Nvidia abre Nemotron 3, su familia de modelos para agentes de IA

Nvidia ha presentado Nemotron 3, una nueva familia de modelos de lenguaje abiertos diseñada para construir sistemas de IA con varios agentes que colaboran entre sí. El primer modelo, Nemotron 3 Nano, ya puede descargarse y ejecutarse; las versiones Super y Ultra, de mayor tamaño, llegarán durante el primer semestre de 2026.

El anuncio importa porque Nvidia no se limita ya a vender los chips sobre los que se entrenan y ejecutan los modelos. Con Nemotron, la compañía quiere ofrecer también una base de software y datos para quienes desarrollen asistentes, automatizaciones y agentes especializados dentro de las empresas.

Un modelo de 30.000 millones que no activa todo a la vez

Nemotron 3 Nano tiene 30.000 millones de parámetros, los valores internos que un modelo aprende durante su entrenamiento. Pero solo activa hasta 3.000 millones para procesar cada token, la pequeña unidad de texto con la que trabajan estos sistemas.

Esa diferencia se debe a una arquitectura de mezcla de expertos, o MoE por sus siglas en inglés. En vez de movilizar toda la red neuronal para cada pregunta, el modelo selecciona los componentes más adecuados para la tarea. El objetivo es mantener capacidad de razonamiento sin pagar el coste computacional de un modelo denso de 30.000 millones de parámetros en cada respuesta.

Nvidia denomina a su diseño una arquitectura híbrida de mezcla de expertos y asegura que Nano alcanza hasta cuatro veces más rendimiento de tokens que Nemotron 2 Nano. También afirma que reduce hasta un 60% los tokens generados durante el razonamiento, una cifra relevante porque esos pasos internos suelen elevar tanto la latencia como la factura de inferencia: el coste de usar un modelo ya entrenado.

El modelo incorpora una ventana de contexto de un millón de tokens. En términos prácticos, puede manejar colecciones extensas de documentos, historiales largos o instrucciones detalladas sin perder tan pronto la información inicial. Eso no garantiza por sí solo que sus respuestas sean correctas, pero sí amplía la cantidad de material que puede considerar en una tarea.

Artificial Analysis, organización independiente que compara modelos, ha situado a Nemotron 3 Nano entre los modelos abiertos más eficientes de tamaño comparable y con una precisión destacada.

De un chatbot a un equipo de agentes

Nvidia enfoca Nemotron 3 en una tendencia que está ganando espacio en las empresas: sustituir el asistente único por un conjunto de agentes. En ese esquema, uno puede buscar información, otro redactar código, un tercero revisar resultados y otro decidir qué tarea va después.

La idea tiene ventajas para procesos complejos, pero añade problemas propios. Los agentes deben intercambiar información, mantener el contexto y evitar repetir trabajo. Si cada paso recurre a un modelo grande y caro, el sistema puede resultar lento o difícil de sostener económicamente.

Nemotron 3 Nano está pensado para funciones como resumir contenidos, recuperar información, asistir en flujos de trabajo y depurar software. La estrategia de Nvidia es que los desarrolladores reserven los modelos propietarios de frontera para las tareas que realmente los necesiten y usen modelos abiertos, ajustables y más baratos para el resto.

Es un enfoque pragmático: el futuro inmediato de los agentes empresariales no parece una elección absoluta entre modelos abiertos o cerrados, sino sistemas que enrutan cada tarea al modelo más adecuado.

Super y Ultra elevan la apuesta para 2026

La familia tendrá dos escalones superiores. Nemotron 3 Super contará con unos 100.000 millones de parámetros y activará hasta 10.000 millones por token. Nemotron 3 Ultra alcanzará aproximadamente 500.000 millones, con hasta 50.000 millones activos por token, y se destinará a tareas de razonamiento, investigación y planificación más exigentes.

Ambos modelos emplearán el formato numérico NVFP4 de 4 bits sobre la arquitectura Blackwell de Nvidia. Trabajar con menor precisión numérica reduce la memoria necesaria para entrenar y ejecutar modelos, aunque exige técnicas cuidadosas para que la pérdida de precisión no degrade sus resultados.

Por ahora, el producto real es Nano. Super y Ultra marcan la hoja de ruta y deben medirse cuando estén disponibles, no solo por su tamaño, sino por su comportamiento en tareas reales, sus requisitos de hardware y la facilidad para ajustarlos a datos propios.

Modelos, datos y herramientas en el mismo paquete

Nvidia acompaña el lanzamiento con tres billones de tokens de datos para preentrenamiento, ajuste posterior y aprendizaje por refuerzo. Este último método entrena al modelo a partir de recompensas por completar bien una tarea, y es especialmente útil para mejorar su capacidad de seguir procesos de varios pasos.

La compañía también ha publicado las bibliotecas NeMo Gym y NeMo RL para crear entornos de entrenamiento, además de NeMo Evaluator para comprobar rendimiento y seguridad. Los recursos están disponibles en GitHub y Hugging Face, junto con un conjunto de datos centrado en evaluar la seguridad de sistemas de agentes.

Nano es compatible con herramientas populares para ejecutar modelos localmente o en servidores, como LM Studio, llama.cpp, SGLang y vLLM. También se ofrecerá mediante proveedores de inferencia y como microservicio Nvidia NIM para despliegues sobre infraestructura acelerada de la compañía.

El movimiento refuerza una ambición clara: que elegir hardware Nvidia facilite también elegir sus modelos, sus herramientas de entrenamiento y su infraestructura de producción. Para desarrolladores y empresas, la parte valiosa será comprobar si ese ecosistema abierto ofrece una alternativa con suficiente rendimiento, control y coste predecible frente a los modelos cerrados que hoy dominan muchas aplicaciones de agentes.