NVIDIA lanza Nemotron 3 Embed: su modelo de 8B queda primero en el benchmark RTEB
En 30 segundos
NVIDIA lanzó Nemotron 3 Embed, una colección abierta de tres modelos de embeddings (8B, 1B y 1B NVFP4) publicada el 16 de julio de 2026 bajo licencia OpenMDW-1.1. El modelo de 8.000 millones de parámetros quedó primero en RTEB, el benchmark de recuperación, con 78,46 de NDCG@10 promedio. Admite hasta 32.768 tokens y fue evaluado en 34 idiomas. Los embeddings deciden qué información recupera un agente de IA antes de responder, así que una mejor recuperación se traduce en respuestas más precisas y menos alucinaciones en sistemas RAG y en los asistentes dentro del CRM.
NVIDIA publicó Nemotron 3 Embed, una colección abierta de modelos de embeddings pensada para recuperación a escala de producción: RAG, recuperación para agentes, búsqueda de código y memoria de agentes. El anuncio se conoció el 16 y 17 de julio de 2026.
Los embeddings son la capa poco visible que decide qué fragmentos de información llega a ver un agente de IA antes de generar una respuesta. Suena técnico, pero define directamente qué tan preciso es cualquier asistente que responda sobre datos propios.
¿Qué es Nemotron 3 Embed y para qué sirve?
Es una familia de tres modelos abiertos que convierten texto en vectores para poder buscar por significado y no solo por palabras exactas. Todos admiten secuencias de hasta 32.768 tokens y fueron evaluados en 34 idiomas. NVIDIA los liberó bajo la licencia OpenMDW-1.1, lo que habilita su uso y despliegue en infraestructura propia.
¿Por qué importa que quede primero en RTEB?
El modelo Nemotron-3-Embed-8B quedó primero en RTEB, el Retrieval Embedding Benchmark, con 78,46 de NDCG@10 promedio. RTEB mide qué tan bien un sistema recupera el pasaje correcto ante consultas de tareas reales. La lógica de negocio es simple: si la recuperación falla, el agente responde con contexto equivocado por más potente que sea el modelo de lenguaje que tenga detrás. Mejor recuperación es menos alucinación.
¿Qué modelos incluye la colección?
Son tres puntos de control con distinto balance de costo y precisión: el 8B, orientado a máxima exactitud; el 1B, con la misma arquitectura en un formato más liviano; y una versión 1B en formato NVFP4, optimizada para el hardware Blackwell de NVIDIA. Según la compañía, la variante NVFP4 conserva más del 99% de la precisión y llega a duplicar el rendimiento por segundo frente a la versión estándar.
¿Qué significa para las empresas en Chile y Latinoamérica?
El punto no es que una empresa en Chile o Latinoamérica vaya a entrenar embeddings. Es que la calidad de la recuperación es hoy el factor menos discutido y más determinante de que un asistente de IA sobre el CRM o la base de conocimiento sea confiable. Que existan modelos abiertos de primer nivel, multilingües y con buen desempeño en español, baja la barrera para construir búsquedas y agentes internos sin depender de un único proveedor cerrado.
Análisis de Revenue Hub
Para un líder comercial o de operaciones, la conclusión práctica no está en el ranking sino en el diagnóstico que revela. La mayoría de los proyectos de IA que decepcionan no fallan por el modelo de lenguaje, fallan porque el sistema le entrega al modelo la información equivocada. La capa de recuperación es la que rara vez se audita y la que más pesa en la precisión final.
La recomendación es concreta: antes de invertir en un modelo más caro o en más agentes, conviene revisar dos cosas que sí están bajo control de la empresa. Primero, la calidad y el orden de los datos que alimentan la búsqueda, porque un embedding excelente sobre datos sucios sigue recuperando basura. Segundo, cómo se mide el acierto de la recuperación, porque sin esa medición no hay forma de saber si el asistente mejora o empeora. Ese trabajo de datos y procesos es donde se decide el retorno de la IA, y no lo resuelve ningún benchmark. Puedes seguir esta discusión en nuestros análisis sobre CRM y datos y en el blog de Revenue Hub.
Preguntas frecuentes
¿Qué es un modelo de embeddings?
Es un modelo que convierte texto en vectores numéricos que capturan el significado, de modo que se pueda buscar por sentido y no solo por coincidencia exacta de palabras. Es la base de la búsqueda semántica, los sistemas RAG y la memoria de los agentes de IA.
¿Qué es Nemotron 3 Embed?
Es una colección abierta de modelos de embeddings lanzada por NVIDIA en julio de 2026, con tres versiones (8B, 1B y 1B NVFP4) bajo licencia OpenMDW-1.1. Está pensada para recuperación a escala de producción: RAG, agentes, búsqueda de código y memoria de agentes.
¿Qué es el benchmark RTEB y qué puntaje obtuvo Nemotron?
RTEB (Retrieval Embedding Benchmark) mide qué tan bien un modelo recupera el pasaje correcto ante consultas de tareas reales. Nemotron-3-Embed-8B quedó primero con 78,46 de NDCG@10 promedio al 17 de julio de 2026.
¿Nemotron 3 Embed es de código abierto?
Sí. NVIDIA liberó los tres modelos bajo la licencia OpenMDW-1.1, lo que permite usarlos y desplegarlos en infraestructura propia. Esto es relevante para organizaciones con requisitos de residencia de datos o que quieren evitar depender de un proveedor cerrado.
¿Por qué los embeddings afectan la precisión de un agente de IA?
Porque la recuperación decide qué información recibe el modelo de lenguaje antes de responder. Si el sistema recupera el contexto equivocado, el agente responde mal por más avanzado que sea el modelo. Mejor recuperación se traduce en respuestas más precisas y menos alucinaciones.
¿Nemotron 3 Embed funciona con contenidos en español?
Sí. Los modelos fueron evaluados en 34 idiomas y admiten recuperación multilingüe, lo que permite, por ejemplo, que una consulta en español recupere documentos relevantes en otro idioma. Es útil para equipos de soporte y ventas en Latinoamérica que manejan bases mixtas.
¿Qué es la versión NVFP4 y qué ventaja ofrece?
Es la variante de 1B optimizada para el hardware Blackwell de NVIDIA usando el formato numérico NVFP4. Según la compañía, conserva más del 99% de la precisión de la versión estándar y puede duplicar el rendimiento por segundo, lo que reduce el costo de servir búsquedas de alto volumen.
¿Cómo se relaciona esto con un CRM o un sistema RAG empresarial?
Un asistente de IA que responde sobre el CRM o una base de conocimiento depende de la recuperación para encontrar el dato correcto. Un modelo de embeddings de mejor calidad mejora esa búsqueda, por lo que impacta directamente la confiabilidad de los agentes internos y de los asistentes de ventas y soporte.
Fuente original
Esta noticia se basa en la publicación de MarkTechPost. Lee el artículo completo en su fuente:
https://www.marktechpost.com/2026/07/17/nvidia-ai-releases-nemotron-3-embed-an-open-embedding-collection-whose-8b-checkpoint-ranks-1-on-rteb/
