NVIDIA y LangChain afinan Nemotron 3 Ultra para agentes

NVIDIA y LangChain han presentado una configuración específica de LangChain Deep Agents para Nemotron 3 Ultra, el modelo de lenguaje de NVIDIA orientado a tareas complejas. El anuncio importa menos por un nuevo entrenamiento del modelo que por el método: el rendimiento se ha elevado modificando las instrucciones, las herramientas y la ejecución del agente.

Según NVIDIA, esa configuración logra la mayor precisión entre los modelos abiertos en el benchmark público Deep Agents de LangChain y alcanza una paridad en tareas empresariales con los modelos cerrados mejor puntuados. La compañía también asegura un coste de inferencia por ejecución diez veces inferior al de los principales modelos cerrados.

El agente no es solo el modelo

Un agente de IA es un sistema que no se limita a responder texto: puede consultar información, usar herramientas de software, conservar contexto y encadenar pasos para completar una tarea. En esos sistemas, el modelo es una pieza importante, pero no trabaja solo.

LangChain ha centrado el ajuste en lo que denomina harness, el entorno que coordina al agente. El equipo analizó los registros de ejecución de Nemotron 3 Ultra en su conjunto de pruebas para identificar en qué pasos perdía puntuación. Después retocó las instrucciones de sistema, las descripciones de las herramientas y el software intermedio que organiza las llamadas del agente.

No hubo, de acuerdo con el anuncio, reentrenamiento ni ajuste fino de los pesos del modelo. Es una distinción relevante para las empresas: reentrenar un modelo grande exige datos, capacidad de cálculo y tiempo; mejorar la capa de orquestación puede ser más rápido y estar al alcance de equipos de producto.

El resultado tampoco debe interpretarse como que un modelo abierto haya superado de forma general a todos los modelos propietarios. Las cifras proceden del benchmark Deep Agents y miden el comportamiento dentro de ese marco de evaluación. La utilidad real dependerá de las herramientas conectadas, los datos internos, las tareas y los controles de cada organización.

Una pila abierta para desplegar y controlar

El trabajo se distribuye mediante NemoClaw para LangChain Deep Agents, un plano de referencia abierto de NVIDIA. Combina el código de Deep Agents adaptado a Nemotron 3 Ultra con OpenShell, un entorno de ejecución diseñado para que las acciones del agente se realicen con controles de seguridad.

La propuesta busca que una empresa pueda controlar las tres capas del sistema: el modelo, el mecanismo que coordina herramientas y memoria, y el entorno donde se ejecutan acciones. Eso resulta especialmente importante cuando los agentes acceden a aplicaciones corporativas, bases de datos o procesos que afectan a clientes y operaciones.

La apertura de la pila no elimina por sí misma los riesgos. Un agente puede seguir equivocándose al interpretar una instrucción, seleccionar una herramienta inadecuada o actuar con permisos excesivos. Por eso, la promesa de poder inspeccionar y modificar cada capa tiene valor si se acompaña de evaluaciones continuas, límites de acceso y revisión de acciones sensibles.

El coste decide qué agentes llegan a producción

NVIDIA sostiene que el perfil afinado permite completar más tareas con mayor rendimiento y por una décima parte del coste de inferencia de modelos cerrados líderes. Si ese ahorro se confirma en despliegues propios, puede cambiar la economía de los agentes: las compañías podrían probar más configuraciones, evaluar sus sistemas de forma recurrente y reservar modelos más caros para casos donde aporten una ventaja medible.

LangChain afirma contar con más de 200 millones de descargas mensuales de su plataforma, una escala que convierte esta integración en una vía de distribución relevante para NVIDIA. El perfil ajustado ya puede obtenerse desde LangChain, mientras que Nemotron 3 Ultra está disponible alojado en Baseten, Crusoe Cloud, DeepInfra, Fireworks, Nebius y Together AI.

La siguiente prueba no será el benchmark, sino el uso sostenido en procesos reales. Las organizaciones tendrán que medir no solo cuántas tareas completa el agente, sino cuánto cuesta supervisarlo, qué errores comete y si el control de una pila abierta compensa la responsabilidad adicional de operarla.