Huang Renxun quer fincar uma bandeira no mercado de modelos abertos
Enquanto muitos pensavam que a NVIDIA só vendia GPUs, a empresa lançou silenciosamente toda a série Nemotron 3 – não apenas os pesos dos modelos, mas todo o conjunto de dados de pré-treinamento de 3 trilhões de tokens, pipelines de aprendizado por reforço e ferramentas de avaliação como código aberto.
O sinal desse movimento é claro: a NVIDIA não quer ser apenas a vendedora de pás, quer ocupar uma posição no ecossistema de IA de código aberto.
Três tamanhos, todos com arquitetura MoE
A série Nemotron 3 utiliza a arquitetura MoE Latente Híbrida (Hybrid Latent MoE), com três versões:
| Modelo | Parâmetros totais | Parâmetros ativados por vez | Status |
|---|---|---|---|
| Nano | 30 bilhões | Cerca de 3 bilhões | Lançado |
| Super | Cerca de 100 bilhões | Cerca de 10 bilhões | Primeiro semestre de 2026 |
| Ultra | Cerca de 500 bilhões | Cerca de 50 bilhões | Primeiro semestre de 2026 |
A vantagem central do MoE é: grande escala de parâmetros, mas a cada inferência apenas uma pequena parte é ativada, então o custo computacional real pode ser controlado. DeepSeek V3 e Llama 4 estão usando a mesma abordagem, e agora a NVIDIA também seguiu esse caminho.
Os dados de benchmark do Nano são interessantes
Para a versão Nano já lançada, os dados oficiais indicam:
- Velocidade de inferência 4 vezes maior que a geração anterior
- Redução de 60% na geração de tokens de inferência (capaz de chegar a conclusões com menos etapas intermediárias)
- Janela de contexto de 1 milhão de tokens
A avaliação da organização de testes independente Artificial Analysis é: "O modelo mais aberto e eficiente em sua classe de tamanho, também líder em precisão".
Essa direção de "inferência eficiente" é semelhante à abordagem de atenção esparsa do DeepSeek V3.2 – a tendência geral é reduzir a carga computacional sem sacrificar a qualidade.
Cadeia de ferramentas totalmente aberta
A NVIDIA também lançou como código aberto um conjunto de ferramentas complementares:
- NeMo Gym: Framework de treinamento de aprendizado por reforço para agentes
- NeMo RL: Biblioteca de pipelines de aprendizado por reforço
- NeMo Evaluator: Ferramenta de avaliação
Os pesos dos modelos, dados de treinamento e cadeia de ferramentas estão todos disponíveis no Hugging Face e no GitHub, com licença totalmente aberta. Qualquer pessoa pode baixar, ajustar e implantar.
Por que a NVIDIA está fazendo isso
Existem algumas lógicas possíveis:
Software vincula hardware. Quem usa a cadeia de ferramentas de modelos abertos da NVIDIA provavelmente usará GPUs da NVIDIA para executar. Isso segue a mesma lógica do CUDA de antigamente: usar o ecossistema para prender a infraestrutura de computação.
Proteção contra pressão competitiva de código aberto. Modelos de código aberto como DeepSeek, Llama 4 e Qwen estão cada vez mais fortes. Se a NVIDIA atuar apenas na camada de hardware, sua influência no ecossistema de IA será diluída. Fazer modelos de código aberto significa entrar diretamente no jogo.
Pacotes de vendas empresariais. Muitas grandes empresas compram GPUs da NVIDIA com pacotes de serviços. A integração de modelos abertos confiáveis é um diferencial e também parte do material de vendas.
Claro, código aberto também é um custo para a NVIDIA. Mas, dada a atual capacidade financeira da empresa, isso não é um problema.
O que vale a pena esperar: Super e Ultra
A versão Nano atualmente lançada tem escala relativamente modesta. O que realmente é empolgante são o Super (100 bilhões de parâmetros) e o Ultra (500 bilhões de parâmetros) no primeiro semestre de 2026 – se os benchmarks do Nemotron 3 Ultra forem bons o suficiente, isso não será apenas "a NVIDIA também faz modelos", mas um concorrente real no ranking de modelos abertos.
Fonte de referência: CocoLoop, NVIDIA Debuts Nemotron 3 Family of Open Models (NVIDIA Newsroom)