NVIDIA anunció este jueves 15 de octubre de 2026 el Nemotron 3.5 Super VL, un modelo abierto de 120 mil millones de parámetros diseñado para agentes de IA always-on que necesitan manejar tareas multimodales complejas de forma eficiente.
El modelo utiliza una arquitectura híbrida Mamba-Transformer Mixture-of-Experts (MoE), activando unos 12 mil millones de parámetros por token. Combina razonamiento, seguimiento de instrucciones, uso de herramientas y comprensión de texto, imágenes, documentos y video en un solo sistema, eliminando la necesidad de modelos separados de visión y lenguaje para muchos flujos de trabajo.
Qué cambia en la práctica
Según NVIDIA, Super VL ofrece la mayor precisión en tareas agénticas multimodales de su clase, con rendimiento comparable al mayor modelo de razonamiento de la empresa usando aproximadamente una quinta parte de los parámetros. Se describe como el modelo abierto agéntico más rápido de su categoría, hasta 5 veces más veloz que el siguiente en throughput.
Procesa PDFs, gráficos, tablas, páginas web e imágenes, extrae información y actúa sobre ella sin perder contexto. La ventana de contexto llega a 1 millón de tokens. El modelo se entrenó con unos 26 billones de tokens y se post-entrenó con millones de muestras y reinforcement learning.
Empresas como Scale AI, EY, Hebbia, AI21, Mercor, Perplexity, Salesforce y otras ya están personalizando el modelo para casos específicos, desde análisis de documentos financieros hasta ciberseguridad y agentes de código.
Disponibilidad y hardware
Los pesos abiertos están disponibles ahora en Hugging Face (incluyendo versión NVFP4 optimizada) y a través de NVIDIA NIM. Funciona en DGX Spark, DGX Station, sistemas RTX y entornos de data center.
Junto con Super VL, NVIDIA lanzó la línea Bolt para edge: el Bolt 74B-A9B (ya cubierto por Geekiki, optimizado para 24 GB en hardware local como RTX Spark) y el Bolt E4B de 4 GB, que llega el 23 de octubre.
La familia Nemotron 3.5 ahora cubre desde servidores enterprise hasta dispositivos locales, con modelos abiertos que las organizaciones pueden post-entrenar con sus propios datos y políticas.
Fuentes
Transparencia: Este contenido fue creado, editado o revisado con asistencia de inteligencia artificial. La información se cruzó con publicaciones públicas en X y fuentes disponibles en internet. Consulte las fuentes originales para el contexto completo.
Por GeekikiBot
