Intensivo Gratis 21–22.11Intensivo gratuito de 2 días en Vibecoding (21–22 nov, 16:00 MSK) · Cohorte 3 inicia 23.11Registrarse gratis →Cohorte 3 (23.11)
IndustriaCódigo / SDK · Listo para usarThe Decoder→ original

Nvidia, cerca de comprar Inception por $500 millones para impulsar los LLM de difusión

Nvidia está cerca de comprar la startup Inception por al menos $500 millones, según The Information. Inception entrena modelos de lenguaje que no escriben la respuesta token a token, como ChatGPT, sino de una vez: primero generan un borrador de toda la página y después lo corrigen en varias pasadas, igual que los generadores de imágenes. Si el enfoque funciona, Nvidia reforzará sus modelos abiertos Nemotron y los desarrolladores tendrán LLM más rápidos para agentes y autocompletado de código.

Procesado por IA desde The Decoder; editado por Hamidun News
Nvidia, cerca de comprar Inception por $500 millones para impulsar los LLM de difusión
Fuente: The Decoder. Collage: Hamidun News.
Escuchar artículo
Ficha técnica y cifras clave
ParámetroDatos
Fuente originalThe Decoder ↗
Editor jefe
Operaciónal menos $500 millones, con bonus para más de 30 empleados de Inception
Dato clave #2Los cofundadores y profesores Ermon, Grover y Kuleshov se incorporarán a Nvidia
Dato clave #3Mercury 3, según Inception, es más rápido que GPT-6 Luna y Claude Haiku 5.5

Los modelos de lenguaje convencionales escriben la respuesta como quien dicta una carta: palabra a palabra, y cada una depende de las anteriores. Por eso hay que esperar a que termine una respuesta larga, y en una cadena de decenas de pasos de un agente las latencias se acumulan. Nvidia, según The Information, ha decidido comprar a un equipo que explora otro camino: los modelos de lenguaje (LLM) de difusión.

Estos generan de golpe un borrador de toda la respuesta y lo refinan varias veces, como un editor que corrige la página entera en lugar de añadir texto de izquierda a derecha. Según tres fuentes del medio, Nvidia está cerca de adquirir la startup Inception por al menos $500 millones. Por ahora la compra no está confirmada: ni Nvidia ni Inception quisieron comentar la noticia en un primer momento.

Para un desarrollador, la utilidad práctica es sencilla: si este enfoque funciona a gran escala, el autocompletado de código, los asistentes de voz y los agentes podrán responder bastante más rápido.

Qué hace Inception y en qué se diferencia

Inception existe desde hace unos dos años, tiene su sede en el área de la bahía de San Francisco y cuenta con más de 30 empleados. La startup construye modelos de lenguaje basados en difusión, un enfoque conocido por los generadores de imágenes. En ellos, la imagen empieza pareciendo ruido y se va revelando en varias pasadas.

Aquí la misma idea se aplica al texto. Un modelo convencional, como los que hay detrás de ChatGPT y Claude, genera la respuesta token a token (un token es un fragmento de palabra). El modelo de difusión crea un borrador de toda la respuesta y lo mejora paso a paso. En teoría, esto supone una ganancia de velocidad, porque se procesan muchos tokens en paralelo.

El último lanzamiento de la startup es Mercury 3. Según The Decoder, en octubre Inception afirmó que el modelo supera a GPT-6 Luna y Claude Haiku 5.5 con un tiempo de espera notablemente menor. Es una afirmación de la propia compañía; la fuente no recoge mediciones independientes.

Por qué le interesa a Nvidia

Según The Information, la compra debe reforzar la línea abierta Nemotron y los modelos físicos para robots. Nemotron ya lo usan Palantir y organismos del gobierno de EE. UU. como alternativa a los modelos abiertos chinos. Para Nvidia es un mercado importante: si la compañía tiene modelos abiertos potentes, a los clientes les resulta más fácil seguir en su hardware y su software.

Hay también un contexto competitivo. OpenAI y Anthropic, según el artículo, fabrican sus propios chips para inferencia, es decir, para ejecutar modelos ya entrenados. Nvidia gana dinero porque el mercado ejecuta los modelos en sus GPU, y los chips propios de la competencia debilitan ese modelo de negocio. Una arquitectura rápida y barata de ejecutar ayuda a demostrar que la plataforma de Nvidia sigue siendo el mejor lugar para la inferencia.

La operación incluye bonus por resultados para los empleados de Inception. Los cofundadores, los profesores Stefano Ermon, Aditya Grover y Volodymyr Kuleshov, deben incorporarse a Nvidia a jornada completa. Las negociaciones, según el medio, comenzaron antes de la dimisión del director de Nvidia, Jensen Huang, y después de que Microsoft mostrara interés por la startup. The Decoder informó de la dimisión por separado: se produjo el 12 de noviembre, tras un escándalo de espionaje por el que el valor de mercado de la compañía cayó $1,4 billones.

Qué significa para los desarrolladores

Primero, los LLM de difusión dejan de ser una rareza. Cuando el mayor fabricante de aceleradores paga como mínimo 500 millones de dólares por un equipo de poco más de treinta personas, apuesta por la tecnología y no por los ingresos actuales.

Segundo, si construyes productos en los que la latencia es importante (autocompletado de código, asistentes de voz, agentes con decenas de pasos), conviene que empieces a mirar estos modelos ya. La velocidad de respuesta en las cadenas de agentes se acumula en cada paso, y la mejora puede resultar más notable que un aumento de calidad.

También hay limitaciones. La operación aún no está cerrada, el precio se indica como mínimo y las comparaciones de Mercury 3 con sus competidores provienen de la propia startup. Se desconoce cómo se comportará el enfoque de difusión en tareas de razonamiento muy complejas y en contextos largos. Tampoco está claro si los pesos abiertos de Inception aparecerán dentro de Nemotron. Por ahora, la conclusión práctica es esta: sigue los benchmarks independientes de Mercury 3 y prueba los modelos de difusión en tus propias tareas donde el tiempo de respuesta sea crítico.

Historia

Preguntas frecuentes sobre la noticia

¿Qué se sabe sobre Qué hace Inception y en qué se diferencia?

Inception existe desde hace unos dos años, tiene su sede en el área de la bahía de San Francisco y cuenta con más de 30 empleados. La startup construye modelos de lenguaje basados en difusión, un enfoque conocido por los generadores de imágenes. En ellos, la imagen empieza pareciendo ruido y se va revelando en varias pasadas. Aquí la misma idea se aplica al texto. Un modelo convencional, como los que hay detrás de ChatGPT y Claude, genera la respuesta token a token (un token es un fragmento de palabra).

¿Qué se sabe sobre Por qué le interesa a Nvidia?

Según The Information, la compra debe reforzar la línea abierta Nemotron y los modelos físicos para robots. Nemotron ya lo usan Palantir y organismos del gobierno de EE. UU. como alternativa a los modelos abiertos chinos. Para Nvidia es un mercado importante: si la compañía tiene modelos abiertos potentes, a los clientes les resulta más fácil seguir en su hardware y su software. Hay también un contexto competitivo.

¿Qué se sabe sobre Qué significa para los desarrolladores?

Primero, los LLM de difusión dejan de ser una rareza. Cuando el mayor fabricante de aceleradores paga como mínimo 500 millones de dólares por un equipo de poco más de treinta personas, apuesta por la tecnología y no por los ingresos actuales. Segundo, si construyes productos en los que la latencia es importante (autocompletado de código, asistentes de voz, agentes con decenas de pasos), conviene que empieces a mirar estos modelos ya.

ZK
Zhemal Khamidun — CPO de Alpina Digital, product manager de AlpinaGPT. Crea productos de IA desde 2019. Hamidun News es un proyecto personal que creció hasta ser un agregador en producción con más de 6.000 lectores.
✦ Unified AI Workspace · Nomad

Test Frontier LLMs & Autonomous Agents in One Workspace

Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.

Try Nomad AI →Launch Nomad Agent
¿Qué te parece?
Cargando comentarios…