Nemotron 3 Ultra 550B: para qué sirve de verdad (benchmark en español)

Lo mejor que tiene es Coding, y aun así queda abajo (#76 de 97 entre los que rinden el examen completo), y donde menos rinde es Agentes (7.10 contra 8.67). Cuesta $5.58 por cada 1.000 llamadas.

Nota de calidad8.01/10#69 de 97 · del mejor al peor hay 1.3 puntos

Por 1.000 llamadas$5.58el 30º más caro de 97

Al mes, uso típico$8.3750 llamadas por día, todos los días

Velocidad106 tok/s22.2 s de espera media

⬡ Open source · NVIDIA Open Model ⚒ Puede usar herramientas ◈ Razona antes de responder ⌸ Le caben ~220 páginas a la vez ⛨ Cae ante instrucciones ocultas · 2.8/10

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 8.67 (-0.40 vs mediana)

Contenido 8.31 (-0.07 vs mediana)

Razonamiento 8.15 (+0.20 vs mediana)

Agentes 7.10 (-0.45 vs mediana)

Medido con 161 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 7.32. 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) — 9.02 (+1.70 contra su media). Decide: emitir JSON válido a la primera
Verificar un dato contra su fuente — 8.53 (+1.21 contra su media). Decide: decidir si una fuente respalda una afirmación
Generación de código (Python, SQL, debug) — 8.35 (+1.03 contra su media). Decide: escribir código que corre
Gestión de tareas (action items, planes) — 8.25 (+0.93 contra su media). Decide: convertir una conversación en tareas

Donde se cae

Resistencia a prompt injection — 3.71 (-3.61 contra su media). Decide: resistir una fuga de datos
Capacidades de agente (delegación, skills) — 4.65 (-2.67 contra su media). Decide: delegar y usar lo que tiene a mano
Orquestación (flujos de varios pasos) — 5.21 (-2.11 contra su media). Decide: coordinar un flujo de varios pasos
Noticias + SEO (artículos completos) — 6.26 (-1.06 contra su media). Decide: escribir un artículo publicable

Si Nemotron 3 Ultra 550B 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
GPT-5.6 Luna Mejor nota, precio parecido	8.52	$0.930	10.6 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 Ultra 550B 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	161
Tool calling	7.21
Resistencia a prompt injection	2.80
Precio
Precio por millón · entrada	$0.600
Precio por millón · salida	$3.60
Rendimiento y límites
Latencia total media	22.2 s
Ventana de contexto	131.072
Contexto útil medido	128.000

Contra los mejores del ranking, en plata

La pregunta útil no es cuánto le falta a Nemotron 3 Ultra 550B 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 Ultra 550B Este modelo	8.01	$5.58
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 6% más y además es más barato: $0.930 contra $5.58. Acá no hay que elegir.
Claude Opus 4.8 (el caro que todos conocen) rinde 6% más (8.48 contra 8.01) y cuesta 7 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 Ultra 550B 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)	5.134	22.966	28.707 (piso)
Decisiones de negocio (prioridades. plan)	1.329	8.192	10.240 (piso)
Razonamiento profundo (matemática. Fermi)	1.874	8.192	10.240 (piso)
Presentaciones (slides. reportes)	4.420	8.192	10.240 (piso)
Gestión de tareas (action items. planes)	4.112	5.641	7.051
Razonamiento general (lógica. decisiones)	4.018	5.246	6.557
Contenido startup (newsletter. actualidad)	4.013	5.163	6.453
Estrategia (pricing. planificación)	3.076	5.119	6.398
Generación de código (Python. SQL. debug)	1.051	4.369	5.461
Ventas en frío (cold email. campañas)	827	3.742	4.677
Noticias + SEO (artículos completos)	1.765	2.871	3.588
Auditar números (detectar el error plantado)	1.149	2.820	3.525
OCR / extracción desde imágenes	1.029	2.503	3.128
Creatividad (hooks. analogías. narrativa)	882	2.189	2.736
Contenido genérico (blog. email. social)	1.182	2.149	2.686
JSON estructurado (extracción. schemas)	371	1.895	2.368
Integridad de idioma (no mezclar idiomas)	975	1.830	2.287
Anti-alucinación (citas. contexto)	548	1.593	1.991
Traducción (es↔en)	302	1.333	1.666
Resistencia a prompt injection	228	988	1.235
Multi-turno (debugging. requisitos)	555	966	1.207
Contenido con datos verificables (no inventar)	407	875	1.093
No inventar herramientas (abstenerse cuando no hay)	159	796	995
Resúmenes y extracción de datos	453	711	888
Capacidades de agente (delegación. skills)	373	638	797
Seguir instrucciones al pie de la letra	430	587	733
Soporte al cliente (clasificar y responder)	237	546	682
Orquestación (flujos de varios pasos)	361	531	663
Verificar un dato contra su fuente	337	506	632
Aguja en el pajar (contexto largo en español)	231	423	528
Tool calling (llamada de funciones)	266	327	408
Precisión literal (hex. JWT. configs)	129	242	302

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 Ultra 550B

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 Ultra 550B es tu opción o hay algo mejor para lo que haces.

Ir a la calculadora →