Nemotron 3.5 Super VL vs Step 5: Pesos, licencias y test

👁 114 lecturas

NVIDIA Nemotron 3.5 Super VL y StepFun Step 5 Preview plantean dos caminos técnicos muy distintos a la hora de desplegar modelos grandes con pesos descargables en octubre de 2026. Sometí a ambos a las mismas 12 tareas en mi test en polaco el 19 de octubre vía la API. Nemotron completó todas las tareas con éxito; Step resolvió nueve y devolvió tres respuestas vacías al agotar el límite de tokens.

Qué ofrece cada lanzamiento

NVIDIA publicó Nemotron 3.5 Super VL el 15 de octubre de 2026. StepFun liberó los pesos de Step 5 Preview en esa misma fecha, tras haber ofrecido previamente el modelo mediante interfaz remota. Son historias de lanzamiento con trasfondos diferentes: NVIDIA amplió su catálogo de modelos, mientras que StepFun facilitó pesos descargables para un modelo que ya operaba en la nube. Puedes consultar el contexto en mi análisis sobre el lanzamiento de la API de Step 5 Preview y en la comparativa frente a Kimi K3, GLM y Qwen. Los otros dos lanzamientos destacados de esa semana están recopilados en mi visión general sobre los modelos de IA con pesos abiertos.

Super VL integra procesamiento visual y de lenguaje. NVIDIA lo orienta hacia la comprensión documental, programación, razonamiento y uso de herramientas. StepFun, en cambio, enfatiza el trabajo prolongado con agentes, la ingeniería de software y tareas profesionales avanzadas. Ambos anuncian contextos extensos, pero estas especificaciones oficiales sirven como punto de partida técnico y no como garantía para el flujo de trabajo particular de cada usuario.

La ficha de StepFun cita 600B, mientras que los metadatos del repositorio en Hugging Face registran 604B. La cifra anunciada sirve para clasificar el modelo, pero no debe tomarse como un recuento exacto de cada tensor almacenado. Del mismo modo, los parámetros activos reflejan el cómputo requerido por cada token, no el volumen total de pesos que una infraestructura debe cargar en memoria.

Enfoque visual de Nemotron y opciones de despliegue

La documentación de NVIDIA describe una arquitectura híbrida que combina Mamba-2, atención y componentes MoE (Mixture of Experts) con un codificador visual. Admite entradas de texto, imágenes y vídeo, generando salidas exclusivamente en texto. El lanzamiento incluye recursos y recetas de entrenamiento, lo que aporta a los desarrolladores base técnica tanto para inferencia como para personalización.

La ficha técnica para NVFP4 enumera varias configuraciones de despliegue: un DGX Spark, una GPU H200, dos H100 o un GB200. Por su parte, la ficha para BF16 especifica cuatro GPU H100 o dos sistemas GB200. Estos ejemplos corresponden a formatos de precisión y arquitecturas diferentes; no deben reducirse a un único requisito mínimo de hardware.

En el rol de asistente documental, la faceta visual resulta determinante cuando la entrada consiste en la imagen de una página, un gráfico o una captura de pantalla. En mi prueba, la tarea de la factura aportaba una descripción escrita, de modo que la respuesta correcta en JSON emitida por Nemotron consistió en una extracción sobre texto plano. No evalué reconocimiento óptico de caracteres (OCR), comprensión de vídeo ni navegación en interfaces gráficas.

Conviene diferenciar Super VL de las variantes menores Bolt anunciadas de forma simultánea. Las afirmaciones sobre el hardware necesario para otros modelos de la familia no se aplican a Super VL. Un nombre comercial compartido no garantiza que un punto de control encaje en una estación de trabajo determinada.

Los pesos de Step 5 exigen mayor infraestructura

StepFun distribuye puntos de control en BF16 y FP8, y NVIDIA ha publicado también una versión en formato NVFP4. Los ejemplos oficiales para FP8 contemplan cuatro GPU B300 u ocho GPU H200. Para BF16, los ejemplos ascienden a ocho GPU B300 o dieciséis H200. Se trata de configuraciones masivas, al margen de la complejidad operativa que implica servir una aplicación en producción.

La documentación técnica distingue claramente entre el espacio para cargar los pesos y la memoria necesaria para procesar peticiones con contextos largos. El almacenamiento del contexto y los búferes de ejecución requieren capacidad adicional. Reducir la longitud de contexto o limitar la concurrencia suele ser imprescindible incluso cuando los pesos caben en la VRAM. La cifra de un millón de tokens debe asociarse a una configuración probada y no asumirse como viable en cualquier instalación.

Para quien evalúe las funciones de agente de Step 5, la prueba relevante abarca el flujo completo: interpretar la petición, ejecutar llamadas a herramientas válidas, recuperarse de errores y entregar una respuesta funcional. Disponer de pesos descargables permite realizar esa validación en infraestructura propia, pero no garantiza de antemano el éxito del sistema.

Las licencias no son equivalentes

OpenMDW 1.1 concede derechos amplios sobre los recursos del modelo. La redistribución exige conservar los términos del acuerdo y los avisos de origen pertinentes. No impone obligaciones sobre las salidas generadas, aunque mantiene cláusulas habituales, como la revocación de derechos en determinados litigios.

StepFun Model License 1.0 obliga a mantener avisos e identificar cualquier modificación al distribuir el modelo. Su redactado actual, comprobado el 20 de octubre de 2026, estipula límites operativos relevantes:

• Si un producto comercial basado en el modelo supera los 100 millones de usuarios activos mensuales o los $20 millones de ingresos en cualquier mes natural, debe mostrar de forma visible la mención «Powered by StepFun AI» en su interfaz y documentación (sección 2(b)).
• Los fabricantes o titulares de marcas de dispositivos de hardware (teléfonos, vehículos, dispositivos corporales o robots) requieren una licencia comercial independiente para incorporar el modelo en sus equipos, con independencia de sus ingresos (sección 2(c)).
• Las empresas que comercialicen servicios de modelo como servicio (Model-as-a-Service) deben solicitar un acuerdo comercial aparte cuando sus ingresos acumulados superen los $20 millones a lo largo de 12 meses consecutivos (sección 2(c)).

Por tanto, no es exacto afirmar que StepFun carezca de umbrales económicos o de usuarios.

Esta distinción resulta crítica antes de integrar un modelo en un producto comercial. La investigación interna, la redistribución de pesos modificados, la venta de acceso vía API y la integración directa en hardware representan supuestos diferentes. La licencia de StepFun fija condiciones específicas para cada uno, según el texto revisado el 20 de octubre de 2026.

Conclusiones del test en polaco frente a ambos modelos

Envié a cada modelo 12 instrucciones en una única pasada, fijando la temperatura en 0 y un tope de 6.000 tokens de salida para el razonamiento y la respuesta final combinados. Nemotron completó con éxito las 12 pruebas (puedes consultar el listado íntegro en mi test de cuatro modelos abiertos en polaco). Step resolvió satisfactoriamente nueve, devolviendo salidas vacías en el formateo de texto sobre el otoño, la consulta de divisiones administrativas y la corrección ortográfica.

Cada fallo de Step agotó de forma exacta los 6.000 tokens de generación. Su petición más lenta tardó 230,1 segundos, frente a una mediana de 2,15 segundos. En Nemotron, la mediana se situó en 1,20 segundos y la petición más larga alcanzó los 11,7 segundos. Son tiempos de respuesta medidos vía la API sobre infraestructuras de servicio distintas, no registros obtenidos en entornos locales idénticos.

Los registros de uso computaron un gasto aproximado de $0,0022 para el lote de Nemotron y de $0,0537 para el de Step. Son costes históricos aproximados según la ejecución registrada; no representan precios de lista oficiales vigentes ni permiten proyectar el gasto de flujos de agente extensos. Los fallos por respuesta vacía en Step resultan ilustrativos, ya que consumieron todo el presupuesto de tokens sin generar texto aprovechable.

La calificación de Nemotron incorpora un criterio de corrección ajustado: acepté la forma imperativa «Weź parasol» («coge el paraguas») como alternativa válida frente al infinitivo que esperaba la pauta original. La prueba admitió también ciertas desviaciones leves de formato. Las puntuaciones reflejan la resolución efectiva de las tareas y no una observancia matemática de cada instrucción formal.

• En tareas cortas en polaco bajo este formato, Nemotron demostró una tasa de finalización superior.
• Para flujos visuales, evalúa a Nemotron con imágenes y documentos reales antes de sacar conclusiones.
• En flujos de agentes con Step 5, comprueba la entrega de la respuesta final bajo límites de razonamiento realistas.
• Si vas a optar por un despliegue local, revisa con detalle la precisión del punto de control, el entorno de ejecución y los términos de la licencia.

Preguntas frecuentes

¿Falla Step 5 con el idioma polaco?

Esta prueba no permite concluir eso de forma general. Registró tres respuestas vacías bajo un límite concreto de tokens y respuestas válidas en las nueve tareas restantes. Un banco de pruebas más amplio o con otros parámetros podría arrojar un comportamiento diferente.

¿Puede ejecutarse Super VL en una GPU de consumo?

Las configuraciones mencionadas corresponden a los ejemplos oficiales publicados por NVIDIA para Super VL. No avalan su viabilidad en una tarjeta de consumo estándar de 24 GB. Conviene comprobar el punto de control concreto y el entorno de ejecución sin extrapolar los requisitos de las versiones Bolt.

¿Cuál de los dos conviene elegir para una aplicación en inglés?

Un test realizado en polaco no resuelve esa decisión. Lo recomendable es evaluar ambos modelos con casos de prueba representativos en inglés, midiendo de forma conjunta tasa de acierto, formato, latencia y costes.

// sigue leyendoStepFun Step 5 Preview: precio, características y pesos abiertosBenchmarksMuse Spark Open: hardware, licencia y mi test del modelo 816BHerramientas de IASapiens AI libera Agnes-Video-2.0-MoE con licencia Apache 2.0Noticias