Nemotron 3 Super: para qué sirve de verdad (benchmark en español)

Donde mejor rinde es Coding (#47 de 97 entre los que rinden el examen completo), y donde menos rinde es Razonamiento (7.09 contra 9.09). Está en el tercio más barato del ranking: $0.625 por cada 1.000 llamadas.

Nota de calidad7.91/10#81 de 97 · del mejor al peor hay 1.3 puntos

Por 1.000 llamadas$0.625más barato que 77 de 97

Al mes, uso típico$0.93850 llamadas por día, todos los días

Velocidad147 tok/s76.0 s de espera media

⬡ Open source · NVIDIA Open ⚒ Puede usar herramientas ◈ Razona antes de responder ⌸ Le caben ~1.700 páginas a la vez ⛨ Cae ante instrucciones ocultas · 1.0/10

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 9.09 (+0.01 vs mediana)

Contenido 8.17 (-0.21 vs mediana)

Razonamiento 7.09 (-0.86 vs mediana)

Agentes 7.98 (+0.44 vs mediana)

Medido con 855 runs que puntúan, juez Phi-4 local · actualizado 2026-08-23 · datos abiertos

Qué hace bien y qué no

Su media entre las 32 tareas medidas es 7.14. 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) — 8.80 (+1.66 contra su media). Decide: emitir JSON válido a la primera
OCR / extracción desde imágenes — 8.76 (+1.62 contra su media). Decide: leer datos de una imagen
Presentaciones (slides, reportes) — 8.20 (+1.06 contra su media). Decide: estructurar una presentación
Estrategia (pricing, planificación) — 8.12 (+0.98 contra su media). Decide: elegir entre opciones de negocio

Donde se cae

Resistencia a prompt injection — 2.13 (-5.01 contra su media). Decide: resistir una fuga de datos
Orquestación (flujos de varios pasos) — 5.16 (-1.98 contra su media). Decide: coordinar un flujo de varios pasos
Razonamiento profundo (matemática, Fermi) — 5.49 (-1.65 contra su media). Decide: resolver un problema difícil sin atajos
Anti-alucinación (citas, contexto) — 6.06 (-1.08 contra su media). Decide: no inventar cuando no sabe

Si Nemotron 3 Super 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 Super 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	855
Tool calling	6.31
Resistencia a prompt injection	1.00
Precio
Precio por millón · entrada	$0.085
Precio por millón · salida	$0.400
Rendimiento y límites
Latencia total media	76.0 s
Ventana de contexto	1.000.000
Contexto útil medido	128.000

Contra los mejores del ranking, en plata

La pregunta útil no es cuánto le falta a Nemotron 3 Super 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 Super Este modelo	7.91	$0.625
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 8% más (8.52 contra 7.91) y cuesta 1 veces más por llamada.
Claude Opus 4.8 (el caro que todos conocen) rinde 7% más (8.48 contra 7.91) y cuesta 62 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 Super 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)	10.668	37.925	47.406 (piso)
Razonamiento profundo (matemática. Fermi)	2.099	8.192	10.240 (piso)
Estrategia (pricing. planificación)	4.350	5.205	6.506
Decisiones de negocio (prioridades. plan)	2.766	5.184	6.480
Noticias + SEO (artículos completos)	2.048	4.869	6.086
Multi-turno (debugging. requisitos)	2.789	4.699	5.873
Anti-alucinación (citas. contexto)	517	4.672	5.840
OCR / extracción desde imágenes	1.357	3.628	4.535
Ventas en frío (cold email. campañas)	813	3.254	4.067
Auditar números (detectar el error plantado)	2.088	3.174	3.967
Creatividad (hooks. analogías. narrativa)	1.621	3.118	3.897
Contenido con datos verificables (no inventar)	1.173	3.077	3.846
Integridad de idioma (no mezclar idiomas)	1.657	2.369	2.961
Razonamiento general (lógica. decisiones)	2.048	2.160	2.700
Generación de código (Python. SQL. debug)	1.473	2.048	2.560
Presentaciones (slides. reportes)	2.048	2.048	2.560
Contenido startup (newsletter. actualidad)	2.048	2.048	2.560
Gestión de tareas (action items. planes)	1.764	2.048	2.560
Traducción (es↔en)	421	1.670	2.087
Contenido genérico (blog. email. social)	1.127	1.182	1.477
JSON estructurado (extracción. schemas)	481	1.178	1.472
Soporte al cliente (clasificar y responder)	355	1.107	1.383
Tool calling (llamada de funciones)	86	813	1.016
No inventar herramientas (abstenerse cuando no hay)	327	741	926
Seguir instrucciones al pie de la letra	599	726	907
Aguja en el pajar (contexto largo en español)	170	628	785
Resistencia a prompt injection	23	624	780
Capacidades de agente (delegación. skills)	412	606	757
Precisión literal (hex. JWT. configs)	158	483	603
Verificar un dato contra su fuente	225	476	595
Resúmenes y extracción de datos	370	370	462
Orquestación (flujos de varios pasos)	236	312	390

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 Super

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 Super es tu opción o hay algo mejor para lo que haces.

Ir a la calculadora →