Nemotron 3 Embed: el modelo de NVIDIA líder en clasificación RTEB

⏱ Tiempo de lectura: 4 min

NVIDIA lanzó Nemotron 3 Embed el 15 y 16 de julio de 2026, una colección de modelos de lenguaje especializados en embeddings. El checkpoint de 8 mil millones de parámetros ocupa el primer lugar en el benchmark RTEB con una puntuación de 78.46 NDCG@10 promedio. La suite incluye además variantes de 1 mil millones optimizadas mediante pruning y destilación de conocimiento, con soporte para inputs de hasta 32.768 tokens bajo el estándar OpenMDW-1.1.

Tres modelos con estrategias de optimización distintas

La colección consta de tres checkpoints abiertos: Nemotron-3-Embed-8B-BF16, Nemotron-3-Embed-1B-BF16 y Nemotron-3-Embed-1B-NVFP4. El modelo de 8B alcanza el primer lugar en RTEB, posicionándose como referente en tareas de recuperación de información. El modelo de 1B fue generado mediante pruning automático con ModelOpt NAS combinado con destilación conjunta de pérdida coseno y error cuadrático medio desde el maestro de 8B. La variante NVFP4 retiene más del 99% de la precisión de recuperación de su contraparte BF16 y logra hasta 2 veces mayor throughput en GPUs Blackwell de NVIDIA.

Especificaciones técnicas y capacidades confirmadas

Todos los tres modelos procesan secuencias de entrada de 32.768 tokens bajo el marco de trabajo OpenMDW-1.1. El benchmark RTEB (Retrieval Text Embedding Benchmark) mide el desempeño en tareas de búsqueda semántica y recuperación densa, donde Nemotron-3-Embed-8B-BF16 logró 78.46 de puntuación NDCG@10 promedio. Los modelos están optimizados para inferencia eficiente: las variantes de 1B emplean técnicas de compresión avanzada sin sacrificar significativamente la exactitud. La familia utiliza la cuantificación NVFP4 de NVIDIA para reducir consumo de memoria y mejorar latencia en arquitectura Blackwell, logrando ganancias de throughput de hasta 2x. Acceso a los modelos disponible a través de repositorios abiertos bajo licencia NVIDIA.

Modelo	Parámetros	Formato	Puntuación RTEB
Nemotron-3-Embed-8B	8 mil millones	BF16	78.46 NDCG@10 (1.º lugar)
Nemotron-3-Embed-1B	1 mil millón	BF16	No se especifica en el texto fuente recibido
Nemotron-3-Embed-1B	1 mil millón	NVFP4 (cuantizado)	99%+ exactitud vs. BF16; hasta 2x throughput Blackwell
Rango de contexto	Todos los modelos	OpenMDW-1.1	Hasta 32.768 tokens

Por qué este dato es relevante

NVIDIA consolida su posición en embeddings abiertos con un modelo que alcanza el primer lugar en métricas estándar del sector. La estrategia de ofrecer tres variantes responde a necesidades distintas: máxima precisión para aplicaciones críticas, balance eficiencia-precisión en 1B BF16, y máxima velocidad con cuantización NVFP4. Esta diversificación facilita adopción en sistemas de recuperación, búsqueda semántica y aplicaciones de RAG (Retrieval-Augmented Generation) en diversos entornos computacionales.

Preguntas frecuentes sobre Nemotron 3 Embed

¿Cuál es la diferencia entre las variantes de 1B?

Nemotron-3-Embed-1B-BF16 mantiene precisión completa en formato de 16 bits. NVFP4 aplica cuantización de NVIDIA para reducir memoria y aumentar velocidad hasta 2x en GPUs Blackwell, reteniendo más del 99% de exactitud en recuperación.

¿Qué benchmark midió el ranking de 78.46?

El benchmark RTEB (Retrieval Text Embedding Benchmark) evaluó desempeño en tareas de recuperación semántica. La métrica NDCG@10 (Normalized Discounted Cumulative Gain) mide calidad de los primeros 10 resultados recuperados, donde Nemotron-3-Embed-8B-BF16 alcanzó 78.46 de puntuación promedio.

¿Los modelos están disponibles para descargar?

Sí, acceso a través de repositorios abiertos con licencia NVIDIA. El texto fuente no especifica plataforma exacta, pero modelos NVIDIA suelen estar disponibles en Hugging Face y repositorios oficiales de NVIDIA.

Nuestra lectura editorial

El lanzamiento refuerza el enfoque de NVIDIA en herramientas de IA abiertas y eficientes. Ofrecer un modelo que lidera métricas públicas con variantes optimizadas para diferentes escenarios de hardware y latencia responde a demanda real del ecosistema: flexibilidad de precisión según caso de uso. La compatibilidad con 32.768 tokens amplía aplicabilidad en contextos largos.

En Inteligencia Artificial vemos en este movimiento una estrategia clara: NVIDIA expande su influencia más allá del hardware mediante modelos que establecen nuevos estándares en tareas específicas, facilitando adopción en herramientas y plataformas que dependen de embeddings de calidad. ¿Será este el modelo que impulse la próxima generación de sistemas RAG en la comunidad hispanohablante?

Fuente: www.marktechpost.com