Nvidia Nemotron 3.5 Super VL ofrece una velocidad 5x mayor
Nvidia lanzó Nvidia Nemotron 3.5 Super VL el 15 de octubre de 2026, presentando un modelo abierto de inteligencia artificial de 120 mil millones de parámetros diseñado para agentes empresariales especializados. El modelo multimodal gestiona documentos visuales, páginas web y flujos de trabajo empresariales de múltiples pasos. Para los equipos corporativos, el modelo reduce los requisitos de hardware a una quinta parte del recuento de parámetros de modelos de razonamiento más grandes, al tiempo que atiende hasta 8x más usuarios con un 85% menos de latencia en Nvidia Dynamo.
Qué tareas visuales y de agentes procesa el modelo
Nvidia Nemotron 3.5 Super VL procesa reconocimiento óptico de caracteres, tablas, gráficos e información visual estructurada dentro de documentos empresariales. La arquitectura de visión y lenguaje lee páginas web, extrae texto, analiza gráficas y procesa archivos PDF complejos de forma directa. La combinación de comprensión visual y análisis de texto en un solo sistema permite a los agentes de software ejecutar flujos de trabajo sin transferir contexto entre modelos separados. Empresas de plataformas de software como Atlassian, CrowdStrike, Dassault Systèmes, Salesforce y Perplexity integran el modelo para automatizar la búsqueda mediante agentes en aplicaciones como Jira y Confluence, operaciones de ciberseguridad para equipos de simulación de ataques (blue-teaming), simulación de ingeniería y complejos flujos de trabajo gubernamentales a través de Missionforce Operations.
Rendimiento de Nemotron 3.5 Super VL frente a modelos frontera en pruebas de referencia
En la clasificación del Artificial Analysis Intelligence Index, el modelo logra un rendimiento hasta 5x más rápido que otros sistemas de su categoría. En las pruebas de rendimiento del benchmark de Nemotron 3.5 Super VL, el modelo abierto de 120 mil millones de parámetros ofrece una precisión en seguimiento de instrucciones, uso de herramientas, comprensión visual y flujos de trabajo empresariales de múltiples pasos comparable al modelo de razonamiento más grande de Nvidia con aproximadamente una quinta parte de sus parámetros. Junto al modelo insignia se lanzaron dos versiones para edge: Nemotron 3.5 Bolt 74B-A9B 24GB para tareas locales de agentes, que ocupa el puesto #1 como modelo abierto en su categoría en PinchBench y el #2 en BrowseComp, y Nemotron 3.5 Bolt E4B 4GB para interfaces conversacionales rápidas, disponible el 23 de octubre de 2026.
Cómo postentrenan y personalizan los pesos abiertos los equipos empresariales
Las organizaciones pueden postentrenar los pesos abiertos con conjuntos de datos propietarios, herramientas corporativas, políticas internas y flujos de trabajo personalizados mediante los flujos de trabajo de Nvidia NeMo. El preentrenamiento y el preentrenamiento continuo abarcaron aproximadamente 26 billones de tokens, seguidos de un postentrenamiento en 3.8 millones de muestras y aprendizaje por refuerzo en entornos NeMo Gym. Los conjuntos de datos abiertos que cubren uso de herramientas, finanzas, seguimiento de instrucciones, contexto largo, equidad y comprensión de visión y lenguaje se publicaron en Hugging Face como recursos de Nemotron 3.5 Super VL Hugging Face. Scale AI personalizó la arquitectura para el agente de financiamiento de crédito a proveedores de Skydance y el agente de debida diligencia en fusiones y adquisiciones de EY. TrainLoop postentrenó el modelo con datos de dermatología de Nolla, la cual se convirtió en la primera empresa aprobada para que una IA redacte prescripciones iniciales de pacientes.
Adopción del ecosistema en finanzas, ciberseguridad y descubrimiento
Docenas de organizaciones de diversos sectores están afinando la arquitectura abierta para despliegues especializados. AfterQuery personalizó el modelo para que Hebbia realice análisis de contratos de crédito, mientras que AI21 y Alice lo postentrenaron para la resiliencia ante ataques de ciberseguridad. Mercor afinó el modelo en la prueba de referencia de programación APEX-SWE para agentes que planifican, escriben y depuran código. ModelScope habilita el ajuste fino mediante su marco ms-swift. Entre otras organizaciones que personalizan el modelo se encuentran Ramp para inteligencia de documentos financieros, Dream para investigación de ciberseguridad en IA soberana, Lila Sciences para descubrimiento científico y R1 para análisis de reclamaciones médicas y gestión del ciclo de ingresos.
Opciones de hardware local y cómo ejecutar Nemotron 3.5 localmente
Ejecutar la familia de modelos de forma local depende del nivel de despliegue en centros de datos, estaciones de trabajo de escritorio y dispositivos edge. Los desarrolladores que buscan cómo ejecutar Nemotron 3.5 localmente pueden desplegar Nemotron 3.5 Bolt 74B-A9B en DGX Spark, DGX Station, estaciones de trabajo RTX PRO, PC GeForce RTX y laptops a partir del 16 de octubre de 2026. El modelo Bolt 74B-A9B utiliza cuantización nativa de 2 bits para ajustarse a 24GB de memoria, lo que permite admitir entornos de agentes locales como llama.cpp, Ollama, LM Studio, Unsloth, Canonical y vLLM sin enviar cargas de trabajo a la nube. El modelo insignia 120B Super VL se ejecuta localmente en sistemas DGX Station y RTX PRO, en Jetson en el edge, o como un microservicio empaquetado con Nvidia NIM.
Qué cambia para tiendas en línea y empresas
Para los despliegues empresariales, la suite de modelos ofrece opciones abiertas optimizadas en todos los niveles de infraestructura sin obligar a elegir entre capacidad y facilidad de despliegue. Ejecutar Nvidia Nemotron 3.5 Super VL en Nvidia Dynamo permite a los entornos empresariales atender hasta 8x más usuarios reduciendo la latencia operativa en un 85%. Las organizaciones obtienen un control total sobre la residencia de datos y la privacidad al mantener los modelos y los datos completamente en sus instalaciones, lo que evita restricciones de API de terceros al tiempo que ejecutan tareas repetitivas de automatización, como escanear reclamaciones de seguros en busca de fraudes o verificar puntuaciones crediticias frente a criterios internos de concesión de préstamos.
Preguntas y respuestas
¿Para qué se utiliza Nvidia Nemotron 3.5 Super VL?
El modelo impulsa agentes empresariales especializados que realizan procesamiento de documentos visuales, reconocimiento óptico de caracteres, análisis de tablas y gráficos, navegación web, flujos de trabajo empresariales de múltiples pasos y uso de herramientas en sistemas de software empresarial.
¿Cómo se compara Nemotron 3.5 Super VL con los modelos frontera propietarios?
Ofrece una precisión de nivel frontera comparable al modelo de razonamiento propietario más grande de Nvidia con aproximadamente una quinta parte del recuento de parámetros, al tiempo que logra un rendimiento hasta 5x más rápido en las pruebas de referencia de su categoría con pesos abiertos, conjuntos de datos abiertos y control total de despliegue local.
¿Pueden los equipos empresariales postentrenar Nemotron 3.5 Super VL con datos personalizados?
Sí, los equipos empresariales pueden postentrenar el modelo con datos propietarios, políticas corporativas y flujos de trabajo especializados utilizando pesos abiertos, recetas de entrenamiento, conjuntos de datos abiertos publicados en Hugging Face y flujos de trabajo de Nvidia NeMo en Python.
La visión de MOZGII
Cómo lo construiríamos
Para procesar flujos de trabajo de varios pasos con documentos visuales de manera local, combinaríamos el modelo abierto de 120 mil millones de parámetros con un analizador de archivos local y un almacenamiento vectorial seguro. El modelo lee archivos PDF, tablas y páginas web sin enviar archivos internos a API externas en la nube. Conectaríamos el modelo directamente a las bases de datos internas mediante interfaces de software estándar. Revisores humanos verificarían los campos extraídos antes de que cualquier acción actualice libros contables o registros gubernamentales.
El sistema falla cuando los cambios de formato causan un análisis incorrecto de las tablas o cuando las tareas de varios pasos pierden el contexto en rutas de ejecución largas. Exigiríamos una validación estricta de esquemas en cada campo de datos extraído antes de ejecutar las herramientas secundarias. Especialistas del área auditarían las discrepancias detectadas entre las tablas visuales analizadas y los archivos de origen. La métrica clave a monitorear es el rendimiento de tareas de extremo a extremo por nodo de servidor.
Luego, construiríamos flujos automatizados de ajuste fino para actualizar los pesos posentrenados a medida que cambien las interfaces de software internas. También añadiríamos rutinas de despliegue periférico usando modelos cuantizados más pequeños para agentes de escritorio sin conexión.
Fuentes
De dónde salen los datos de esta nota.