NVIDIA Ising: los primeros modelos de IA open source para computación cuántica son 2.5 veces más rápidos y cualquiera puede descargarlos gratis

La computación cuántica lleva años siendo la tecnología del “ya mero”: mucho hype, pocas aplicaciones reales y un costo absurdo que la mantiene encerrada en laboratorios de élite. NVIDIA acaba de meter las manos y cambiar una parte fundamental de ese juego, y lo hizo con una jugada que no muchos esperaban: modelos de IA completamente abiertos, gratis, descargables desde Hugging Face.

Se llaman NVIDIA Ising y salieron el 14 de abril de 2026. No son modelos para generar texto ni imágenes. Son herramientas diseñadas específicamente para resolver dos de los problemas más penosos del hardware cuántico actual: la calibración y la corrección de errores. Si no sabes por qué eso importa, te lo explico en términos normales.

El problema que nadie te cuenta de las computadoras cuánticas

Una computadora cuántica no funciona como un PC que prendes y ya. Los qubits, que son sus unidades básicas de procesamiento, son extremadamente sensibles al entorno. Cualquier vibración, temperatura, campo electromagnético o incluso una partícula cósmica puede provocar errores. Eso genera dos tareas que los equipos de física e ingeniería hacen constantemente:

Calibración: ajustar los parámetros del hardware para que los qubits se comporten bien. Antes de Ising, esto podía tomar días de trabajo manual.

Corrección de errores (decoding): detectar y corregir los errores en tiempo real mientras el procesador cuántico corre. Si tardas mucho en corregir, el error ya dañó el cómputo.

Ising ataca estos dos problemas con dos modelos distintos.

Ising Calibration: el modelo de 35B que ya le ganó a Gemini y a Claude

Ising Calibration es un modelo de visión y lenguaje con 35 mil millones de parámetros totales, aunque usa una arquitectura Mixture-of-Experts que activa solo alrededor de 3B por token. Está construido sobre Qwen3.5-35B-A3B con 256 expertos, y puede interpretar gráficas de experimentos cuánticos, detectar qué salió mal y generar recomendaciones de ajuste en tiempo casi real.

Para medirlo, NVIDIA publicó QCalEval: el primer benchmark del mundo para evaluar modelos en tareas de calibración cuántica. Tiene 243 muestras de 87 tipos de escenarios distintos, cubriendo qubits superconductores y átomos neutros. Los modelos son evaluados en seis dimensiones: interpretación de resultados (descripción técnica), clasificación de outcomes, evaluación de significancia, calidad del ajuste, extracción de parámetros y generación de recomendaciones (clasificación de éxito del experimento).

Según el blog técnico de NVIDIA Developer, Ising Calibration supera a los modelos de IA más capaces que existen hoy en este benchmark: 3.27% arriba de Gemini 3.1 Pro, 9.68% arriba de Claude Opus 4.6, y 14.5% arriba de GPT 5.4. No es un margen enorme sobre Gemini, pero hay que entender el contexto: ninguno de esos modelos fue entrenado específicamente para leer gráficas de experimentos cuánticos. Ising sí.

El resultado práctico es que la calibración que antes tomaba días se reduce a horas. Eso no es menor cuando cada hora de tiempo de máquina en un procesador cuántico cuesta una fortuna.

Ising Decoding: 2.5 veces más rápido que el estándar de la industria

La segunda parte de la familia es Ising Decoding, y aquí los números son más contundentes. Son dos variantes de redes neuronales convolucionales 3D (3D CNN):

Variante	Parámetros	Prioridad
Fast decoder	912,000	Latencia baja
Accurate decoder	1,790,000	Precisión máxima

Ambas funcionan como pre-decodificadores que trabajan junto a pyMatching, el estándar open source que usa la industria para corrección de errores cuánticos. El resultado: hasta 2.5x más rápido y 3x más preciso que pyMatching solo, con mejora de tasa de error lógico de 1.11x en distancias de código específicas.

En sistemas cuánticos en producción, la corrección de errores necesita operar en microsegundos. Ising Decoding está optimizado para eso, con soporte para cuantización FP8, integración con CUDA-Q QEC y latencia en tiempo real vía NVIDIA NVQLink.

La velocidad aquí no es un dato de benchmark para presumir en diapositivas. Es lo que determina si la corrección de errores puede mantenerse al ritmo del procesador cuántico o si se queda atrás y el cómputo se corrompe. 2.5x más rápido es la diferencia entre un sistema funcional y uno que no sirve.

Quién ya lo está usando

Según el anuncio oficial de NVIDIA Newsroom, Ising ya fue adoptado por una lista impresionante de instituciones antes incluso de su lanzamiento público:

Para calibración: Atom Computing, Academia Sinica, EeroQ, Conductor Quantum, Fermi National Accelerator Laboratory (Fermilab), Harvard, Infleqtion, IonQ, IQM Quantum Computers, Lawrence Berkeley National Laboratory y el UK National Physical Laboratory.

Para decoding: Cornell University, UC San Diego, UC Santa Barbara, University of Chicago, University of Southern California, Yonsei University, Sandia National Laboratories, SEEQC y otros.

No son nombres de startups de garaje. Son los laboratorios y universidades que están construyendo los procesadores cuánticos que el mundo va a usar en los próximos 10 años.

Lo que esto significa para México

Aquí está el punto que a mí me parece más interesante del asunto.

México no está tan atrás como mucha gente cree en computación cuántica. La UNAM tiene el proyecto Quantum@UNAM y el grupo QuantUNAM en la Facultad de Ciencias, donde trabajan en sistemas de información cuántica. En abril de 2026, el Instituto de Ciencias Físicas y el IIMAS de la UNAM anunciaron avances en tecnología cuántica para computación. El Tec de Monterrey, por su parte, tiene el grupo de Photonics and Quantum Systems con proyectos activos en sistemas cuánticos.

Ninguno de estos grupos tiene acceso fácil a un procesador cuántico de IBM Quantum o de Google en modalidad dedicada. El tiempo de máquina es caro y escaso. Pero Ising no requiere un procesador cuántico para desarrollarse: los modelos de calibración y decoding se pueden entrenar, ajustar y estudiar con simuladores. Y para eso, tener modelos pre-entrenados de 35B parámetros disponibles gratis en Hugging Face es una chimba para cualquier equipo de investigación con recursos limitados.

Si el Cinvestav, el Tec o la UNAM quisieran construir expertise en corrección de errores cuánticos hoy, Ising les da una base sólida desde el día uno, sin pagar licencias ni depender de que una empresa les dé acceso a su API privada. Y eso, en un país donde el 72% de las empresas sigue atascado en el nivel básico de adopción de IA, cambia algo: al menos la academia no tiene excusa para quedarse atrás.

Cómo descargarlo

Los modelos están disponibles en tres lugares:

• Hugging Face: busca nvidia/Ising-Calibration-1-35B-A3B
• GitHub: repositorio oficial de NVIDIA con datos, tooling y guías para reentrenamiento y fine-tuning
• build.nvidia.com: con soporte NVIDIA NIM para despliegue en producción

Vienen pre-entrenados y con toda la documentación para fine-tuning sobre datos propios. Si tu laboratorio tiene datos de calibración de qubits superconductores, puedes reentrenar Ising Calibration sobre esos datos específicos. Si no tienes datos propios, NVIDIA incluye un cookbook de workflows y datos sintéticos generados con cuStabilizer, parte de su librería cuQuantum.

No hay trampa del “gratis pero el acceso real cuesta”: los pesos están disponibles, los datos de entrenamiento también.

El movimiento más inteligente de NVIDIA en 2026

NVIDIA ya no es solo la empresa de las GPUs para gaming y para entrenar LLMs. Con su estrategia de chips dedicados a IA como lo que vimos con el AGI 910 de ARM, la industria está apostando a construir ecosistemas, no solo hardware. Ising es ese movimiento en el mundo cuántico: si los laboratorios más importantes del planeta construyen sus workflows de calibración y corrección de errores sobre herramientas de NVIDIA, van a necesitar las GPUs de NVIDIA para correrlos en producción.

Es open source, sí. Y también es el mejor gancho que NVIDIA pudo haber tirado al mercado cuántico.

La computación cuántica útil sigue siendo un problema no resuelto. Pero que los dos cuellos de botella más dolorosos del hardware cuántico ahora tengan soluciones open source, gratuitas, con adopción en Fermilab y Harvard, es el tipo de noticia que no aparece en los titulares de entretenimiento tech, pero que en cinco años va a estar en todos los libros de historia de la computación.

¿Tienes acceso a hardware de cómputo cuántico o trabajas en algún lab de México que esté metido en este rollo? Me interesa saber cómo están usando (o pensando usar) estas herramientas. Déjalo en los comentarios.

Fuentes

• NVIDIA Newsroom: NVIDIA Launches Ising, the World’s First Open AI Models for Quantum Computing
• NVIDIA Developer Blog: NVIDIA Ising Introduces AI-Powered Workflows to Build Fault-Tolerant Quantum Systems
• Tom’s Hardware: Nvidia releases open AI models for quantum computing tasks
• The Quantum Insider: NVIDIA Launches Ising, the World’s First Open AI Models
• Hugging Face: nvidia/Ising-Calibration-1-35B-A3B
• GitHub: NVIDIA/QCalEval benchmark
• UNAM Quantum: quantum.unam.mx