I nuovi modelli di ricerca AI di NVIDIA raggiungono i vertici delle classifiche globali e riducono i costi degli agent

Punti chiave

• NVIDIA ha rilasciato tre modelli Nemotron 3 Embed il 15 luglio 2026, tutti liberi da usare commercialmente.
• Il modello di punta 8B si è classificato primo su RTEB, la principale classifica globale per misurare quanto bene l'AI trova informazioni rilevanti.
• Il modello più piccolo 1B ha ridotto i tassi di errore di recupero del 27-28 percento rispetto al modello 1B precedente di NVIDIA.
• La variante ottimizzata per l'hardware 1B fornisce fino al doppio della velocità di elaborazione sui chip Blackwell di NVIDIA mantenendo un'accuratezza superiore al 99 percento della versione standard.
• Tutti e tre i modelli sono disponibili immediatamente su Hugging Face.

Quando fai una domanda a un assistente AI, di solito non indovina la risposta dalla memoria. Cerca in una libreria di documenti, estrae i più rilevanti e poi scrive una risposta in base a ciò che ha trovato. Questo passaggio di ricerca si chiama recupero, e il suo funzionamento determina tutto ciò che segue.

NVIDIA Corporation, il produttore di chip che costruisce anche strumenti software AI, ha rilasciato questa settimana una nuova famiglia di modelli di recupero chiamata Nemotron 3 Embed. Un modello di embedding, per spiegare il termine chiaramente, è un'IA che converte parole e frasi in numeri in modo che un computer possa confrontare rapidamente quanto due pezzi di testo sono correlati. I buoni modelli di embedding trovano i documenti giusti velocemente. Quelli scadenti restituiscono rumore, sprecano il tempo dell'agent AI e aumentano i costi di elaborazione.

Il modello di punta, Nemotron-3-Embed-8B-BF16, ha raggiunto il primo posto su RTEB (il Retrieval Text Embedding Benchmark, il principale concorso di accuratezza pubblico del settore) al 15 luglio 2026, con un punteggio del 78,5 percento. Questo è importante perché RTEB testa il recupero in molte lingue, tipi di documenti e compiti, quindi un punteggio alto lì è difficile da ottenere con un addestramento ristretto.

Il recupero migliore fa effettivamente risparmiare denaro?

Sì, e i risparmi possono essere sostanziali. NVIDIA ha condotto un esperimento significativo: hanno collegato i loro nuovi modelli di embedding a un agent AI, un programma software che può eseguire autonomamente compiti multi-step, e hanno misurato quanti token, le unità di testo che un modello AI legge e scrive, l'agent aveva bisogno di completare un compito di ricerca. Un recupero più accurato ha restituito risultati utili prima, quindi l'agent aveva bisogno di meno ricerche ripetute e meno passaggi di ragionamento. Meno passaggi significa conteggi di token inferiori, e conteggi di token inferiori significano bollette inferiori.

Il modello 8B ha prodotto sia l'accuratezza più alta che il costo di token stimato più basso su tre benchmark standard. Non è un compromesso; è semplicemente un modello migliore che fa meno lavoro inutile.

Per le organizzazioni che non possono permettersi di eseguire un modello da 8 miliardi di parametri su larga scala, NVIDIA ha anche rilasciato una versione da 1 miliardo di parametri, Nemotron-3-Embed-1B-BF16. Ottiene un punteggio del 72,4 percento su RTEB, ancora valido, e riduce i tassi di errore del 27 percento rispetto al suo predecessore. Una terza variante, Nemotron-3-Embed-1B-NVFP4, utilizza un formato di numero compresso chiamato NVFP4 sull'hardware Blackwell di NVIDIA per funzionare fino al doppio della velocità della versione standard perdendo meno dell'uno percento di accuratezza.

Tutti e tre i modelli supportano documenti fino a 32.000 token, gestiscono più lingue e funzionano con repository di codice. NVIDIA ha pubblicato i pesi del modello, i dettagli dei dati di addestramento e le ricette di fine-tuning, quindi i team possono adattare i modelli ai loro documenti senza ricominciare da zero.

Questi sono benchmark aziendali e valutazioni proprie di NVIDIA. Gli studi clinici indipendenti di livello clinico non si applicano qui, ma la classifica RTEB è mantenuta in modo indipendente e la classificazione più alta è un segnale esterno significativo. Gli sviluppatori che desiderano testare i modelli sui propri dati possono scaricarli oggi, come notato per la prima volta da Hugging Face, dove tutti e tre sono elencati.