Una tarjeta de título para la comparación, con el encabezado «Nemotron for Science vs Nemotron 3.5 Super», que afirma que no se trata de dos modelos: el checkpoint de octubre con 120B en total y 12B activos con 512 expertos enrutados por capa de MoE, los pesos en Hugging Face el 12 de octubre de 2026 y anunciado el 15 de octubre, el paquete de noviembre el 16 de noviembre en SC26 en Chicago, y aproximadamente 50.000 preguntas de LitmusBench v0.2 como el único artefacto nuevo del modelo.
Engineering & Research

Nemotron for Science vs. Nemotron 3.5 Super: mismos pesos, producto diferente

Autor

jinhao.song

Fecha de publicación

Últimos modelos · 20Ver todos los modelos →
Benchmarks: Artificial Analysis · actualizado a diario
Volver a todas las publicaciones

Esta comparación tiene un hecho incómodo en su centro: NVIDIA Nemotron for Science y NVIDIA Nemotron 3.5 Super no son dos modelos. Son el mismo checkpoint de 120.000 millones de parámetros, publicado con cinco semanas de diferencia y con un empaquetado distinto. Nemotron 3.5 Super son los pesos —el repositorio bajo el nombre más completo Nemotron 3.5 Super VL 120B A12B, disponible en Hugging Face desde el 12 de octubre de 2026, anunciado el 15 de octubre, OpenMDW-1.1, 12.000 millones de parámetros activos por token, contexto de 1 millón de tokens. Nemotron for Science es lo que NVIDIA anunció en SC26 el 16 de noviembre: ese checkpoint más LitmusBench v0.2, aproximadamente 50.000 preguntas de razonamiento químico, más recetas de posentrenamiento y la integración de herramientas CUDA-X, más siete despliegues institucionales con nombre.

Así que la pregunta útil no es cuál es mejor. Es qué añade el paquete de noviembre al checkpoint de octubre, si las adiciones justifican un nombre separado, y qué descargarías realmente hoy si quisieras ejecutar agentes de química en silicio de NVIDIA. Esa es una pregunta más interesante que una tabla de especificaciones, y la respuesta es más halagadora para NVIDIA de lo que suele ser una historia de reempaquetado.

Lo que es idéntico, y es la mayor parte.

Empieza por el checkpoint, porque todo en ambos paquetes depende de él. La arquitectura no cambia entre octubre y noviembre: una mezcla de expertos híbrida de Mamba-2 y Transformer, 512 expertos enrutados por capa MoE, cabezas de predicción multitoken, un codificador de visión C-RADIO y un conector visión-lenguaje, 120B de parámetros totales con 12B activos por token, y hasta 1M tokens de contexto. Las entradas son texto, imágenes RGB y vídeo MP4 de hasta dos minutos; la salida es texto. El esfuerzo de razonamiento es configurable a través de la plantilla de chat en desactivado, medio o activado.

• Parámetros — 120B en total, 12B activos. Idénticos en ambos. No existe ningún checkpoint de Nemotron for Science con un número diferente de parámetros, porque no hay un checkpoint separado de Nemotron for Science.

• Licencia — OpenMDW-1.1 para uso comercial y no comercial. Idéntica, y es lo que hace que la propuesta de postentrenamiento sea siquiera posible.

• Contexto — 1M tokens, y la tarjeta recomienda vídeo a 2 FPS hasta 256 fotogramas, o 1 FPS y 128 fotogramas a 1080p.

• Requisitos mínimos de hardware — 4× H100 o 2× GB200 en BF16; la compilación NVFP4 cabe en un único DGX Spark, una H200, dos H100 o una GB200. La línea DGX Spark es en la que se apoya SC26, y es la misma línea que ya incluía la tarjeta de octubre.

• Benchmarks — GPQA-Diamond 89.52, SWE-bench Verified 71.10, SWE-bench Pro 51.78, Terminal-Bench 2.1 60.67, tau2 retail 69.24, BrowseComp 78, MathVision 78.16, CharXiv reasoning 80.82. Todos reportados por el proveedor, todos publicados con la ficha de octubre, ninguno de ellos es nuevo.

Si ya descargaste Nemotron 3.5 Super en octubre, ya tienes el modelo sobre el que se construye Nemotron for Science. Nada de lo anunciado en noviembre cambia sus pesos.

¿Qué hay realmente nuevo, y no es poca cosa?

Ahora la parte que vale el artículo. El 16 de noviembre llegaron tres cosas que no existían el 15 de octubre, y cada una cambia lo que puedes hacer desde el primer día.

LitmusBench v0.2 es lo más destacado. Aproximadamente 50.000 preguntas de razonamiento químico, construidas a partir de datos de propiedades moleculares y registros experimentales de descubrimiento de fármacos, que abarcan tareas como predecir la solubilidad y cómo el cuerpo metaboliza un compuesto. Dos propiedades hacen que sea más que una tabla de clasificación: es abierto y está diseñado para usarse tanto para el postentrenamiento como para la evaluación. Un modelo de 120B con una licencia permisiva y sin datos de química para ajustarlo finamente es un modelo para el que hay que construir un conjunto de datos; un modelo de 120B que viene con 50.000 preguntas de química anotadas es un modelo que se puede adaptar en una semana. Esa es la diferencia que aporta el paquete.

Las recetas son la segunda pieza. NVIDIA publicó recetas de posentrenamiento para la adaptación al dominio y documentación para incorporar el modelo en flujos de trabajo de agentes que leen información científica, escriben código e invocan herramientas aceleradas por CUDA-X. Para cualquiera que haya intentado lograr que un modelo general llame correctamente a un paquete de dinámica molecular, la documentación sobre el cableado de herramientas es la parte poco glamurosa que determina si el bucle funciona siquiera.

Los despliegues son el tercero, y son evidencia en lugar de artefactos. Terray Therapeutics sometió al modelo a un post-entrenamiento con diagramas de química y recuperó alrededor del 76 % de las reacciones anotadas en RxnScribe, superando resultados publicados previamente en dos benchmarks. Lila Sciences alcanzó un 61 % de precisión en síntesis de puntos cuánticos frente al 54 % de GPT-6 Astra, con un coste de inferencia 10–20 veces menor. Therna casi duplicó la precisión de predicción del rango de expresión proteica para el diseño de ARNm, y los científicos prefirieron sus explicaciones en el 96 % de las comparaciones a ciegas. Argonne lo está integrando en StructBioReasoner; Jülich, en agentes de descubrimiento de fármacos y de ciencia; RIKEN lo sirve en RIKYU a través de la pasarela RiVault. Y KTH construyó un agente de reparación de GROMACS que reparó el 81 % de las configuraciones deliberadamente rotas en una sola ejecución nocturna en un único DGX Spark, verificado por el propio GROMACS.

A two-column scoreboard contrasting the October checkpoint with the November package across what it is, when it was announced, dataset, recipes, evidence and price: the checkpoint is the open 120B model alone with a vendor benchmark table and no rate card, while the November package adds LitmusBench v0.2 at about 50,000 questions, post-training recipes with CUDA-X tool wiring, and seven named partners and institutions.

Por qué la división en dos nombres es defendible

La lectura cínica es que NVIDIA anunció el mismo modelo dos veces. No creo que eso se sostenga, y la razón es que los dos anuncios responden a preguntas diferentes.

La pregunta de octubre fue "¿qué es este checkpoint y se puede desplegar?" La respuesta era un MoE de visión-lenguaje de 120B con una ventana de 1M de tokens, un piso de hardware que abarca desde una DGX Spark hasta un nodo GB200, y una afirmación de velocidad —5× más rápido que el siguiente mejor de su clase, según NVIDIA, aunque Artificial Analysis no incluía el modelo en el momento en que se hizo la afirmación. Eso es el lanzamiento de un modelo.

La pregunta de noviembre es «¿qué hace un grupo de química con esto el lunes?». Esa respuesta es un conjunto de datos, una receta y siete organizaciones que ya lo han hecho y han publicado cifras. Distribuir pesos no es el mismo producto que distribuir un flujo de trabajo, y esto último es lo que un grupo de investigación puede adoptar de verdad.

La evidencia más sólida para esa interpretación es la forma de los resultados de los socios. Todas y cada una de las cifras destacadas provienen de una variante post-entrenada, no del checkpoint tal como se distribuye. Terray lo adaptó con diagramas. Lila lo adaptó con comentarios de laboratorio. Therna lo adaptó con datos de diseño de mRNA. El paquete no afirma que el modelo base sea un químico; afirma que el modelo base es un punto de partida lo bastante bueno como para que un equipo de dominio pueda convertirlo en uno. Es una afirmación más modesta y más útil, y sería extraño hacerla en octubre, antes de que existiera el conjunto de datos con el que hacerla.

Lo que el paquete todavía no te da

Tres brechas, ordenadas por lo que te costaría descubrirlas por las malas.

• No hay una evaluación independiente de química. Artificial Analysis sí incluye Nemotron 3.5 Super VL: índice de inteligencia 14, 291 tokens por segundo de salida, 11,85 s hasta el primer token de respuesta, 0,20 USD por millón de entrada y 0,50 USD por millón de salida con un 75 % de descuento por caché. Es una puntuación general de terceros, y vale la pena conocerla. No es una puntuación de química. Todas las cifras científicas del lanzamiento de SC26 las produjo una parte interesada, y LitmusBench v0.2 es lo bastante nuevo como para que ningún grupo externo haya publicado un resultado sobre él.

• Sin precio de proveedor. El $0.20/$0.50 anterior es el medidor de una plataforma de terceros, no una lista de precios de NVIDIA. NVIDIA no ha publicado precios por token para NIM, lo que significa que la única vía de presupuestación con un costo conocido es el autoalojamiento.

• No hay tasa de finalización para el bucle del agente. El resultado de KTH informa que se corrigió el 81 % de los casos de prueba, que es la cifra más concreta de la publicación, pero no informa cuántas llamadas a herramientas requirió cada corrección, con qué frecuencia el bucle del agente iteró sin avanzar ni cuánto costó una tarea completada. Esas son las cifras que determinan si un agente se puede desplegar o solo es impresionante.

Cómo ejecutarlo y dónde encaja el stack circundante

El consejo de despliegue es inusualmente claro para un lanzamiento de pesos abiertos, así que tómalo al pie de la letra. La ficha especifica vLLM con TP4 o TP2, --trust-remote-code, programación asíncrona, decodificación especulativa MTP con cinco tokens de borrador y --max-num-seqs 32; o SGLang con caché KV FP8 y decodificación especulativa EAGLE en cinco pasos. El muestreo es temperatura 1.0 con top_p 0.95 para texto y 0.6 con 0.95 para visión, y el nombre del servidor en los ejemplos es nemotron-3.5-super-vl. Los límites multimodales son una imagen y un vídeo por prompt. Es una configuración que puedes copiar en lugar de derivar.

Nemotron 3.5 Super VL no está en nuestro catálogo — no lo servimos, así que la vía autoalojada es la real, y eso es algo justo que puede decir un artículo sobre un checkpoint abierto. Donde sí entra nuestra parte de la pila es en torno al modelo científico, no dentro de él. Un agente de investigación es un planificador envuelto alrededor de un checkpoint de dominio: descompone una tarea, llama al modelo de química, llama a una simulación, lee el resultado y decide qué hacer a continuación. El planificador suele ser un modelo general, y esa es la capa en la que una sola clave para más de 200 modelos a precio de lista del proveedor con 0% de margen ahorra el trabajo de integración — con conmutación por error automática, para que una ejecución nocturna de seis horas no falle en la hora cinco porque un proveedor se haya degradado. La fusión de modelos es la otra palanca que conviene conocer aquí: un panel de modelos que responden juntos a la misma pregunta de química es una forma razonable de evaluar qué protocolos merece la pena ejecutar en hardware real.

A five-row deployment card titled 'How to run Nemotron 3.5 Super VL', giving the vLLM configuration with TP4 or TP2 and MTP speculative decoding at five draft tokens, the SGLang configuration with FP8 KV cache and EAGLE at five steps, sampling temperatures of 1.0 and 0.6 with top_p 0.95, the one-image and one-video per-prompt limit, and the hardware floor of 4x H100 or 2x GB200 at BF16 or a single DGX Spark on the NVFP4 build.

Qué ver

Una primera puntuación externa de LitmusBench v0.2 es lo más útil que podría aparecer, porque es el único número de esta historia que una parte neutral puede generar. Una tabla de tarifas de NIM haría que la comparación entre alojado y autoalojado fuera aritmética en lugar de conjeturas. Y un informe de bucle de agente —tasa de finalización, presupuesto de llamadas a herramientas, coste por tarea completada— convertiría los resultados de KTH y Lila de anécdotas alentadoras en algo sobre lo que un grupo pueda planificar.

Hasta entonces, la versión corta: si descargaste Nemotron 3.5 Super en octubre, Nemotron for Science no lo reemplaza, lo amplía con los datos y las recetas que lo convierten en una herramienta de química. Si no lo hiciste, el paquete de noviembre es un mejor punto de entrada, porque son los mismos pesos con un kit de inicio incluido.

A screenshot of the Hugging Face model card for nvidia/NVIDIA-Nemotron-3.5-Super-VL-120B-A12B-BF16, showing the repository name, the model card header and the opening sections of the documentation.