Nemotron 3 Nano 30B: para qué sirve de verdad (benchmark en español)

Donde mejor rinde es Coding (#53 de 97 entre los que rinden el examen completo), y donde menos rinde es Agentes (7.12 contra 9.06). Está en el tercio más barato del ranking: $0.315 por cada 1.000 llamadas.

Nota de calidad7.69/10#90 de 97 · del mejor al peor hay 1.3 puntos

Por 1.000 llamadas$0.315más barato que 86 de 97

Al mes, uso típico$0.47250 llamadas por día, todos los días

Velocidad120 tok/s26.5 s de espera media

⬡ Open source · NVIDIA Open ⚒ Puede usar herramientas ◈ Razona antes de responder ⌸ Le caben ~440 páginas a la vez ⛨ Cae ante instrucciones ocultas · 1.5/10

Dónde está parado, pilar por pilar

La nota de la derecha es sobre 10. La barra compara contra los demás modelos del ranking, no contra el cero: entre el mejor y el peor de esta lista hay poco más de un punto, así que en escala 0-10 se verían todas iguales. La marca vertical es la mediana — quedar por debajo acá no es una mala nota, es estar en el promedio de un grupo muy parejo.

Coding 9.06 (-0.02 vs mediana)

Contenido 8.06 (-0.32 vs mediana)

Razonamiento 7.23 (-0.73 vs mediana)

Agentes 7.12 (-0.42 vs mediana)

Medido con 152 runs que puntúan, juez Phi-4 local · actualizado 2026-08-23 · datos abiertos

Qué hace bien y qué no

Su media entre las 31 tareas medidas es 7.20. Un promedio esconde justo lo que te importa, así que acá están los extremos.

Donde rinde por encima de sí mismo

JSON estructurado (extracción, schemas) — 8.97 (+1.77 contra su media). Decide: emitir JSON válido a la primera
Integridad de idioma (no mezclar idiomas) — 8.88 (+1.68 contra su media). Decide: no meter otro idioma en medio del texto
Verificar un dato contra su fuente — 8.57 (+1.37 contra su media). Decide: decidir si una fuente respalda una afirmación
OCR / extracción desde imágenes — 8.43 (+1.23 contra su media). Decide: leer datos de una imagen

Donde se cae

Resistencia a prompt injection — 3.35 (-3.85 contra su media). Decide: resistir una fuga de datos
Orquestación (flujos de varios pasos) — 4.39 (-2.81 contra su media). Decide: coordinar un flujo de varios pasos
Capacidades de agente (delegación, skills) — 5.55 (-1.65 contra su media). Decide: delegar y usar lo que tiene a mano
Tool calling (llamada de funciones) — 6.17 (-1.03 contra su media). Decide: llamar bien las funciones

Si Nemotron 3 Nano 30B no te cierra

Alternativas elegidas por contraste con este modelo, no por ranking general.

Modelo	Calidad	$/1k	Latencia	Por qué
Ling 3.0 Flash Más barato, calidad equivalente	7.98	$0.101	12.1 s	misma nota o mejor, menos plata por llamada
Qwen 3.7 Flash Mejor nota, precio parecido	8.49	$0.204	28.5 s	hasta 30% más caro, pero rinde más
Gemini 3.1 Flash Lite Responde antes	8.09	$2.33	4.1 s	al menos 40% menos de espera, sin caer de nota

La ficha: Nemotron 3 Nano 30B en números

Todo esto sale de runs propios, guardados y auditables. La latencia es la total de respuesta, no el time-to-first-token.

Calidad medida
Runs que puntúan	152
Tool calling	4.72
Resistencia a prompt injection	1.53
Precio
Precio por millón · entrada	$0.050
Precio por millón · salida	$0.200
Rendimiento y límites
Latencia total media	26.5 s
Ventana de contexto	262.144

Contra los mejores del ranking, en plata

La pregunta útil no es cuánto le falta a Nemotron 3 Nano 30B para ser el mejor: es cuánta calidad extra estás comprando, y a cuántas veces el precio. Eso es lo que decide si conviene.

Modelo	Calidad	$/1.000 llamadas
Nemotron 3 Nano 30B Este modelo	7.69	$0.315
GPT-5.6 Luna El de más calidad medida	8.52	$0.930
Claude Opus 4.8 El frontier más caro del top 10	8.48	$39.00

GPT-5.6 Luna (el techo medido) rinde 11% más (8.52 contra 7.69) y cuesta 3 veces más por llamada.
Claude Opus 4.8 (el caro que todos conocen) rinde 10% más (8.48 contra 7.69) y cuesta 124 veces más por llamada.

Los tres salen de las mismas 29 tareas, el mismo juez y los mismos límites. Los benchmarks del fabricante miden otra cosa —y están enlazados más abajo.

Cuánto `max_tokens` darle, por tarea

Si tu nodo o tu script queda por debajo de esto, Nemotron 3 Nano 30B no falla: entrega de menos — y quien lo consume lo lee como que no había nada que reportar. Es el modo de falla más caro que hay, porque se parece a que todo salió bien.

⚠️ Este modelo razona, y los tokens de razonamiento salen del mismo presupuesto: pide bastante más que uno que no razona para escribir la misma respuesta. Es el motivo exacto por el que un max_tokens heredado de otro modelo lo corta.

Tarea	Mediana	Peor caso medido	max_tokens sugerido
Tareas largas (sostener el hilo 8-12 turnos)	5.876	24.735	30.918 (piso)
Razonamiento profundo (matemática. Fermi)	3.253	8.192	10.240 (piso)
Noticias + SEO (artículos completos)	2.436	7.353	9.191
Generación de código (Python. SQL. debug)	2.281	6.383	7.978
Gestión de tareas (action items. planes)	3.802	6.308	7.885
Razonamiento general (lógica. decisiones)	4.471	5.448	6.810
Capacidades de agente (delegación. skills)	1.463	5.270	6.587
Orquestación (flujos de varios pasos)	1.839	5.087	6.358
Decisiones de negocio (prioridades. plan)	2.289	4.879	6.098
Multi-turno (debugging. requisitos)	2.658	4.282	5.352
OCR / extracción desde imágenes	2.504	4.234	5.292
Ventas en frío (cold email. campañas)	1.258	4.046	5.057
Estrategia (pricing. planificación)	3.512	3.704	4.630
Presentaciones (slides. reportes)	3.328	3.328	4.160
Contenido startup (newsletter. actualidad)	2.482	3.197	3.996
Creatividad (hooks. analogías. narrativa)	1.556	3.072	3.840
Auditar números (detectar el error plantado)	2.501	2.985	3.731
Anti-alucinación (citas. contexto)	681	2.705	3.381
JSON estructurado (extracción. schemas)	583	2.354	2.942
Traducción (es↔en)	648	2.344	2.930
Tool calling (llamada de funciones)	938	2.221	2.776
Contenido con datos verificables (no inventar)	821	2.032	2.540
Integridad de idioma (no mezclar idiomas)	1.289	1.983	2.478
Soporte al cliente (clasificar y responder)	1.104	1.797	2.246
No inventar herramientas (abstenerse cuando no hay)	645	1.340	1.675
Contenido genérico (blog. email. social)	1.004	1.294	1.617
Resúmenes y extracción de datos	1.092	1.092	1.365
Seguir instrucciones al pie de la letra	890	1.090	1.362
Verificar un dato contra su fuente	346	648	810
Precisión literal (hex. JWT. configs)	178	293	366
Resistencia a prompt injection	185	272	340

Las marcadas (piso) tocaron el techo del propio examen (8.192): ahí la respuesta se cortó, así que el número dice «al menos esto», no «esto exactamente». Dar más aire en esas.

Los números oficiales de Nemotron 3 Nano 30B

Acá no los repetimos, y es a propósito. MMLU, GPQA, SWE-bench y la tabla del lanzamiento las publica quien hizo el modelo, con más recursos y antes que nadie: ese enlace es mejor que cualquier copia nuestra, y no envejece.

Ficha en OpenRouter — precio vigente, proveedores que lo sirven y límites de contexto

Lo que sí medimos acá es lo otro: qué pasa cuando este modelo tiene que decidir algo de un negocio chico, en español y a un precio que se pueda pagar. Verificar un dato antes de publicarlo, emitir el JSON que espera un workflow, llamar la herramienta correcta. Eso no está en la tarjeta del fabricante.

¿Es el mejor para TU caso?

Filtra por presupuesto, calidad mínima y tipo de tarea. En 30 segundos sabes si Nemotron 3 Nano 30B es tu opción o hay algo mejor para lo que haces.

Ir a la calculadora →