
NVIDIA libera Flora, que etiqueta video de robots por 72 centavos
El motor de datos abierto se apoya en tres modelos Qwen3.5 afinados y, según NVIDIA, cuesta 125 veces menos que GPT-6 Astra.
60 notas publicadas

La plataforma Isaac agrega flujos de referencia, más de 2.000 recursos de simulación, el conjunto Human 1M y un runtime abierto sobre Holoscan para pasar de la simulación al robot real.

La empresa usó el software de NVIDIA sobre una Jetson AGX Thor y presentó KINO-2, su plataforma para enseñarle tareas al robot con demostraciones humanas.

NVIDIA publicó una guía paso a paso con KvikIO para cargar archivos en la memoria de la GPU sin pasar por la CPU y comprobar qué ruta tomó cada lectura.

Lo hace con una versión de SGLang escrita para PyTorch nativo, y un vLLM equivalente marcó 700 tokens por segundo contra 452 de 16 GB200.

Cosmos Data Factory trae cinco blueprints para generar datos sintéticos, Cosmos Framework abre el ajuste fino a modelos como GR00T y Pi0.5, y los NIM de Cosmos 3 duplican la velocidad de inferencia.

Los pedidos superan los 35.000 millones de dólares, pero NVIDIA solo podría entregar entre 5% y 10% de lo que piden, según fuentes de Reuters.

Super VL tiene 120.000 millones de parámetros y apunta al centro de datos, mientras los dos Bolt están hechos para correr local en equipos con RTX Spark y DGX Spark.

La herramienta de AWS promete llevar una app de PyTorch a Trainium cambiando una sola línea de configuración, sin reescribir código.

El sistema será de nivel 2++, parecido al FSD de Tesla, correrá sobre la plataforma Hyperion y llegará a toda la gama antes de 2030.

Super VL tiene 120.000 millones de parámetros y apunta a agentes empresariales. Los Bolt corren en 24 GB y 4 GB de memoria, en PC y Jetson.

USD BRep abre bajo licencia Apache 2.0 un motor de modelado sólido NURBS que antes se vendía con licencia comercial, con interfaces en C++ y Python.

La plataforma de orquestación de GPU sobre Kubernetes queda abierta completa, junto a cuatro componentes que se pueden adoptar por separado.

Según el Financial Times, usan RTX 5090 y RTX Pro permitidas por los controles de exportación para cubrir un déficit de 1,5 millones de chips.

Junta SageMaker, IoT Greengrass y el stack Isaac y Cosmos de NVIDIA en un flujo que va de los datos sintéticos al despliegue en el robot.

El laboratorio de robótica de NVIDIA en Seattle y Foxconn pusieron a prueba robots en el montaje de las bandejas de prueba del GB300, y lo clásico ganó a lo aprendido.

NVIDIA especializó su familia Nemotron 3 con ajuste fino y aprendizaje por refuerzo, y liberó en Hugging Face los modelos, los datos y las recetas.

NVIDIA y Microsoft presentaron en San Francisco el chip para agentes locales, la Surface Laptop Ultra y una DGX Station que por primera vez corre Windows.

La empresa de carga de vehículos eléctricos diseñó gabinetes con hasta 48 GPU para aprovechar la potencia eléctrica que sus 1.600 estaciones no usan.

La startup de Brooklyn dice que Beam iguala a GLM-5.2 de Z.ai en razonamiento con 3 a 4 veces menos cómputo de inferencia, y promete liberar los pesos este mes.

La compañía compara su Ryzen AI Max+ Pro 495 con un Core Ultra de Intel y dice haber despachado más de medio millón de PC agénticos.

El laboratorio instaló un servidor con dos Vera de 88 núcleos en su banco de pruebas Darwin, antesala de los supercomputadores Mission, Vision y Veritas.

Richard Ho, jefe de hardware de OpenAI, dijo a Tom's Hardware que eligió Turin por madurez y que Vera, como CPU independiente, todavía está un poco atrás.

El nuevo sistema del Allen Institute for AI triplica el rendimiento de su versión anterior en GPU B300 y será la base del próximo Olmo.

La versión recortada mantiene el GB10, los 273 GB/s de ancho de banda y la tarjeta ConnectX 7 para unir dos equipos.

Google, Nvidia, OpenAI y Architect Labs usan IA para diseñar silicio, pero con grados de autonomía muy distintos, y la arquitectura sigue en manos humanas.

La empresa de robots de inspección usa OpenShell para que sus agentes de IA solo den las órdenes que ya pueden dar sus operadores de terreno.

Richard Ho, jefe de hardware de OpenAI, dijo a Tom's Hardware que el chip es de propósito general y que la demanda interna de cómputo lo ocupará por mucho tiempo.

La empresa agrupa ambas herramientas en su Open Agent Safety Platform y dice tener colaboraciones con Anthropic, Microsoft y Mistral, pero OpenAI no aparece en el anuncio.

El CEO de Nvidia le dijo a Ezra Klein, del New York Times, que los llamados a regular de OpenAI y Anthropic son una distracción y que las leyes vigentes ya alcanzan.

Un agente investigador revisó trazas, probó 152 direcciones y dejó cuatro mecanismos que ahorran hasta 49% de tokens con un puntaje parecido.

Las dos variantes, de 28 y 32 Gbps, figuran como fin de vida. La empresa mueve su producción a los chips de 3 GB que usan las GPU para IA.

The Register reunió lo que se sabe de Zen 6 en servidores, desde el Venice de 256 núcleos hasta el Verano con LPDDR5x que AMD prepara contra Vera de Nvidia.

La medición corrió sobre DeepSeek-R1 en ocho GPU B200, con el cifrado encendido y apagado, y dejó el sobrecosto de latencia por token bajo el 5%.

NVIDIA aportó a ROS un backend de memoria que deja los datos en la GPU entre nodos, y publicó el paso a paso para migrar un nodo de inferencia ya existente.

La versión llega con compatibilidad para ROS 2 Lyrical y Ubuntu 24.04, y su modelo FoundationPose sigue la posición de un objeto hasta 5,5 veces más rápido.

La empresa dice que no alcanza a cubrir la demanda interna, y su respuesta a Nvidia pasa por clusters Atlas de hasta 15.488 aceleradores en vez de competir chip contra chip.

Codex coordina subagentes Hermes desplegados con NemoClaw, que usan las bibliotecas Omniverse para inventariar la escena, escribir metadatos en OpenUSD, configurar la física y validar el resultado.

El kernel de Nunchux AI cuantiza solo el residuo de los valores y cambia la exponencial en FP32 del softmax por una multiplicación y suma fusionadas, sin entrenamiento previo.

NVIDIA reescribió su cliente de carga desde cero, con procesos de trabajo separados y coordinación por ZMQ, para que el propio medidor deje de ser el cuello de botella.

La compañía también duplicó el rendimiento en FP4 del Ascend 960PR frente a lo que había anunciado el año pasado, y detalló por primera vez los chips que llegan en 2028 y 2029.

Agility Robotics le cambió las piernas de pájaro por unas que doblan como las humanas, y dice que es el primer humanoide diseñado para una evaluación en terreno contra las normas de la OSHA.

Un desarrollador reimplementó la red neuronal de NVIDIA con shaders de cómputo de WebGPU. Los pesos pesan 147 MB y cada cuadro tarda uno o dos segundos.

La empresa publicó un documento técnico con las mediciones de SPEC CPU 2026 y Stream, aunque compiló sus resultados con GCC 16.1 y los comparó contra los que Nvidia midió con GCC 15.2.

El proyecto dlss-nr-on-intel reimplementa la U-Net de 71 bloques sobre las unidades XMX de Xe2 con una extensión de Vulkan, y su autor dice que el código lo escribieron agentes de IA.

El acelerador declara 4 petaFLOPS en FP4 y 288 GB de memoria propia HiZQ, el doble de rendimiento y de capacidad que la serie 950 lanzada este año.

The Information reporta máquinas con dos y cuatro chips M8 Ultra para 2029, y que Apple mira la infraestructura NVLink Fusion porque su propia interconexión no le alcanza para escalar.

TensorRT Edge-LLM corrió Qwen3.6-27B en un solo kit de desarrollo y completó las 1.007 vueltas 6,4 veces más rápido que la referencia de llama.cpp.

NVIDIA explica con Nemotron 3.5 Lightning en qué se diferencian los modelos densos y los de mezcla de expertos, y por qué la decisión depende del presupuesto de memoria y de la concurrencia.

La medición de SemiAnalysis AgentX sobre el modelo DeepSeek V4 Pro compara el NVL72 de Vera Rubin contra el GB300 NVL72, y NVIDIA presentó el resultado en el AI Infra Summit.

Koa se construyó sobre Nemotron, el modelo de pesos abiertos de Nvidia, y se entrenó con datos sintéticos que imitan llamadas de servicio al cliente sin usar información real de las empresas.

Los kernels de Transformer Engine para JAX atacan los tensores irregulares del enrutamiento sin descartes, en una línea base donde la comunicación entre GPU se comía el 84% del tiempo de kernel.

El procesador de 2 nm llevará 11 núcleos sobre 5,7 GHz que ejecutan z/Architecture y AArch64 sin emulación, y llegó junto a una tanda de anuncios ARM en la conferencia Hot Chips.

La empresa, escindida de Intel en 2020, presentó Active Compute Fabric, una red que busca recortar el tiempo que las GPU pasan esperando datos.

El orquestador es nativo de Kubernetes, sale con licencia Apache 2.0 y describe en un solo archivo YAML las tres etapas por las que pasa una política de control antes de llegar al robot.

Huawei, Cambricon, Moore Threads y Biren empujan procesadores propios, pero el obstáculo que ninguno ha resuelto es el entorno de software que rodea a las GPU de Nvidia.

El fabricante de aceleradores de inferencia adopta la arquitectura de rack MGX en vez de construir su propia infraestructura de escala completa.

Nota AI descartó los modelos de referencia y diseñó un Vision Transformer de 98.000 parámetros que restaura solo el canal de luminancia para lograr 30 cuadros por segundo en cámaras de vigilancia.

La compañía describe una arquitectura de tres computadores, entrenamiento, simulación y cómputo a bordo, y enumera a Uber, Waymo, Zoox, Wayve, Mercedes-Benz y una docena más como usuarios.

El modelo fundacional S1 ejecuta trabajos de hasta 10 minutos que nunca vio antes, sin reentrenamiento, y ya arma sistemas Blackwell junto a Foxconn y NVIDIA.
Otros temas que aparecen junto a #nvidia en nuestra cobertura editorial.