NVIDIA presentó Ising Calibration 1.5, un modelo de visión y lenguaje (VLM) de código abierto pensado para una tarea muy específica y hasta ahora manual: interpretar los resultados de diagnóstico de un procesador cuántico (QPU) y determinar cómo debe ajustarse para seguir funcionando. La novedad central es que el modelo hace este trabajo de forma autónoma, incluso frente a diagnósticos que nunca vio durante su entrenamiento.
El objetivo es habilitar flujos de calibración agénticos directamente en el laboratorio local, sin depender de un experto humano que lea cada gráfico. Según NVIDIA, esta versión analiza resultados desconocidos sin ejemplos previos y, cuando los tiene, aprovecha experimentos relacionados para mejorar sus recomendaciones.
¿Qué trae de nuevo Ising Calibration 1.5?
La versión 1.5 es un VLM de 31.000 millones de parámetros y llega 11,4% más liviana en precisión BF16 que su antecesor. Por primera vez, NVIDIA ofrece además una versión cuantizada en formato NVFP4, que permite ejecutar el modelo en una sola GPU o en un NVIDIA DGX Spark, con solo una pequeña pérdida de precisión. La compañía la posiciona como competitiva frente a modelos cerrados líderes como Fable 5 y GPT 5.6 Sol.
El modelo de 31.000 millones de parámetros está pensado para GPU de centro de datos como NVIDIA Grace Blackwell y NVIDIA Vera Rubin, pero la variante NVFP4 abre la puerta a correrlo en una tarjeta gaming de consumo. NVIDIA también optimizó el rendimiento en tokens por segundo sobre DGX Spark, lo que según la empresa permite buen throughput local a una fracción del costo.
¿Cómo se entrenó el modelo?
Ising Calibration 1.5 se entrenó con datos aportados por socios a partir de múltiples modalidades de qubits: superconductores, puntos cuánticos (quantum dots), iones, átomos neutros y electrones sobre helio, entre otras arquitecturas especializadas en calibración y control. Esa diversidad busca que el modelo generalice a distintos tipos de hardware cuántico y no quede atado a una sola tecnología.
¿Qué tan bien funciona?
El rendimiento se mide con el benchmark QCalEval, que evalúa la capacidad del modelo para interpretar resultados experimentales, clasificar desenlaces, valorar su significancia, juzgar la calidad de los ajustes y recomendar los pasos siguientes. La evaluación cubre dos escenarios: razonamiento zero-shot (analizar resultados sin ejemplos previos) y aprendizaje en contexto o in-context learning (evaluar en función de muestras relacionadas). Ambos son claves para construir agentes capaces de automatizar la puesta en marcha y el reajuste de un QPU.
En zero-shot, NVIDIA reporta que el modelo puntúa en promedio un 10% mejor que el mejor modelo abierto comparable de tamaño similar. Con ejemplos relacionados, el salto es mayor: la versión 1.5 es 86,68% mejor que su predecesora. Según la empresa, supera a todos los modelos abiertos comparables y se mantiene competitiva frente a modelos cerrados o de más de un billón de parámetros.
Todo abierto: pesos, datos y recetas
La familia NVIDIA Ising es completamente abierta. NVIDIA publica los checkpoints de parámetros completos en Hugging Face, en dos variantes: Ising Calibration 1.5 31B BF16 y Ising Calibration 1.5 31B NVFP4. El modelo también está disponible como NVIDIA NIM y alojado a través de NVIDIA Build.
La licencia elegida es la OpenMDW de la Linux Foundation, que según NVIDIA da a los operadores de QPU flexibilidad para mantener el control de sus datos y desplegar donde quieran. Se acompaña de un blueprint de agente, el Quantum Calibration Agent Blueprint, que integra el modelo con el NVIDIA Nemo Agent Toolkit para armar la automatización de experimentos de calibración cuántica.
Datos y benchmark liberados
Ising Calibration 1.5 se construyó sobre datos reales de QPU aportados por socios y colaboradores, y NVIDIA liberó también el material para reproducir la evaluación: el dataset QCalEval y el script del benchmark. El paper con detalles de arquitectura y resultados está disponible en arXiv.
Para quien opera un laboratorio de computación cuántica, el atractivo práctico es concreto: correr la calibración localmente, con datos propios, sin enviar información sensible a la nube y sin depender de un modelo cerrado de pago. Un DGX Spark ronda los USD 3.000 a 4.000, muy por debajo de un servidor con GPU de centro de datos, lo que baja la barrera de entrada para grupos académicos y startups que hasta ahora dependían de calibración manual.
