El nuevo Nemotron 3 Ultra de Nvidia pone patas arriba la ecuación de costos de los flujos de trabajo agénticos

Nvidia apuesta a que el futuro de la infraestructura de IA se medirá por el costo total de una cadena de razonamiento de múltiples pasos, no por la latencia de una sola consulta. La compañía lanzó hoy Nemotron 3 Ultra en Ollama Cloud. Sobre el papel, el modelo parece poco notable, con 550 mil millones de parámetros. Luego llegas a la letra pequeña: solo 55 mil millones se activan por token. La tasa de esparcidad del 90% es el producto, no el recuento de parámetros.

Nemotron 3 Ultra pertenece a una nueva ola de modelos construidos para flujos de trabajo agénticos: tareas de orquestación, agentes de codificación, investigación profunda y pipelines empresariales que se ejecutan a lo largo de cientos de pasos de llamadas a herramientas. El modelo admite una ventana de contexto de 1 millón de tokens, lo suficientemente grande como para contener una base de código completa, un historial extenso de herramientas o un rastro de investigación de varios capítulos sin perder precisión.

"El costo real en la IA agéntica no es el paso único hacia adelante", dijo un analista independiente de infraestructura de IA. "Es el costo agregado de mantener un razonamiento coherente a lo largo de una larga cadena de llamadas a herramientas. Un modelo que se mantiene preciso desde el paso 1 hasta el paso 300 cambia la economía de toda la implementación."

La palanca arquitectónica es NVFP4, el formato de punto flotante de 4 bits de Nvidia, que reduce la huella de memoria y acelera la inferencia. Combinado con un mecanismo de enrutamiento que activa solo una décima parte del total de parámetros por token, Nemotron 3 Ultra afirma ofrecer un rendimiento líder en benchmarks agénticos, reduciendo los costos de inferencia hasta en un 30% en comparación con modelos abiertos de capacidad similar.

El posicionamiento competitivo de Nvidia es claro. Los gráficos de benchmarks publicados con el modelo lo sitúan en el cuadrante superior derecho de precisión frente a rendimiento, por delante de las alternativas abiertas existentes en productividad de agentes, generación de código y seguimiento de instrucciones. La compañía enfatiza que el ajuste del modelo, no su preentrenamiento, es lo que lo distingue. Nemotron 3 Ultra fue ajustado específicamente para orquestación, bucles de retroalimentación de aprendizaje por refuerzo y recuperación de contexto largo.

Disponibilidad e integraciones con herramientas

El modelo está disponible hoy a través de Ollama Cloud. Los usuarios lo invocan con un solo comando, ollama run nemotron-3-ultra:cloud, y pueden integrarlo en marcos de agentes existentes como Claude Code, Hermes Agent y OpenClaw, que lo admiten desde su lanzamiento. Nvidia promete integraciones adicionales en las próximas semanas.

El atractivo para los desarrolladores es sencillo: reemplazar un modelo más costoso por uno solo y, si los benchmarks se mantienen, obtener una precisión comparable o mejor a un costo de ejecución reducido. La ventana de contexto de 1 millón de tokens puede resultar especialmente atractiva para equipos que construyen agentes que necesitan mantener la memoria de acciones anteriores a través de llamadas API distribuidas o esquemas de bases de datos.

Implicaciones para el ecosistema de IA agéntica

Nemotron 3 Ultra llega en un momento en que la industria lidia con una tensión fundamental. Las arquitecturas agénticas requieren más tokens por tarea que las tradicionales de preguntas y respuestas, lo que incrementa las facturas en la nube. La mayoría de los esfuerzos de optimización se han centrado en la destilación de modelos o la compresión de indicaciones. Nvidia, en cambio, ofrece un modelo disperso y cuantizado de forma nativa que pretende cambiar la curva de costo por tarea desde el lado de la arquitectura.

"Si Nvidia puede cumplir con el ahorro del 30% en costos sin sacrificar la precisión en tareas agénticas reales, crea un nuevo piso para lo que es económico", dijo el fundador de una startup que trabaja en IA empresarial, quien pidió no ser identificado debido a las negociaciones en curso con proveedores de nube. "Ahora mismo, un chat de cliente que necesita cinco llamadas a herramientas en un contexto de 50,000 tokens es mucho más costoso que una respuesta simple. Esa brecha es el mayor obstáculo para la adopción."

El modelo también pone a prueba hasta dónde ha llegado la industria en la aceptación de la esparcidad como estrategia de producción. Los primeros modelos dispersos sufrían de requisitos de cómputo impredecibles, pero Nvidia afirma que el enrutamiento de Nemotron 3 Ultra es determinista por token, lo que lo hace adecuado para cargas de trabajo sensibles a la latencia.

Panorama competitivo

El modelo compite directamente con modelos densos de capacidad similar de Anthropic, OpenAI y Meta, aunque Meta también ha explorado arquitecturas de mezcla de expertos con variantes de Llama 4. La ventaja de Nvidia es su propio hardware. NVFP4 es un formato que la compañía diseña para que sus GPUs lo ejecuten de forma nativa, lo que potencialmente significa que Nemotron 3 Ultra se beneficia de optimizaciones a nivel de firmware y silicio que los competidores no pueden replicar.

Los primeros adoptantes probarán el modelo en tareas reales de múltiples pasos como codificación, extracción de datos y orquestación de herramientas que exigen tanto la retención de contexto largo como el seguimiento de instrucciones. Los benchmarks oficiales muestran a Nemotron 3 Ultra liderando entre los modelos abiertos en esos ejes, pero la validación independiente aclarará si el ahorro del 30% en costos se materializa bajo carga de producción.

Por ahora, Nvidia ha agregado una opción creíble al conjunto de herramientas de IA agéntica: una que resalta el costo total de una cadena de razonamiento en lugar del precio de una sola consulta.