempre presente.

• Precio — $10 de entrada y $50 de salida por millón de tokens, con un nivel de contexto largo por encima de 272.000 tokens de prompt · sin precio, porque el modelo no tiene endpoint.

• Lo que obtienes — una clave de API y una traza · cuatro H100 o dos GB200 de BF16, o una tarjeta de 96 GB para la etiqueta 4-bit predeterminada de 82,3 GiB, bajo OpenMDW-1.1 con uso comercial permitido.

Lee esa lista y la conclusión es obvia: si el trabajo necesita razonamiento de frontera, Astra es el modelo y la comparación se acabó. Lo que hace que valga la pena leer esta página es el caso en el que el trabajo no necesita razonamiento de frontera, porque ahí es donde un checkpoint de 120.000 millones de parámetros con un codificador de visión empieza a tener sentido económico, y es una proporción mayor de los flujos de documentos reales de lo que a nadie le gusta admitir.

La aritmética del costo por página, con números reales

Tomemos un trabajo concreto: un corpus de facturas escaneadas, 200 páginas al día, cada página renderizada a una resolución lo bastante alta como para leer un número de referencia manuscrito. Digamos 1.500 tokens de imagen por página después de que el codificador haga su trabajo, más un prompt de 300 tokens y una respuesta de 150 tokens. Eso es aproximadamente 1.950 tokens de entrada y 150 de salida por página, o 390.000 tokens de entrada y 30.000 de salida al día en todo el corpus.

Con la tarifa publicada de Astra, eso es $3.90 de entrada y $1.50 de salida — unos $5.40 al día, o aproximadamente $160 al mes por un trabajo que una sola GPU puede hacer durante la noche. Sube la resolución, añade una página que active el nivel de contexto largo por encima de los 272,000 tokens de prompt, o ejecuta el corpus dos veces porque la primera pasada estuvo mal, y el número se mueve en una sola dirección. Esta es la forma del problema: a $10 y $50, un flujo de trabajo por página tiene una factura por página, y la factura escala exactamente con lo que crece: el número de páginas.

En el checkpoint de NVIDIA, el mismo trabajo cuesta la fracción de hora de GPU que consuman 230.000 tokens, lo que, a 200 páginas al día, es un error de redondeo frente a la electricidad. La factura es la tarjeta, y la tarjeta es la misma ya sea que proceses 200 páginas o 20.000.

Tres advertencias antes de que alguien corra a comprar hardware. La primera es que esto deja de ser cierto a bajo volumen — una tarjeta de 96 GB y la energía para ejecutarla cuestan más al mes que lo que la mayoría de los equipos gasta en tokens, y a 200 páginas al día probablemente perderías. La segunda es que la cuantización de NVIDIA que la mayoría de la gente realmente ejecutará, q4_K_M, no tiene ninguna evaluación publicada en ningún lado; cada cifra en la tarjeta de NVIDIA es BF16 o NVFP4, por lo que se desconoce la precisión de la versión que despliegues. La tercera es que la salida de Astra es mediblemente mejor, y en un corpus donde un número de referencia mal leído es un costo real, una mayor precisión puede superar una diferencia de precio de cualquier tamaño.

Donde Astra no es simplemente mejor, sino estructuralmente mejor.

Sería deshonesto presentar Astra como una alternativa cara a una opción más barata. En varios ejes, es un producto de una categoría distinta, y la diferencia no tiene que ver con puntuaciones.

Astra devuelve trazas de razonamiento completas a través de la API Responses. Para un pipeline que tiene que justificar una decisión —una adjudicación de reclamaciones, una revisión de cumplimiento, una pasada de codificación médica—, una traza auditable no es una característica, es el requisito. El checkpoint de NVIDIA tiene un modo de pensamiento que puedes activar y desactivar en la plantilla de chat, y no tiene ninguna superficie de trazas alojada en absoluto, lo que significa construir la capa de auditoría tú mismo.

Astra admite salidas estructuradas con un esquema y una semilla. En una canalización de extracción de documentos en la que la salida tiene que ajustarse a una estructura de registro, un modelo que puede restringirse a un esquema es más económico de integrar que uno en el que se valida y se reintenta, y el costo de reintento es invisible hasta que deja de serlo.

Y la superficie de herramientas de Astra es un producto propio: llamada a funciones, response_format, seed y búsqueda web como herramienta. La receta de despliegue del checkpoint de NVIDIA reutiliza un analizador de llamadas a herramientas que no escribió — la propia receta de vLLM del proveedor nombra code>qwen3_coder/code> como analizador de llamadas a herramientas y code>nemotron_v3/code> como analizador de razonamiento. Esa es una decisión de ingeniería sensata y además significa que la superficie de llamadas a herramientas es prestada en lugar de estar diseñada para este modelo, y necesitará pruebas antes de que se confíe en ella.

La receta de vLLM también te indica lo que el proveedor espera que maneje una réplica: 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 integrada con tres tokens especulativos. Treinta y dos secuencias concurrentes es el techo en un nodo de cuatro GPU. El techo de Astra es un límite de tasa.

La trampa en la configuración predeterminada de NVIDIA, y por qué aparece primero en los documentos

Este es el detalle que decidirá si el primer experimento tiene éxito, y solo es visible si se lee el registro de tiempo de ejecución en lugar de la publicación del proveedor.

La ficha especifica dos configuraciones de muestreo: temperatura 1.0 con top_p 0.95 para trabajo de texto, y temperatura 0.6 con top_p 0.95 para visión. El valor predeterminado que se distribuye en el manifiesto de Ollama es el par de texto — code>{"temperature": 1.0, "top_p": 0.95}/code> con code>draft_num_predict: 3/code>. Así que la configuración bajo la cual la mayoría de la gente conocerá este modelo de visión está ajustada para la mitad de él que no es visión. Si lo primero que haces con él es apuntarlo a una factura escaneada y el resultado es vago o alucinado, la configuración de muestreo es lo primero que hay que cambiar — antes de concluir nada sobre el checkpoint.

Dos detalles más del registro que conviene conocer antes de desplegar. Cuatro de las nueve etiquetas publicadas — code>:latest/code>, code>:120b/code>, code>:120b-a12b/code> y code>:120b-a12b-q4_K_M/code> — resuelven a la misma capa q4_K_M, así que la etiqueta nombrada según el recuento total de parámetros no es el archivo que recibes. Y la puerta de versión se hace cumplir en lugar de solo aconsejarse: la configuración declara code>requires: 0.40.5/code>, así que en un entorno de ejecución más antiguo la descarga no funciona en absoluto.

Compara eso con el modo de fallo del otro lado de esta comparación, que es un endpoint cambiado. Astra es un servicio alojado; su comportamiento puede revisarse. Ninguno de los riesgos es razón para evitar el modelo. Son riesgos distintos y exigen mitigaciones distintas: un cambio de configuración por un lado, una ruta de respaldo por el otro.

La respuesta de enrutamiento, que es la misma para ambos

Astra está en nuestra clave. OrcaRouter lo enruta al precio de lista del proveedor, transferido sin margen por token — $10 y $50 por millón de tokens, con el nivel de contexto largo con exactamente el mismo precio que le pone OpenAI, activo de nuestro lado el mismo día en vez de en tu próxima renovación. Si la pregunta es si Astra maneja tu carga de trabajo documental, eso es una sola clave y sin adquisiciones, y la respuesta cuesta unos pocos dólares en tokens.

El checkpoint de NVIDIA no está en nuestra clave. Enrutamos algo más de doscientos modelos y no hay ninguna entrada de NVIDIA Nemotron entre ellos, así que este artículo no es una afirmación de que puedas llamarlo aquí. Si necesitas ese checkpoint, los canales propios de compilación y distribución de NVIDIA y la descarga local son tu vía.

Lo que la plataforma realmente aporta en esta decisión es la secuenciación. Ejecuta el corpus contra Astra primero y mide dos cosas: el costo por página y la tasa de error por página. Esos dos números juntos lo deciden todo. Si la tasa de error es baja y el volumen es bajo, quédate en el servicio medido para siempre: nunca le ganarás con hardware. Si la tasa de error es baja y el volumen es alto, ahora tienes un caso defendible para mover las páginas estándar a una tarjeta propia mientras mantienes las difíciles en el servicio medido. Si la tasa de error es alta, ninguna ventaja de precio del lado de NVIDIA ayuda, porque la aritmética de una factura mal leída no se trata de tokens.

Y de cualquier manera que lo hagas, enruta el nuevo modelo detrás de un respaldo. Un checkpoint cuyos pesos tienen cuatro días de antigüedad tiene cuatro días de historial operativo, y el seguro más barato contra eso es un segundo modelo en la misma llamada. Astra es algo razonable para tener detrás de un modelo abierto de cuatro días de antigüedad; también es el modelo que la mayoría de los lectores de esta página concluirán que no necesitan reemplazar.