
Nemotron-Labs-Sigma-distill-8B-nfe4 llegó sin anuncio y con cinco descargas
- GoogleNUEVOGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 por 1M de tokens · 90 tok/s
- AnthropicNUEVOAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 por 1M de tokens · 97 tok/s
- orcaNUEVOOrca: OrcaC2 1.02026-11-0717 tok/s
- OrcaNUEVOOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 por 1M de tokens · 88 tok/s
- OrcaNUEVOOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 por 1M de tokens · 133 tok/s
- OrcaNUEVOOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 por 1M de tokens · 72 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 por 1M de tokens · 127 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 por 1M de tokens · 65 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 92 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Inteligencia
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 por 1M de tokens · 193 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Inteligencia
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 por 1M de tokens · 146 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Inteligencia
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Inteligencia
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 por 1M de tokens · 124 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955Inteligencia
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855Inteligencia
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 por 1M de tokens · 218 tok/s
Hugging Face contabilizaba cinco descargas de nvidia/Nemotron-Labs-Sigma-distill-8B-nfe4 en los últimos treinta días, y cero «me gusta», cuando se escribió este artículo el 17 de noviembre de 2026. Esa es toda la acogida que ha tenido hasta ahora un modelo de lenguaje de 8.000 millones de parámetros que NVIDIA publicó seis días antes. No hubo entrada de blog, ni ficha en build.nvidia.com, ni hilo de lanzamiento, ni tabla de benchmarks en un comunicado de prensa. La propia tarjeta del checkpoint fecha la publicación el 11/12/2026; el primer commit del repositorio es del 9 de noviembre a las 05:47 UTC, y la última edición que recibió fue el 16 de noviembre, en la que se reescribió la conversión para preservar los tensores de geometría fp32. Todo lo que sigue se extrae de ese repositorio, sus archivos de configuración y el informe técnico que cita, y las partes que no están confirmadas se señalan como tales en lugar de rellenarse.
El repositorio es la única fuente primaria, y es inusualmente explícito.
La mayoría de los lanzamientos discretos dejan una tarjeta mínima. Este no. Incluye un archivo de procedencia, un manifiesto de integridad del checkpoint con un SHA-256, un hash de integridad para el tokenizador, cuatro subtarjetas de Model Card++ y una configuración de generación que fija el muestreador. Ese nivel de registro es lo que se obtiene cuando un modelo ha pasado por un proceso de lanzamiento interno y luego simplemente no se ha anunciado: los artefactos que resumiría una publicación de lanzamiento están todos presentes, salvo la publicación.
El artículo que lo respalda es real y está fechado: arXiv:2610.02665, Modelos de difusión continua para lenguaje a gran escala, un artículo de NVIDIA con diecisiete autores cuya v2 se publicó el 12 de noviembre, el mismo día en que la ficha afirma que se publicaron los pesos. El artículo describe Nemotron-Labs-Sigma como la primera familia de modelos de lenguaje de difusión continua a gran escala, en versiones de 3B y 8B. La sección de evaluación de la ficha atribuye sus cifras a "las estadísticas verificadas de diez semillas y seis tareas del traspaso del lanzamiento restringido del 10 de noviembre" — una frase que revela que el archivo estuvo circulando en privado durante al menos dos días antes de que se activaran los repositorios públicos.

¿Qué hay realmente en el checkpoint?
Si quitamos la prosa, la hoja de especificaciones es corta. Cada línea de abajo proviene de config.json, generation_config.json o de la tarjeta:
• Backbone: un transformer de solo decodificador al estilo Ministral: 34 capas, tamaño oculto de 4.096, FFN de 14.336, 32 cabezas de consulta y 8 cabezas de clave-valor con dimensión de cabeza de 128, SwiGLU, RoPE con un bloque de escalado YaRN en la configuración.
• Cabeza de generación — una cabeza de difusión de embedding de tokens continuo de 16 dimensiones, con la cabeza de lectura autorregresiva auxiliar conservada en el checkpoint en lugar de podada.
• Recuento de parámetros — 8.0B según la denominación de la tarjeta, 9.03B según el censo de safetensors (9,026,818,048 tensores BF16 más 2,097,186 F32), 18.06 GB en cuatro fragmentos. La diferencia entre ambos números es la cabeza auxiliar.
• Contrato de decodificación: bloques de 32 tokens, exactamente 4 evaluaciones de la función de eliminación de ruido más una lectura, por lo que 5 llamadas al eliminador de ruido por bloque, lo que equivale a 6,4 tokens generados por pasada hacia adelante.
• Muestreador — la ruta nativa fresh_x0 con autocondicionamiento arrastrado entre pasos, guía sin clasificador fijada en 1, temperatura de puntuación fijada en 1.
• Contexto — 4.096 tokens para el prompt más la generación. Solo inglés. Sin parada por EOS de ID de token; se detiene en cadenas o en un presupuesto de tokens.
• Entorno de ejecución — PyTorch 2.4 o superior, Transformers 4.55 o superior, trust_remote_code, una GPU CUDA en bfloat16. La CPU no es compatible, y se indica explícitamente; la tarjeta da el motivo: el muestreador se degrada numéricamente en CPU y produce resultados inutilizables.
• Licencia — la NVIDIA Nemotron Open Model License, que, según la ficha, permite el uso comercial y no comercial. La ficha también indica, en la sección de casos de uso, que el modelo se ejecuta sin conexión en su hardware y que NVIDIA no aloja ningún servicio.
Esa última línea es importante para cualquiera que haya supuesto que existe un endpoint de Sigma en algún lugar. No es así. No hay ninguna entrada de Nemotron-Labs-Sigma en build.nvidia.com, y el modelo está ausente del catálogo de OrcaRouter junto con el resto de la línea Nemotron, así que hoy no hay nada que llamar, solo algo que descargar.
Cuatro puntos de control, cuatro modelos diferentes
La forma de nombrarlas hace que las variantes parezcan un solo modelo con cuatro configuraciones. No lo son: cada valor de NFE es un estudiante destilado por separado, y la ficha del modelo dice sin rodeos que el número de pasos está fijado de antemano. «Esta variante está entrenada solo para NFE=4, y el código de inferencia incluido intencionalmente no expone una anulación arbitraria del número de pasos», porque otros números de pasos evaluarían puntos finales de fase sobre los que el estudiante nunca fue entrenado. Así que no reduces nfe4 a dos pasos en inferencia; descargas nfe2.
Las medias publicadas de las seis tareas, todas con diez semillas y dos errores estándar, hacen que el equilibrio sea legible por primera vez en esta familia:
• NFE 2 — GSM8K 80,17, MATH 55,72, HumanEval 48,17, MBPP 37,52; media de las seis tareas 53,02. 3 llamadas al desruidificador por bloque, 10,7 tokens por llamada.
• NFE 4 — GSM8K 86.86, MATH 61.52, HumanEval 60.61, MBPP 57.50; media de seis tareas 66.36. 5 llamadas por bloque, 6,4 tokens por llamada.
• NFE 8 — GSM8K 88,44, MATH 64,40, HumanEval 65,18, MBPP 62,60; media de las seis tareas 70,34. 9 llamadas por bloque, 3,6 tokens por llamada.
• NFE 16 — GSM8K 89.61, HumanEval 67.68, MBPP 66.20, media de tres tareas 74.50. 17 llamadas por bloque, 1.9 tokens por llamada. Y una salvedad que las otras tres no tienen: este checkpoint está marcado como pending_ten_seed_six_task_validation, sus cifras son una sola ejecución con seed 42 en tres tareas, y la ficha indica que deben tratarse como provisionales y no directamente comparables.
La forma de esa escalera es lo interesante. Duplicar los pasos de 2 a 4 aporta 13,3 puntos de media en las seis tareas. Volver a duplicar a 8 aporta 4,0. Pasar a 16 aporta otros ~4 en las tres tareas que se ejecutaron, procedentes de una evaluación distinta y más débil. En otras palabras, la curva de destilación se aplana con fuerza justo donde el modelo se vuelve competitivo, y el checkpoint nfe4 queda justo después del codo.

De dónde vienen los números y dónde se detienen
Todas las cifras anteriores son de NVIDIA, producidas por NVIDIA, con el propio harness de evaluación de NVIDIA, y reportadas con un número de semillas que las hace parecer más independientes de lo que son. Diez semillas con dos errores estándar es un protocolo serio: te indica que la puntuación de 60,61 en HumanEval con nfe4 tiene un intervalo de ±1,43, lo bastante amplio como para que no debas interpretar como real una diferencia de dos puntos frente a cualquier cosa. Pero diez semillas del mismo harness no son diez laboratorios.
Lo que no existe a fecha de 17 de noviembre: una página de Artificial Analysis para cualquier modelo Sigma, ninguna entrada en un catálogo público de precios de modelos, ningún soporte de vLLM ni de SGLang, y ninguna reproducción de terceros. La comprobación es rápida y el resultado está vacío. El registro de modelos de vLLM en main no tiene ninguna arquitectura nemotron_labs_sigma; las pull requests de SGLang que mencionan la difusión de Nemotron son para el linaje más antiguo Nemotron-Labs-Diffusion-8B y siguen abiertas. Transformers no tiene un módulo nemotron_labs_sigma nativo, por lo que la tarjeta te indica que cargues con trust_remote_code e incluyas el archivo de modelado de 40 KB del repositorio junto con los pesos.
El estado honesto es: un checkpoint publicado con un protocolo de evaluación publicado y cero verificación externa. Ese es el estado normal de un modelo de lenguaje de difusión en noviembre de 2026, y no es una crítica al modelo: es una descripción de cuánto de la ficha puedes usar para planificar.
Ejecutarlo es un script de Python, no una pila de servicio
El inicio rápido de la tarjeta consta de once líneas: cargar el tokenizador y el modelo con código remoto, convertir a bfloat16, llamar a generate con un número máximo de tokens y cadenas de parada opcionales, y leer el recuento de NFE que reporta el modelo. En este repositorio no hay plantilla de chat, ni prompt de sistema, ni llamada a herramientas, ni modo JSON — la tarjeta dice claramente que se trata de prompting estilo benchmark y que el modelo es el estudiante destilado de un checkpoint base, no un asistente. Si quieres conversación, la colección incluye una variante instruct del modelo padre con 8.192 tokens de contexto.
Dos detalles operativos harán tropezar a cualquiera que lea por encima. Primero, la detención: no existe una parada EOS por ID de token, así que una solicitud que nunca produzca tu cadena de parada se ejecutará hasta agotar el presupuesto de tokens, y el presupuesto se comparte con el prompt dentro de una ventana de 4096 tokens. Segundo, la memoria: 18 GB de pesos bfloat16 antes de cualquier caché KV, en un modelo cuyo único camino compatible es el código eager de PyTorch del propio repositorio; no hay atención paginada, ni batching continuo, ni compilación cuantizada en la colección. Una sola solicitud en una GPU es la configuración compatible hoy.
El rendimiento es la cifra que la gente querrá y la tarjeta no la proporciona para este checkpoint. La tarjeta del modelo original informa aproximadamente 120–140 tokens por segundo para 256 tokens generados en una sola H100 usando el muestreador DDPM a 32 pasos por bloque de 64 tokens. El nfe4 destilado realiza 5 llamadas por cada 32 tokens en lugar de 33 llamadas por cada 64, lo que según el recuento de llamadas supone un poco más de cuatro veces menos pasadas hacia adelante por token; pero eso es aritmética sobre recuentos de pasos, no una medición de este checkpoint, y la tarjeta no publica ninguna cifra de tokens por segundo para él.
Lo que no está confirmado
Tres cosas que una publicación de lanzamiento habría resuelto, y que esta versión no resuelve:
• Si NVIDIA lo concibe como un producto o como un artefacto de investigación. La licencia permite el uso comercial y la ficha está redactada en lenguaje de producto, pero no hay ningún endpoint alojado, ninguna declaración de soporte y ninguna mención en ninguna publicación del blog de NVIDIA hasta el 16 de noviembre.
• Cuánto vale el maestro. La tarjeta indica que el estudiante se destiló de un maestro «MS-SUSReg-8B» de la misma familia de arquitecturas, y el archivo de procedencia nombra la ejecución 8b_ms_susreg_n4_20261109 en el paso 1200 del estudiante. La base Nemotron-Labs-Sigma-8B publicada se describe como del mismo linaje, pero la tarjeta de la base no publica ninguna cifra, solo una referencia al artículo, por lo que la pérdida de destilación no puede deducirse comparando ambas tarjetas en paralelo.

• Si el checkpoint nfe16 es el mejor de la familia o un artefacto de una evaluación sin terminar. Sus cifras son las más altas de la ficha y las menos fiables, y la propia ficha lo dice, lo que supone más franqueza de la que logran la mayoría de las notas de versión.
Por qué el lanzamiento discreto es la noticia
NVIDIA ha lanzado muchas cosas este otoño — Bolt, Super VL, Transcribe, la línea Dory, todos con entradas de blog y páginas de build.nvidia.com. Sigma llega sin nada de eso, desde la misma organización, con un artículo, una licencia, cuatro subfichas de Model Card++ y un contador de cinco descargas. La lectura más probable es que se trata de un lanzamiento de investigación deliberadamente mantenido fuera de la superficie de producto: el uso previsto de la ficha es «investigación en generación sensible a la latencia, estudios de decodificación especulativa y en paralelo», que es el lenguaje de un artefacto de laboratorio.
Para un lector que esté decidiendo si esto le debe importar, la pregunta práctica no es si el modelo es bueno en abstracto, sino si un LM de difusión continua de 4 NFE, con contexto de 4K y sin stack de serving, supera al modelo autorregresivo que ya está en tu pipeline. Responder eso exige ejecutarlo, y la aritmética que hace que valga la pena la hora de GPU es sencilla: 6,4 tokens por pasada forward, frente a uno de un decodificador estándar. Si eso sobrevive al contacto con tu carga de trabajo es justamente lo que te habría dicho el benchmark independiente que falta.
OrcaRouter no sirve este checkpoint, y no aparecerá con un precio por token hasta que alguien cree una ruta de servicio para una arquitectura de difusión por bloques con un número fijo de pasos; el modelo de costes no se corresponde con los tokens de entrada y salida como lo hace una API autorregresiva. Lo que sí está disponible en OrcaRouter es el conjunto de comparación: más de 200 modelos autorregresivos detrás de una sola clave a precio de lista del proveedor sin recargo, así que la cuestión de Sigma puede responderse frente a una línea base real y no frente a una ficha. Enrutar ambos a través de un único endpoint también es la forma más económica de mantener el experimento fuera de tu ruta de producción mientras decides.
