Nvidia’s Nemotron 3 Nano Omni muestra cómo se construyen ahora los modelos multimodales abiertos

Un lanzamiento abierto con detalles inusualmente reveladores

El nuevo Nemotron 3 Nano Omni de Nvidia resulta notable no solo porque es un modelo multimodal, sino porque la empresa ha revelado una visión inusualmente concreta de cómo se ensambla un sistema de este tipo. Según el texto fuente proporcionado, el modelo maneja texto, imágenes, video y audio, está diseñado para aplicaciones agentivas y cuenta con autorización para uso comercial. Nvidia también está liberando los pesos del modelo junto con partes de los datos y de las canalizaciones de entrenamiento.

Esa combinación convierte el lanzamiento en algo más que otra presentación de modelo. Ofrece una mirada a los flujos de datos cada vez más híbridos y sintéticos que hay detrás de los modernos sistemas multimodales de IA, donde el entrenamiento a menudo no depende de un único corpus puro, sino de salidas en capas procedentes de muchos otros modelos.

Para qué está construido el modelo

Nemotron 3 Nano Omni se describe como un modelo multimodal de código abierto de 30.000 millones de parámetros que usa un híbrido Mamba-Transformer con enrutamiento de mixture-of-experts. Se activan unos 3.000 millones de parámetros por consulta. El modelo funciona sobre el codificador visual C-RADIOv4-H de Nvidia y el codificador de audio Parakeet-TDT, con una ventana de contexto de hasta 256.000 tokens. El inglés es el único idioma oficialmente compatible.

Nvidia dice que el sistema apunta principalmente a casos de uso agentivos. El informe proporcionado enumera entre las aplicaciones previstas el procesamiento de documentos, los agentes de uso del ordenador, el análisis de video y audio, y la interacción por voz. Ese enfoque importa porque sitúa al modelo en la categoría, en rápida expansión, de sistemas pensados no solo para responder a indicaciones, sino para operar entre interfaces y tipos de medios con contextos más largos y flujos de trabajo orientados a la acción.

En varios benchmarks citados en la fuente, el modelo supera a su predecesor y compite de cerca con Qwen3-Omni de Alibaba. Una cifra especialmente llamativa aparece en OSWorld, un benchmark para agentes de GUI, donde el informe dice que la precisión subió de 11,1 a 47,4 puntos frente a la versión anterior. Nvidia también afirma que el rendimiento, al mismo nivel de interactividad, es hasta nueve veces mayor que el de Qwen3-Omni.

La historia más importante es la receta de entrenamiento

El detalle más revelador del lanzamiento quizá sea la canalización de entrenamiento. Según el texto fuente, Nvidia procesó alrededor de 717.000 millones de tokens en siete etapas de entrenamiento, con la ventana de contexto ampliándose en cada paso. Una parte sustancial de los datos sintéticos provino de otros grandes modelos.

El artículo afirma que los subtítulos de imágenes, los pares pregunta-respuesta y las trazas de razonamiento se generaron usando modelos como Qwen3-VL-30B-A3B-Instruct, Qwen3.5-122B-A10B, Qwen2.5-VL-72B-Instruct, gpt-oss-120b de OpenAI, Kimi-K2.5, GLM-4.1V-9B-Thinking y DeepSeek-OCR. GPT-4o y Gemini 3 Flash Preview se usaron para filtrar.

Esto es importante porque deja explícita una realidad que a menudo se comenta, pero solo se documenta en parte: los modelos de última generación se entrenan cada vez más con ayuda de las salidas de sistemas rivales. Los datos sintéticos ya no son un suplemento marginal. Son un ingrediente central en el desarrollo competitivo de modelos.

Por qué esto importa para la industria de la IA

Las implicaciones van más allá de Nvidia. Si los sistemas multimodales con capacidad de frontera se están entrenando mediante interacciones en capas con otros modelos de frontera, entonces el progreso en IA se está volviendo más recursivo. Las empresas no solo están construyendo arquitecturas originales. También están curando, filtrando y destilando capacidades a través de un ecosistema de sistemas existentes.

Eso cambia el panorama competitivo de varias maneras:

• Los lanzamientos abiertos valen más cuando exponen decisiones sobre datos y canalizaciones, no solo pesos
• El desarrollo de modelos depende cada vez más del acceso a otros sistemas potentes para síntesis y filtrado
• Las mejoras de rendimiento pueden venir tanto de la orquestación de datos como de cambios puros en la arquitectura
• Los modelos abiertos utilizables comercialmente pueden acelerar el desarrollo de productos downstream en agentes y herramientas multimodales

En ese sentido, Nemotron 3 Nano Omni es tanto un producto como un evento de divulgación. Muestra cómo funciona realmente el sector cuando las empresas están dispuestas a publicar algo más que gráficos de benchmark.

La IA agentiva está guiando las decisiones de diseño

La arquitectura del modelo y el énfasis en los benchmarks también reflejan la prioridad actual del mercado en torno a los agentes. Una ventana de contexto larga, entradas multimodales y fuertes mejoras en OSWorld apuntan a un sistema pensado para comprender interfaces, documentos y medios en un flujo de trabajo más continuo.

Esto importa porque la IA agentiva impone exigencias distintas a las de un modelo solo de chat. Requiere mejor fundamentación entre información visual y textual, mayor robustez en tareas más largas y más eficiencia a velocidades interactivas. Por tanto, la afirmación de Nvidia sobre un mayor rendimiento a niveles comparables de interactividad habla directamente de una restricción de despliegue, no solo de una métrica de laboratorio.

El lanzamiento también indica que los modelos abiertos ya no se limitan a funciones multimodales estrechas o ligeras. Un sistema utilizable comercialmente, con pesos, datos de entrenamiento parciales y visibilidad de la canalización, es un bloque de construcción serio para las empresas que quieren desarrollar agentes multimodales sin depender por completo de APIs cerradas.

Una visión más clara de la siguiente fase de construcción de modelos

Nemotron 3 Nano Omni importa porque agrupa varias tendencias del sector en un solo lanzamiento: multimodalidad abierta, diseño centrado en agentes, uso intensivo de datos sintéticos y mayor transparencia sobre la pila de entrenamiento. Los resultados de benchmark atraerán atención, pero la importancia más profunda reside en la admisión de que los sistemas de IA líderes se están ensamblando ahora mediante una interacción amplia con otros sistemas líderes.

Eso no disminuye el trabajo de Nvidia. Si acaso, replantea dónde están los problemas difíciles. Construir un modelo multimodal capaz depende ahora a la vez de la arquitectura, la computación, la evaluación, el filtrado y la estrategia de datos sintéticos. El modelo es el resultado de un ecosistema, no solo de una ejecución de entrenamiento.

Para desarrolladores e investigadores, el lanzamiento ofrece tanto una herramienta útil como una instantánea más franca de la práctica del sector. Para el sector de la IA en general, refuerza una idea simple: el futuro de la IA multimodal abierta estará moldeado tanto por el diseño de la canalización y la procedencia de los datos como por el mero recuento de parámetros.

Este artículo se basa en una cobertura de The Decoder. Leer el artículo original.