¿Qué es Nemotron 3.5 Embed (1B and 8B)?
Nemotron 3.5 Embed es una pareja de modelos de embeddings abiertos de NVIDIA, publicados el 20 de octubre de 2026 bajo la licencia permisiva OpenMDW-1.1: un modelo 1B (1.550 millones de parámetros) y un 8B (8.380 millones). Un modelo de embeddings convierte una consulta o un documento en una lista de números para que un sistema de búsqueda encuentre las coincidencias más cercanas. Estos convierten texto, la imagen de una página de documento o ambos a la vez, para buscar en PDF con tablas, gráficos e infografías; las consultas son solo de texto.
Ambos se basan en los modelos Ministral 3 de Mistral, con un codificador de imagen Pixtral añadido al Nemotron 3 Embed de NVIDIA, solo de texto, de julio de 2026. NVIDIA congeló la parte de texto durante el entrenamiento, así que los vectores de texto coinciden con los de Nemotron 3 Embed y un índice de texto existente no necesita reconstruirse. El 1B produce vectores de 2.048 dimensiones que se pueden recortar a 1.024 o 512, lee hasta 32.768 tokens y también se distribuye en un build NVFP4 de 4 bits para GPU Blackwell.
¿Merece la pena Nemotron 3.5 Embed (1B and 8B)?
Nemotron 3.5 Embed es ahora la opción abierta más sólida para buscar en documentos de empresa, donde las tablas y los gráficos dicen tanto como el texto. En la leaderboard de recuperación de documentos visuales ViDoRe v3.1, a 20 de octubre de 2026, el 8B quedó primero con 61,17 de nDCG@10 y el 1B marcó 58,38, conservando el 95,4% de la puntuación del modelo grande. En la tabla de NVIDIA sobre imágenes de página de ViDoRe V3, el 1B marca 58,02 frente a 52,89 de Qwen3-VL-Embedding-2B, y el 8B 60,39 frente a 58,29 de Qwen3-VL-Embedding-8B.
La parte de texto es heredada y ya está probada. NVIDIA indica que su Nemotron 3 Embed 8B solo de texto fue primero en la leaderboard multilingüe RTEB en julio de 2026 con 78,5, con el 1B en 72,4 y 71,0 en recuperación MMTEB. Como la 3.5 mantiene esos vectores de texto sin cambios, un equipo con Nemotron 3 Embed puede añadir imágenes de página al mismo índice sin volver a generar los embeddings del texto. Es una cortesía poco común en un campo donde cada cambio de versión suele implicar reconstruirlo todo.
El coste de entrada es casi nulo. Ambos tamaños son gratis en OpenRouter por ahora, la licencia permite el uso comercial y el 1B en NVFP4 va un 27,1% más rápido que en BF16 en una GB200 con el 99,85% de su precisión en ViDoRe V3, según la prueba de NVIDIA. El contenedor NIM de NVIDIA atendió 6.031 consultas por segundo en una RTX PRO 6000 Blackwell, unas 2,9 veces lo que logra vLLM.
La pega: todas las cifras anteriores son de NVIDIA, y el software es limitado. El hardware admitido es NVIDIA Ampere, Hopper y Blackwell en Linux, la entrada de imágenes requiere Transformers 5.20.0 porque de la 5.17.0 a la 5.19.0 puede devolver resultados erróneos con FlashAttention 2, y las imágenes de página cuentan contra el mismo presupuesto de 32.768 tokens que el texto. El texto se evaluó en 34 idiomas y las imágenes en 18, menos que los más de 100 que dicen cubrir algunos rivales.
Nuestra opinión: para un sistema RAG sobre PDF, presentaciones e informes escaneados, Nemotron 3.5 Embed 1B es hoy una opción por defecto sensata; el 8B solo justifica su GPU extra donde unos puntos de recall valgan dinero de verdad.
Dónde se gana su sitio
Un ingeniero de búsqueda en una firma de análisis bursátil
Encontrar el gráfico o la tabla correctos entre miles de PDF de analistas
Convierte cada página como imagen más texto extraído con el 1B, guarda vectores de 2.048 dimensiones (o 1.024 para reducir el almacenamiento a la mitad) y consulta en texto normal. La puntuación de imagen más texto del 1B en ViDoRe V3 según NVIDIA es 58,82.
Un equipo de plataforma que ya usa Nemotron 3 Embed para búsqueda de texto
Añadir contratos escaneados y presentaciones sin reindexar millones de fragmentos de texto
Cambia el modelo a Nemotron 3.5 Embed 1B y genera embeddings solo de las nuevas imágenes de página; NVIDIA mantuvo congelados los pesos de texto, así que los vectores de texto existentes siguen siendo válidos.
Una startup de dos personas que prototipa un agente de IA con memoria
Probar un embedder potente antes de comprometerse con GPU
Llama a nvidia/nemotron-3.5-embed-1b:free en OpenRouter durante el prototipo y pasa a vLLM o al contenedor NIM en una sola GPU de NVIDIA cuando el tráfico lo justifique.
Antes de decidirte
- Puesta en marcha
- pip install transformers 5.20.0 y sentence-transformers, carga nvidia/Nemotron-3.5-Embed-1B-BF16 y llama a encode_query y encode_document, que añaden los prefijos de consulta y pasaje; o vllm serve con vLLM 0.32.0.
- Integraciones
- Transformers, Sentence Transformers, vLLM (incluido un endpoint de recuperación /v2/embed), NVIDIA NIM; OpenRouter, Baseten, DeepInfra y FriendliAI; el soporte de Elastic está anunciado como próximo.
- Datos y privacidad
- OpenMDW-1.1 permite el uso comercial. Alojado por ti, los documentos se quedan en tu hardware. El entrenamiento usó conjuntos públicos con permiso comercial y datos sintéticos de modelos como Nemotron, Qwen, Gemma y gpt-oss.
- Coste a escala
- Los pesos son gratuitos y OpenRouter no cobra nada por ahora; alojado por ti, NVIDIA midió el 1B NVFP4 a 128,8 documentos por segundo en una GB200 y NIM a 6.031 consultas por segundo en una RTX PRO 6000.
- Límites
- 32.768 tokens por entrada, compartidos entre tokens de texto e imagen; las imágenes van por defecto a 1.120 píxeles en el lado más largo, hasta 1.540; solo consultas de texto; GPU de NVIDIA en Linux.
Lo bueno
- El 8B, primero en ViDoRe v3.1 con 61,17 de nDCG@10 (20 de octubre de 2026)
- Convierte texto, imágenes de página o ambos en un mismo espacio vectorial
- Vectores de texto idénticos a Nemotron 3 Embed, así que los índices de texto se conservan
- Licencia permisiva OpenMDW-1.1; gratis en OpenRouter
- Build NVFP4 un 27,1% más rápido en Blackwell
Lo malo
- Todas las pruebas son de NVIDIA
- Solo Linux y GPU de NVIDIA
- Texto evaluado en 34 idiomas, imágenes en 18
- Las consultas deben ser de texto; no admite consultas con imagen
- Sensible a versiones: la entrada de imágenes falla en Transformers 5.17.0 a 5.19.0 con FlashAttention 2
Ideal para
Equipos que construyen búsqueda o RAG sobre PDF, presentaciones e informes y quieren un único modelo abierto para texto e imágenes de página.
Alternativas a Nemotron 3.5 Embed (1B and 8B)
Nemotron 3.5 Embed (1B and 8B): preguntas frecuentes
- ¿Merece la pena Nemotron 3.5 Embed (1B and 8B)?
- Nemotron 3.5 Embed es el embedder abierto con el que empezar para buscar en documentos, porque lee imágenes de página además de texto y probarlo no cuesta nada. Le damos un 4.4 sobre 5.
- ¿Cuánto cuesta Nemotron 3.5 Embed (1B and 8B)?
- Gratis bajo OpenMDW-1.1. Ambos tamaños se pueden llamar gratis en OpenRouter; Baseten, DeepInfra y FriendliAI también los alojan, y NVIDIA ofrece un contenedor NIM.
- ¿Qué inconvenientes tiene Nemotron 3.5 Embed (1B and 8B)?
- Todas las pruebas son de NVIDIA; solo Linux y GPU de NVIDIA; texto evaluado en 34 idiomas, imágenes en 18; las consultas deben ser de texto; no admite consultas con imagen; sensible a versiones: la entrada de imágenes falla en Transformers 5.17.0 a 5.19.0 con FlashAttention 2.
- ¿Para quién es Nemotron 3.5 Embed (1B and 8B)?
- Equipos que construyen búsqueda o RAG sobre PDF, presentaciones e informes y quieren un único modelo abierto para texto e imágenes de página.
- ¿Cuánto cuesta Nemotron 3.5 Embed (1B and 8B) para un equipo o en producción?
- Los pesos son gratuitos y OpenRouter no cobra nada por ahora; alojado por ti, NVIDIA midió el 1B NVFP4 a 128,8 documentos por segundo en una GB200 y NIM a 6.031 consultas por segundo en una RTX PRO 6000.
- ¿Es Nemotron 3.5 Embed (1B and 8B) seguro para los datos de la empresa?
- OpenMDW-1.1 permite el uso comercial. Alojado por ti, los documentos se quedan en tu hardware. El entrenamiento usó conjuntos públicos con permiso comercial y datos sintéticos de modelos como Nemotron, Qwen, Gemma y gpt-oss.
- ¿Cuáles son las mejores alternativas a Nemotron 3.5 Embed (1B and 8B)?
- Las alternativas más cercanas que hemos analizado son Qwen3-VL-Embedding, Nemotron ColEmbed V2, Cohere Embed 5, Harrier-OSS-v1 (270M, 0.6B, 27B) y Jina Embeddings v5.
Respuestas comprobadas el 7 nov 2026.
¿Desarrollas Nemotron 3.5 Embed (1B and 8B)? Muestra esta nota en tu web
