Nvidia abre la receta de su sistema matemático que ganó el oro en la IMO

Los investigadores de Nvidia han publicado un relato completo del sistema que llevó a su modelo Nemotron 3 Ultra a una puntuación de medalla de oro en la Olimpiada Internacional de Matemáticas (IMO) de 2026, y han publicado casi todo lo necesario para reconstruirlo. El informe técnico apareció en arXiv el 9 de septiembre, acompañado de dos checkpoints del modelo con posentrenamiento, los datos de entrenamiento, el pipeline de inferencia, las demostraciones presentadas a la competición y un nuevo benchmark de 200 problemas olímpicos inéditos.

Lectura relacionada: La semana tecnológica: el despliegue se topa con su balance · Genie 4 añade sonido y control en tiempo real al modelo del mundo de DeepMind.

El sistema obtuvo 30 puntos sobre 42, por encima del umbral de oro de 29, y todas las demostraciones presentadas fueron calificadas por evaluadores oficiales de la IMO. Consiguió la puntuación máxima en los problemas 1, 2, 4 y 5 y un punto en cada uno de los problemas 3 y 6. El resultado es notable tanto por la puntuación como por el método: el pipeline operó enteramente en lenguaje natural, sin asistente formal de demostraciones, sin herramientas externas y sin acceso a internet.

Es un contraste deliberado con el enfoque que produjo resultados destacados anteriores en la IA matemática. Los sistemas construidos en torno a la verificación formal, que traducen los problemas a un lenguaje verificable por máquina, alcanzaron el nivel de plata en la IMO de 2024. La competición de 2025 fue la primera en la que modelos de lenguaje natural superaron el umbral del oro. La contribución de Nvidia es mostrar hasta dónde puede llegar una versión abierta y reproducible de ese segundo enfoque.

Un sistema, no un solo modelo

La advertencia más importante del informe es que el 30 sobre 42 es una puntuación de sistema. Ningún checkpoint por sí solo la obtuvo. El pipeline se apoya en tres checkpoints de Nvidia Nemotron 3 Ultra, una familia de modelos con 550.000 millones de parámetros de los que 55.000 millones están activos a la vez. Uno es el modelo base de disponibilidad general. Los otros dos son especialistas con posentrenamiento creados por los investigadores: uno mediante ajuste fino supervisado con un corpus centrado en demostraciones, y el otro mediante aprendizaje por refuerzo. Los dos especialistas se publican bajo la licencia OpenMDW-1.1.

El diseño de inferencia combina generación, verificación y refinamiento. En la primera ronda de búsqueda, el sistema muestrea 384 demostraciones candidatas por problema: 16 intentos de cada uno de ocho prompts de estrategia de resolución, ejecutados en los tres checkpoints. Un panel de verificación formado por los dos checkpoints especialistas puntúa entonces cada candidata. Una demostración avanza solo si los 16 juicios independientes del panel la puntúan como correcta. Las candidatas que sobreviven se refinan con las críticas escritas del panel, y el conjunto de demostraciones se acumula ronda tras ronda hasta que una se acepta por unanimidad.

Una etapa separada de alto cómputo vuelve a calificar después cada finalista. Cada checkpoint produce 16 juicios al estilo de la IMO en una escala de 0 a 7, lo que da 48 juicios por finalista, y gana la puntuación media más alta, con los empates resueltos a favor de la demostración más corta.

Qué muestran los estudios de ablación

El valor del informe reside en sus ablaciones, los experimentos que aíslan qué decisiones importaron. En un conjunto de desarrollo de 30 problemas, juzgado por un panel independiente de tres modelos comerciales, el especialista de aprendizaje por refuerzo fue el mejor pipeline de un solo checkpoint de principio a fin, con 180 de los 210 puntos posibles del jurado, frente a 165 del especialista con ajuste fino y 162 del modelo base. El checkpoint con ajuste fino, en cambio, resolvió más problemas en la primera ronda, lo que sugiere que ambos especialistas contribuyen de forma distinta a la búsqueda.

La verificación fue la otra variable decisiva. En un conjunto de auditoría de 300 demostraciones, el panel combinado de RL y SFT redujo la tasa de falsos positivos (el modo de fallo que cierra la búsqueda con una demostración inválida) hasta alrededor del 1,1 por ciento. El juicio del checkpoint de RL por sí solo produjo una tasa de falsos positivos del 12,4 por ciento, y el modelo base, del 31,6 por ciento. La conclusión de los investigadores es que los dos especialistas selectivos detectan los errores del otro bajo una regla de unanimidad, lo que importa más que la calidad bruta de generación.

El informe también es sincero sobre lo que no ayudó. Un enrutamiento más elaborado entre checkpoints cambió el comportamiento temprano de búsqueda sin mejorar la cobertura final, y un filtrado agresivo de las demostraciones candidatas descartó intentos que luego conducían a soluciones correctas.

La factura de cómputo

La ejecución de la competición fue costosa. Las seis demostraciones presentadas se hallaron dentro de unos 707 millones de tokens generados y 1.464 horas de GPU GB200. Completar las rondas que ya estaban en marcha llevó la ejecución completa a unos 2.310 millones de tokens y 4.800 horas de GPU GB200. Los investigadores publicaron la contabilidad de recursos junto con el código, algo inusual y útil: permite a otros laboratorios estimar cuánto cuesta una ejecución de nivel competitivo antes de intentarla.

El despliegue tampoco es trivial. Ejecutar los checkpoints requiere aproximadamente 1,5 terabytes de memoria de gran ancho de banda, alrededor de un solo nodo de ocho GPU B200, y la publicación es autoalojada, sin API alojada ni lista de precios.

Lenguaje natural frente a verificación formal

La decisión de trabajar sin un demostrador formal es la elección de diseño más trascendente del informe. Los métodos formales, en los que una demostración se traduce a un lenguaje como Lean y la verifica un programa, tienen una gran ventaja: una demostración verificada es correcta por construcción. También conllevan un gran coste. Traducir un problema de competición a lenguaje formal es lento y exige mucha pericia, y un sistema que solo puede trabajar en ese medio resulta de utilidad limitada para un matemático que quiere plantear una pregunta en prosa corriente.

Los sistemas de lenguaje natural cambian certeza por alcance. Su salida se lee como una solución humana, lo que facilita revisarla y publicarla, pero tiene que juzgarse por otros medios. La respuesta de Nvidia es estadística: usar varios checkpoints como jueces, exigir unanimidad y seleccionar entre los finalistas con un panel amplio. Las cifras de falsos positivos muestran por qué esa maquinaria es necesaria. Un solo modelo juzgando demostraciones aceptó respuestas erróneas con mucha más frecuencia que el panel combinado, y el modo de fallo es grave, porque una búsqueda que cree que una demostración inválida está terminada deja de buscar una correcta.

El enfoque tiene además una brecha de verificación que ninguna cantidad de juicio cierra del todo. Un panel de modelos de lenguaje puede equivocarse en conjunto, sobre todo en un problema cercano al límite de lo que pueden resolver. La prueba más sólida del resultado en la IMO no es, por tanto, la confianza del propio sistema, sino los evaluadores oficiales que otorgaron los puntos. Para uso de investigación, la distinción importa: un pipeline de lenguaje natural es una forma de generar candidatos y retroalimentación, no un sustituto de comprobar un resultado del que depende una decisión importante.

La estrategia de modelo abierto

Publicar los checkpoints, los datos y el código bajo una licencia permisiva es coherente con cómo Nvidia ha posicionado su familia Nemotron, usando pesos abiertos para sembrar la demanda del hardware que los ejecuta. La lógica comercial es directa. Una empresa que vende GPU se beneficia de que existan modelos abiertos capaces, porque reducen la barrera para construir sobre la plataforma de Nvidia y dan a los clientes una razón para comprar cómputo en lugar de alquilarlo.

Esa estrategia tiene un coste. Una vez que la receta es pública, cualquiera con el hardware puede reproducirla o mejorarla, incluidos laboratorios que compiten con los clientes de Nvidia. Los investigadores parecen haber aceptado el intercambio, apostando a que las ganancias reputacionales y de ecosistema de un resultado abierto y reproducible superan el riesgo de entregar a los competidores una plantilla. Si esa apuesta sale bien dependerá menos de la puntuación en la IMO que de cuántos equipos adopten la receta e informen de lo que encuentran.

El benchmark puede sobrevivir a la puntuación

El artefacto más duradero puede ser Nemotron-IMO-Bench, un conjunto de 200 problemas de nivel olímpico repartidos por igual entre álgebra, combinatoria, geometría y teoría de números, cada uno con una demostración de referencia curada por humanos. Los problemas se crearon con el matemático Titu Andreescu y se mantuvieron inéditos para que no puedan aparecer en ningún corpus de entrenamiento. La contaminación, el riesgo de que las preguntas de un benchmark se filtren en los datos de entrenamiento de un modelo, se ha convertido en un problema central para evaluar modelos de matemáticas y programación, y un conjunto de problemas nuevo y reservado es justo lo que le faltaba al campo.

La reproducción independiente es la prueba siguiente obvia. Todas las cifras de rendimiento de la publicación proceden del propio informe de Nvidia. La puntuación de la IMO tiene la procedencia más sólida porque se calificó en condiciones de competición, pero ningún laboratorio externo ha ejecutado aún la receta de principio a fin ni ha informado de una puntuación en el nuevo benchmark. Hasta que eso ocurra, el resultado debe leerse como el relato honesto de una ejecución de escala frontera, y no como una afirmación de capacidad ya asentada.

Por qué importa más allá de la medalla

El resultado llega en una semana en la que la IA y las matemáticas rara vez han estado más entrelazadas. El 8 de septiembre, OpenAI dijo que un enjambre de unos 10.000 agentes había encontrado una solución a un problema de larga data en las ecuaciones de Navier-Stokes, una afirmación que está verificada formalmente en Lean pero que el Instituto Clay de Matemáticas aún no ha aceptado de forma independiente. El trabajo de Nvidia apunta en otra dirección: hacia un pipeline reproducible que convierte el cómputo en tiempo de inferencia en producción matemática y luego abre todo el aparato para que otros lo examinen, más que hacia una única demostración dramática.

Esa transparencia es la verdadera noticia. Una puntuación de medalla de oro es un titular; una receta de entrenamiento publicada, un benchmark reservado y un presupuesto de cómputo detallado son herramientas sobre las que otros investigadores pueden construir. Si la receta se reproduce, la discreta publicación de esta semana parecerá más trascendente que la puntuación que la motivó.