Nemotron 3.5 Super VL: el modelo abierto de NVIDIA que ve video y cuánto hardware pide
Nemotron 3.5 Super VL: modelo abierto de NVIDIA de 120B (12B activos) que ve imágenes y video. Qué hace y cuánto hardware pide.
Nemotron 3.5 Super VL es un modelo abierto de NVIDIA con 120 mil millones de parámetros (12 mil millones activos por token) que entiende texto, imágenes, documentos y video, y cuya ficha en Hugging Face dice que sirve para uso comercial o no comercial. NVIDIA lo presentó el 15 de octubre de 2026. Importa porque llega con pesos, recetas de entrenamiento y datasets abiertos, pero no es el primero de su propia tabla de benchmarks: la cuenta real está en el hardware que pide.
Qué es Nemotron 3.5 Super VL y qué cambió
No es solo otro modelo de visión. Según el blog técnico de NVIDIA, es un único modelo que combina razonamiento, seguimiento de instrucciones, uso de herramientas y comprensión de texto, imágenes, documentos y video. Está destilado de Nemotron 3 Ultra y se publica con pesos, recetas de entrenamiento, entornos de aprendizaje por refuerzo y datasets abiertos, bajo la licencia OpenMDW v1.1.
Cómo funciona por dentro: 120B parámetros, solo 12B activos
Es una mezcla de expertos con una arquitectura híbrida Mamba-2/Transformer. De sus 120 mil millones de parámetros, solo 12 mil millones trabajan por cada token, es decir, el 10 %. Pero hay una trampa que casi nadie menciona: aunque calcula con el 10 %, el 100 % de los pesos tiene que estar cargado en memoria. Acepta hasta un millón de tokens de contexto, recibe texto, imágenes (JPEG y PNG) y video MP4 de hasta dos minutos, y devuelve texto.
La cuenta de hardware: cuánta memoria pide de verdad
Estas cuentas son análisis propio a partir de los datos de la ficha, no mediciones:
- BF16: 120 mil millones de parámetros por 2 bytes son unos 240 GB de pesos. La receta de la ficha usa cuatro H100 de 80 GB (320 GB) con la memoria al 85 %: 272 GB utilizables, o sea unos 32 GB de margen para contexto y video.
- 4 bits (NVFP4): 120 mil millones por medio byte son unos 60 GB. Una DGX Spark trae 128 GB de memoria unificada, así que cabe con margen.
- Velocidad teórica en DGX Spark: cada token lee unos 6 GB de pesos activos; con 273 GB/s de ancho de banda, el techo teórico ronda 45 tokens por segundo. Es un techo, no una medición.
¿Es el mejor modelo abierto? Lo que dice su propia tabla
No. En la tabla del model card, otros modelos abiertos le ganan en GPQA-Diamond, LiveCodeBench v6, SWE-bench Verified y Terminal-Bench 2.1. Por ejemplo, en Terminal-Bench 2.1 marca 66.70 frente a 85.80 de Qwen3.8-Flash-Next. Son resultados autorreportados por NVIDIA. La apuesta del modelo no es ganar esas pruebas, sino velocidad y adaptación a tareas concretas con documentos, gráficas y video.
Tres casos prácticos para empresas
- Recibos a JSON. Un despacho contable o una pyme que recibe recibos y facturas en foto puede pedir proveedor, fecha, monto e impuestos en JSON. Ramp, que hace algo similar, espera tras post-entrenar el modelo hasta 50 % más de rendimiento y 10 veces menos latencia; es una afirmación de la empresa para su flujo.
- Gráficas a datos. En CharXiv, una prueba de razonamiento sobre gráficas, NVIDIA reporta 80.8 %, contra 63 % de Nemotron 3 Nano Omni, y 84 % con intérprete de Python. Conviene darle el intérprete, no solo la imagen.
- Video corto. Clips de hasta dos minutos de una tienda o un taller: a un cuadro por segundo son 120 cuadros, dentro de los 128 que sugiere la ficha para video de 1080p. Es un caso de análisis nuestro, no un caso que NVIDIA presente.
¿Cómo aplicarlo en tu empresa?
Antes de comprar hardware, pruébalo alojado (OpenRouter, Together AI o Fireworks) con unos veinte documentos reales y mide tres cosas: exactitud, tiempo y costo por documento. Si la cuenta cuadra y tus datos no pueden salir de la empresa, entonces sí considera la versión NVFP4 en una DGX Spark o en GPU de centro de datos. Y lee el texto completo de la licencia OpenMDW antes de venderlo como servicio.
Qué se rompe en la práctica y a quién no le sirve
El razonamiento gasta el mismo presupuesto de tokens que la respuesta, la receta acepta una imagen y un video por petición y solo sale texto; el checkpoint BF16 no acepta audio. Gran parte de sus datos de post-entrenamiento es sintética y el blog no reporta evaluaciones de seguridad. No es para quien quiera correrlo en una laptop normal, para quien solo busca el mejor agente de código ni para quien procesa diez documentos al mes.
Preguntas frecuentes
¿Nemotron 3.5 Super VL es gratis y de código abierto?
Es un modelo abierto: NVIDIA publica los pesos, las recetas y los datasets, y la ficha dice que está listo para uso comercial o no comercial bajo la licencia OpenMDW v1.1. Conviene leer el texto completo de la licencia.
¿Qué hardware necesito para correr Nemotron 3.5 Super VL?
La receta de la ficha usa cuatro H100 en BF16. La variante NVFP4 está pensada para una DGX Spark o GPU de centro de datos. Los pesos a 4 bits rondan los 60 GB según nuestra cuenta.
¿Nemotron 3.5 Super VL entiende video?
Sí: acepta video MP4 de hasta dos minutos, además de imágenes y documentos, y responde con texto.
¿Es mejor que otros modelos abiertos?
En su propia tabla, otros modelos abiertos le ganan en razonamiento y código. Su ventaja declarada es la velocidad, que son cifras de NVIDIA no verificadas de forma independiente.
Conclusión
Nemotron 3.5 Super VL no es el modelo más inteligente según su ficha, pero sí un modelo abierto y adaptable para leer documentos, gráficas y video a volumen. La pregunta no es si es el mejor, sino si tu cuello de botella es justo ese trabajo. Mídelo con tus propios documentos antes de invertir en hardware.