Huang Renxun quiere plantar una bandera en el mercado de modelos abiertos
Mientras muchos pensaban que NVIDIA solo vendía GPU, la empresa lanzó silenciosamente toda la serie Nemotron 3 – no solo los pesos del modelo, sino todo el conjunto de datos de preentrenamiento de 3 billones de tokens, los pipelines de aprendizaje por refuerzo y las herramientas de evaluación como código abierto.
La señal de este movimiento es clara: NVIDIA no quiere ser solo la vendedora de palas, quiere ocupar un lugar en el ecosistema de IA de código abierto.
Tres tamaños, todos con arquitectura MoE
La serie Nemotron 3 utiliza la arquitectura MoE Latente Híbrida (Hybrid Latent MoE), con tres versiones:
| Modelo | Parámetros totales | Parámetros activados por vez | Estado |
|---|---|---|---|
| Nano | 30 mil millones | Aprox. 3 mil millones | Publicado |
| Super | Aprox. 100 mil millones | Aprox. 10 mil millones | Primer semestre de 2026 |
| Ultra | Aprox. 500 mil millones | Aprox. 50 mil millones | Primer semestre de 2026 |
La ventaja central de MoE es: gran escala de parámetros, pero en cada inferencia solo se activa una pequeña parte, por lo que el costo computacional real se puede controlar. DeepSeek V3 y Llama 4 están usando el mismo enfoque, y ahora NVIDIA se ha sumado.
Los datos de benchmark de Nano son interesantes
Para la versión Nano ya publicada, los datos oficiales indican:
- Velocidad de inferencia 4 veces mayor que la generación anterior
- Reducción del 60 % en la generación de tokens de inferencia (capaz de llegar a conclusiones con menos pasos intermedios)
- Ventana de contexto de 1 millón de tokens
La evaluación de la organización de pruebas independiente Artificial Analysis es: "El modelo más abierto y eficiente en su clase de tamaño, también líder en precisión".
Esta dirección de "inferencia eficiente" es similar al enfoque de atención dispersa de DeepSeek V3.2 – la tendencia general es reducir la carga computacional sin sacrificar la calidad.
Cadena de herramientas completamente abierta
NVIDIA también ha lanzado como código abierto un conjunto de herramientas complementarias:
- NeMo Gym: Framework de entrenamiento de aprendizaje por refuerzo para agentes
- NeMo RL: Biblioteca de pipelines de aprendizaje por refuerzo
- NeMo Evaluator: Herramienta de evaluación
Los pesos del modelo, los datos de entrenamiento y la cadena de herramientas están todos disponibles en Hugging Face y GitHub, con licencia completamente abierta. Cualquier persona puede descargarlos, ajustarlos e implementarlos.
Por qué NVIDIA está haciendo esto
Existen varias lógicas posibles:
El software vincula al hardware. Quien use la cadena de herramientas de modelos abiertos de NVIDIA, probablemente usará GPU de NVIDIA para ejecutarla. Esto sigue la misma lógica de CUDA en su momento: usar el ecosistema para asegurar la infraestructura de cómputo.
Protección contra la presión competitiva del código abierto. Modelos de código abierto como DeepSeek, Llama 4 y Qwen son cada vez más potentes. Si NVIDIA solo actúa en la capa de hardware, su influencia en el ecosistema de IA se diluirá. Hacer modelos de código abierto significa entrar directamente en el juego.
Paquetes de ventas empresariales. Muchas grandes empresas compran GPU de NVIDIA con paquetes de servicios. La integración de modelos abiertos confiables es un punto a favor y también parte del material de ventas.
Por supuesto, el código abierto también es un costo para NVIDIA. Pero dada la actual capacidad financiera de la empresa, esto no es un problema.
Lo que vale la pena esperar: Super y Ultra
La versión Nano actualmente publicada tiene una escala relativamente modesta. Lo que realmente es emocionante son Super (100 mil millones de parámetros) y Ultra (500 mil millones de parámetros) en el primer semestre de 2026 – si los benchmarks de Nemotron 3 Ultra son lo suficientemente buenos, esto no será simplemente "NVIDIA también hace modelos", sino un competidor real en el ranking de modelos abiertos.
Fuente de referencia: CocoLoop, NVIDIA Debuts Nemotron 3 Family of Open Models (NVIDIA Newsroom)