¿Qué es Nemotron ColEmbed V2?
Nemotron ColEmbed V2 es una familia de modelos de recuperación visual de documentos de NVIDIA, lanzada en enero de 2026 en tamaños de 3B, 4B y 8B. Indexas cada página del documento como imagen, sin OCR ni análisis de maquetación, y buscas en ella con una pregunta de texto. El modelo de 8B se basa en Qwen3-VL-8B-Instruct y tiene unos 8.800 millones de parámetros; el de 3B se basa en Llama 3.2.
Es un modelo de interacción tardía al estilo de ColBERT y ColPali: en lugar de un vector por página, genera un vector de 4.096 dimensiones por cada token y puntúa una coincidencia comparando cada token de la consulta con el token de la página que mejor le corresponde. Las imágenes se dividen en hasta ocho teselas de 512 por 512 más una miniatura, a 256 tokens por tesela.
Ninguno de los tamaños se puede usar con fines comerciales. Los de 4B y 8B tienen licencia CC BY-NC 4.0; el de 3B usa la licencia no comercial propia de NVIDIA, que limita el uso a la investigación y la educación.
¿Merece la pena Nemotron ColEmbed V2?
Nemotron ColEmbed V2 es un modelo de investigación con precisión de producción y una licencia que lo deja fuera de producción. La ficha de NVIDIA indica un NDCG@10 medio de 63,54 en ViDoRe v3 para el de 8B, primero en esa prueba cuando se publicó el 26 de enero de 2026, además de 92,65 en ViDoRe v1 y 65,16 en v2, donde quedó tercero tras ColQwen3 8B de Tomoro. El de 4B saca 61,42 en v3 y el de 3B, 59,70. Son cifras de NVIDIA, obtenidas con el entorno público MTEB, así que se pueden reproducir, pero la clasificación ha cambiado desde enero.
El almacenamiento es la factura que llega después. El de 8B genera un vector de 4.096 dimensiones por cada token, y una página puede usar nueve teselas de 256 tokens. Según nuestros cálculos con las cifras de la ficha, eso supone hasta unos 19 MB por página en BF16, o unos 19 TB por cada millón de páginas antes de cualquier agrupación o cuantización. ColQwen3 8B de Tomoro, con licencia Apache, usa 320 dimensiones y como mucho 1.280 tokens por página, lo que su ficha cifra en unos 0,82 TB por millón de imágenes. El paso de puntuación también necesita un almacén de vectores compatible con varios vectores (MaxSim), lo que descarta muchas configuraciones de vector único.
La licencia cierra la puerta comercial en todos los tamaños. Los de 4B y 8B son CC BY-NC 4.0, y el de 3B, basado en Llama 3.2, está bajo la licencia no comercial propia de NVIDIA, que restringe el uso a 'fines de investigación y educativos no comerciales' y reserva el uso comercial para la propia NVIDIA. La ficha no indica contenedor NIM ni endpoint alojado, y ningún proveedor de inferencia de Hugging Face lo sirve.
Ejecutarlo también es un camino estrecho: solo Linux, probado en tarjetas A100 y H100, flash-attn fijado en la versión 2.6.3 y código remoto activado. Los pesos del de 8B ocupan unos 17,5 GB. Para un equipo que se pregunta si OCR más un modelo de embeddings de texto basta para un archivo de escaneos, es un techo útil con el que comparar, y la dispersión por tarea de la ficha, de 79,30 en páginas de informática a 50,84 en física, indica que la respuesta dependerá mucho de los documentos.
Dónde se gana su sitio
Un investigador de recuperación de información en un laboratorio universitario
Comparar un nuevo recuperador visual con una base abierta sólida
Carga el de 8B en Transformers y ejecuta mteb 2.7 o posterior sobre ViDoRe v3; las puntuaciones por tarea de NVIDIA dan un objetivo reproducible. El uso académico es justo lo que permite la licencia CC BY-NC.
Un ingeniero de ML en una aseguradora con millones de formularios de siniestros escaneados
Decidir si merece la pena mantener la cadena de OCR
Indexa unos miles de páginas de muestra con el de 8B como techo de precisión y compáralo con OCR más un modelo de embeddings de texto. La licencia impide desplegarlo, así que el resultado sirve para elegir entre OCR y un modelo ColQwen con licencia Apache.
Un responsable de plataforma de datos que dimensiona un índice de varios vectores
Estimar el almacenamiento antes de apostar por la interacción tardía
Con hasta 2.304 tokens de 4.096 valores BF16 por página, un archivo de 100.000 páginas necesita hasta unos 1,9 TB de vectores, frente a unos 82 GB para ColQwen3 de 320 dimensiones de Tomoro con el mismo cálculo. Esa diferencia suele decidir la arquitectura antes que la precisión.
Antes de decidirte
- Puesta en marcha
- Instala transformers 4.57.2 o posterior y flash-attn 2.6.3, y carga el modelo con trust_remote_code en bfloat16. NVIDIA solo lo prueba en Linux con A100 de 40GB u 80GB y H100 de 80GB; las imágenes se pasan como objetos PIL.
- Integraciones
- Transformers y el entorno de evaluación MTEB. No se indica NIM, API alojada ni proveedor de inferencia de Hugging Face, y la recuperación necesita una base de datos vectorial con puntuación de varios vectores (MaxSim).
- Datos y privacidad
- Autoalojado, así que los documentos se quedan en tu hardware. Los de 4B y 8B son CC BY-NC 4.0 y el de 3B está bajo la Non-Commercial License de NVIDIA; ambas prohíben el uso comercial, y el de 3B hereda además la licencia de Llama 3.2.
- Coste a escala
- No hay nivel de pago. El coste es el tiempo de GPU para indexar más el almacenamiento: según nuestros cálculos, hasta unos 19 MB por página sin comprimir, unos 19 TB por millón de páginas, frente a unos 0,82 TB por millón para ColQwen3 8B de Tomoro según su ficha.
- Límites
- Evaluado hasta 10.240 tokens; hasta ocho teselas más una miniatura por imagen. Los enlaces a los modelos de la ficha no son coherentes y el enlace al de 4B en sus tablas está roto.
Lo bueno
- Media de 63,54 en ViDoRe v3 para el de 8B, según NVIDIA
- Indexa directamente imágenes de páginas, sin OCR ni análisis de maquetación
- Tamaños de 3B, 4B y 8B para equilibrar precisión y coste
Lo malo
- Licencia no comercial en los tres tamaños
- 4.096 dimensiones por token: hasta unos 19 MB por página sin comprimir
- Solo Linux, A100 o H100, y flash-attn fijado en 2.6.3
- No se indica endpoint alojado ni NIM
Ideal para
Investigadores y equipos de evaluación que necesitan una base abierta sólida para la recuperación visual de documentos y no piensan ponerla en producción.
Alternativas a Nemotron ColEmbed V2
Nemotron ColEmbed V2: preguntas frecuentes
- ¿Merece la pena Nemotron ColEmbed V2?
- Lo bastante preciso para ser la vara de medir en la búsqueda sobre imágenes de páginas, y con una licencia que hace que la mayoría de las empresas solo puedan usarlo para eso. Le damos un 3.8 sobre 5.
- ¿Cuánto cuesta Nemotron ColEmbed V2?
- Pesos gratuitos para uso no comercial y de investigación (CC BY-NC 4.0).
- ¿Qué inconvenientes tiene Nemotron ColEmbed V2?
- Licencia no comercial en los tres tamaños; 4.096 dimensiones por token: hasta unos 19 MB por página sin comprimir; solo Linux, A100 o H100, y flash-attn fijado en 2.6.3; no se indica endpoint alojado ni NIM.
- ¿Para quién es Nemotron ColEmbed V2?
- Investigadores y equipos de evaluación que necesitan una base abierta sólida para la recuperación visual de documentos y no piensan ponerla en producción.
- ¿Cuánto cuesta Nemotron ColEmbed V2 para un equipo o en producción?
- No hay nivel de pago. El coste es el tiempo de GPU para indexar más el almacenamiento: según nuestros cálculos, hasta unos 19 MB por página sin comprimir, unos 19 TB por millón de páginas, frente a unos 0,82 TB por millón para ColQwen3 8B de Tomoro según su ficha.
- ¿Es Nemotron ColEmbed V2 seguro para los datos de la empresa?
- Autoalojado, así que los documentos se quedan en tu hardware. Los de 4B y 8B son CC BY-NC 4.0 y el de 3B está bajo la Non-Commercial License de NVIDIA; ambas prohíben el uso comercial, y el de 3B hereda además la licencia de Llama 3.2.
- ¿Cuáles son las mejores alternativas a Nemotron ColEmbed V2?
- Las alternativas más cercanas que hemos analizado son Qwen3-VL-Embedding, Cohere Embed 5 y Jina Embeddings v5.
Respuestas comprobadas el 22 oct 2026.