Entrá con tu cuenta de Google
Pronto también con Candado (llave de la aldea).
Vas a salir de tu cuenta en este dispositivo.
La colección reúne 14 variantes de 3B y 8B parámetros y experimenta con la generación de texto por bloques. Las cifras de velocidad corresponden a pruebas específicas.
Imagen ilustrativa generada con IA
NVIDIA amplió su catálogo de inteligencia artificial con Nemotron-Labs-Sigma, una familia de modelos de lenguaje que utiliza difusión continua en lugar de depender exclusivamente del mecanismo clásico de generar una palabra o fragmento tras otro. La colección pública reúne 14 versiones o checkpoints distribuidos entre modelos de tres mil y ocho mil millones de parámetros, según el repositorio oficial de NVIDIA en Hugging Face. El anuncio fue difundido por MarkTechPost el 20 de noviembre.
La novedad no consiste solamente en agregar otro chatbot al mercado. La propuesta explora una forma distinta de construir texto: el sistema trabaja con representaciones numéricas que contienen información sobre las palabras, introduce ruido durante el entrenamiento y aprende a recuperar representaciones útiles. Esta técnica se inspira en la familia de modelos de difusión conocida por su aplicación a imágenes, aunque su adaptación al lenguaje tiene dificultades específicas que los investigadores intentan resolver.
Los modelos de lenguaje más conocidos suelen operar de manera autorregresiva: calculan una secuencia y eligen el próximo token teniendo en cuenta lo producido anteriormente. Sigma, en cambio, se enfoca en bloques de tokens que puede refinar mediante un proceso de eliminación de ruido. La distinción es relevante porque abre la posibilidad de procesar varios elementos de la respuesta en una misma etapa, aunque no significa que cualquier tarea vaya a ejecutarse automáticamente con mayor velocidad.
El rasgo técnico central de Sigma es un espacio continuo de 16 dimensiones donde representa los tokens. En términos sencillos, cada unidad de texto se traduce en coordenadas que pueden modificarse gradualmente mientras el modelo busca una salida coherente. NVIDIA explica en las fichas de sus modelos que esta arquitectura permite estudiar procesos de generación, destilación y control de trayectorias que no funcionan exactamente igual en los métodos de difusión sobre tokens discretos.
La colección oficial incluye versiones base, variantes ajustadas para seguir instrucciones, modelos destilados y opciones preparadas para decodificación autoespeculativa. Las versiones destiladas están identificadas por la cantidad de evaluaciones de red necesaria para generar un bloque: aparecen configuraciones de dos, cuatro, ocho y dieciséis pasos. Esta diversidad permite comparar el costo computacional con el rendimiento, sin confundir el número de checkpoints con la cantidad de modelos de arquitectura completamente independiente.
En la práctica, reducir pasos puede disminuir el tiempo dedicado a elaborar una respuesta, pero la velocidad nunca debe separarse de las condiciones de medición. El artículo técnico publicado por MarkTechPost informa ventajas en determinados ensayos internos de NVIDIA. La cifra máxima de aceleración mencionada, de hasta 4,20 veces, corresponde a configuraciones y pruebas concretas; no representa una mejora garantizada para todos los usuarios, programas o equipos.
La decodificación autoespeculativa merece una explicación aparte. En la ficha oficial del modelo de ocho mil millones de parámetros, NVIDIA describe un mecanismo que prepara un bloque de texto mediante una parte de difusión y luego lo verifica con una parte autorregresiva del propio modelo. La idea es aceptar varios tokens propuestos en una ronda, cuando cumplen las condiciones de verificación, en vez de calcular inevitablemente uno por vez.
Este diseño también muestra que la familia no propone eliminar de golpe todas las técnicas de generación tradicionales. En los checkpoints autoespeculativos conviven componentes de difusión con verificación autorregresiva. Esa combinación intenta aprovechar la elaboración paralela de propuestas sin perder un procedimiento de control para decidir qué segmentos se aceptan. El resultado efectivo depende de cuántos tokens pasan la verificación y de la tarea que el sistema deba resolver.
La evaluación publicada en MarkTechPost presenta resultados de matemáticas y programación, dos áreas habituales en las comparaciones entre modelos. El medio recoge un promedio de 71,16 en una batería de seis tareas para Sigma-8B base, frente a 70,22 para un modelo Nemotron-Labs-Diffusion de comparación. Son métricas suministradas por la investigación y deben leerse con cautela: describen condiciones experimentales particulares, no una prueba universal de superioridad sobre alternativas comerciales.
Los límites resultan igualmente importantes. En pruebas de razonamiento matemático exigente aparecen rendimientos más modestos que en ejercicios sencillos; además, las fichas de uso describen requisitos concretos de software y hardware. Un usuario que quiera probar estos modelos necesita comprobar compatibilidad con GPU, formatos de precisión y librerías. La disponibilidad pública de pesos no convierte automáticamente a un modelo en una herramienta apta para ejecutar en cualquier computadora doméstica.
El repositorio de Hugging Face es una referencia directa para quienes deseen estudiar las distintas variantes. Allí NVIDIA publica descripciones, enlaces al trabajo científico, términos de uso y notas de implementación. Esa documentación permite distinguir entre una versión destinada a seguir instrucciones y otra dedicada a experimentos de velocidad. También ayuda a evitar comparaciones engañosas entre checkpoints que fueron diseñados para propósitos diferentes.
La fecha de publicación del artículo informativo tampoco debe confundirse con la primera disponibilidad de los archivos. Fichas de NVIDIA consignan lanzamientos de algunos modelos en Hugging Face durante noviembre, antes de la nota de MarkTechPost del día 20. Por eso resulta más exacto hablar de la familia difundida y disponible públicamente que atribuir sin respaldo un estreno simultáneo de cada componente a una fecha única.
Para desarrolladores e investigadores, la principal noticia es la posibilidad de experimentar con una arquitectura alternativa y varias combinaciones de calidad y velocidad. Para el público general, el interés está en comprender que la generación de lenguaje sigue cambiando por dentro, incluso cuando las interfaces se parecen. El rendimiento real tendrá que juzgarse con pruebas reproducibles, tareas concretas, costos de ejecución y evaluación de errores, más allá de los porcentajes promocionales.
Todavía no hay comentarios. Sé el primero.
Para comentar tenés que estar registrado. La nota se lee sin login.
Entrar con Google Seguir en el tablón