Model Releases
NVIDIA lanza Nemotron Labs Dory 1.0, su primer modelo de lenguaje de bucle recurrente
NVIDIA introduce Dory 1.0, un modelo de 4B parámetros con arquitectura de profundidad elástica y bucle recurrente para optimizar el cómputo en despliegues variables.
16 de octubre de 2026
Model ReleaseNemotron Labs Dory 1.0
Introducción
En un movimiento que ha tomado por sorpresa a la comunidad de IA, NVIDIA ha publicado silenciosamente en Hugging Face el primer miembro de su nueva línea Nemotron Labs: Dory 1.0. Sin un anuncio formal en su blog corporativo principal, este lanzamiento marca el inicio de una familia de modelos de lenguaje de bucle abierto (open looped language models) diseñados para romper la rigidez de las arquitecturas Transformer tradicionales.
Dory 1.0 no es simplemente otro modelo de 4B parámetros; es una apuesta por la eficiencia computacional extrema. Al introducir el concepto de profundidad elástica, NVIDIA permite que un único checkpoint se adapte a diferentes presupuestos de cómputo en tiempo de ejecución, permitiendo a los desarrolladores escalar la complejidad del razonamiento según la latencia disponible.
- Lanzamiento: 16 de octubre de 2026
- Línea: Nemotron Labs (primera entrega)
- Arquitectura: Looped latent-recurrent
- Licencia: OpenMDW-1.1 (uso comercial permitido)
Arquitectura y Características Clave
El núcleo de Dory 1.0 reside en su arquitectura de bucle latente-recurrente. A diferencia de los modelos estándar donde cada capa se ejecuta una sola vez por token, Dory utiliza un bloque compartido de capas que se aplica repetidamente. Esto significa que el modelo puede 'pensar más tiempo' en tokens complejos simplemente ejecutando más iteraciones sobre el mismo conjunto de pesos.
Técnicamente, el modelo se basa en una arquitectura Normalized-GPT que integra capas híbridas de atención. Combina una ventana deslizante (sliding-window attention) para manejar contextos largos de manera eficiente con capas de atención completa para mantener la coherencia global del texto. Es un modelo exclusivamente de texto, entrenado con los datasets nemotron-pre-training y nemotron-post-training-v3.
- Parámetros: 4B (looped latent-recurrent)
- Mecanismo de atención: Híbrido (Sliding-window + Full attention)
- Cutoff de pre-entrenamiento: Septiembre 2025
- Cutoff de post-entrenamiento: Mayo 2026
- Cuantizaciones disponibles: BF16, MXFP8, NVFP4 y GGUF
Rendimiento y Benchmarks
Aunque el tamaño de 4B podría parecer modesto frente a gigantes de cientos de miles de millones de parámetros, la eficiencia de Dory 1.0 es notable. En pruebas de razonamiento lógico, la capacidad de iteración recurrente le permite superar a modelos de hasta 7B parámetros que utilizan arquitecturas estáticas, especialmente cuando se le asigna un mayor presupuesto de cómputo por token.