Nemotron 3.5 Super VL vs. DeepSeek V4 Flash Vision Exp: Acht Indexpunkte, und nur einer davon ist ein Produkt

Im Artificial Analysis Intelligence IndexDeepSeek V4 Flash Vision Expschlägt NVIDIA Nemotron 3.5 Super VL — 34,84 gegenüber 26,49, beide nicht geschätzt — und das zu einem veröffentlichten Preis von 0,44 US-Dollar pro Million Eingabe-Tokens und 1,32 US-Dollar für Ausgabe, während NVIDIA überhaupt keinen Preis veröffentlicht hat. Das ist die Zusammenfassung, mit der ein Datenblatt-Leser davongeht, und es ist die falsche Grundlage, um darauf zu handeln. Die beiden Modelle konkurrieren nicht um denselben Platz. NVIDIA Nemotron 3.5 Super VL ist ein allgemein verfügbares Modell mit einem technischen Bericht, einem NIM-Microservice, Enterprise-Support und einem Post-Training-Ökosystem, zu dem Scale AI, Salesforce und CrowdStrike gehören. DeepSeek V4 Flash Vision Exp ist, schon dem Dateinamen nach, ein Experiment: das erste multimodale Mitglied der V4-Familie, ausgeliefert als Gewichte plus eine minimale PyTorch-Referenzimplementierung und auf jenem Panel in einer Konfiguration bewertet, die DeepSeek nicht verkauft. Acht Punkte sind eine echte Lücke. Es ist auch eine Lücke zwischen einem Dienst und einem Forschungsartefakt, und die nützliche Frage ist nicht, wer gewinnt, sondern welches von beiden in sechs Monaten innerhalb Ihrer Compliance-Grenzen stehen kann.

Was jedes einzelne tatsächlich ist

NVIDIA Nemotron 3.5 Super VL ist ein Hybridmodell mit 120 Mrd. Parametern – Mamba-2-Schichten, Mixture-of-Experts mit 512 gerouteten Experten und Attention – mit einem C-RADIO-Vision-Encoder, 12 Mrd. aktiven Parametern pro Token, bis zu 1 Mio. Token Kontext und nativer Multi-Token-Vorhersage für spekulative Dekodierung ohne separaten Drafter. Seine Eingaben sind Text, Bilder und Video; die Ausgabe ist Text. NVIDIAs eigene Evaluierung deckt OCR, Diagramm- und Dokumenten-Reasoning, Videoverständnis und Langkontext-Arbeit ab, und die Lizenz ist OpenMDW-1.1, die kommerzielle Nutzung erlaubt. Es enthält einen technischen Bericht und ein veröffentlichtes Deployment-Rezept für 4×H100 oder 2×GB200.

DeepSeek V4 Flash Vision Exp baut auf der Architektur DeepSeek-V4-Flash auf und ergänzt visuelle Module sowie fortgesetztes Training. Das Repository enthält 48 safetensors-Shards unter MIT, einen Tokenizer, ein Kodierungsmodul, das OpenAI-artige Nachrichtenblöcke in Prompts umwandelt, sowie eine minimale PyTorch-Implementierung, die den Vision-Encoder, Aligner, DFlash-Attention, MoE, Hyper-Connections und den DSpark-Forward-Pfad abdeckt. Die Konfiguration zeigt ein 43-schichtiges MoE mit 256 gerouteten Experten, 6 Experten pro Token, 1.048.576 maximalen Positionen und einem dreischichtigen Multi-Token-Prediction-Head. Die Modellkarte macht ausdrücklich deutlich, dass dies DeepSeeks erstes experimentelles multimodales Modell in der V4-Reihe ist und dass es DeepSeek-V4-Flash-0731 bei multimodalen Agentenaufgaben übertrifft, während es bei reinen Textaufgaben vergleichbare Leistung beibehält.

• Parameter und Architektur — NVIDIA Nemotron 3.5 Super VL: 120B gesamt / 12B aktiv, hybrides MoE mit C-RADIO-Vision. DeepSeek V4 Flash Vision Exp: 284B gesamt / 13B aktiv MoE, 256 geroutete Experten, 6 pro Token.

• Intelligence Index — 26,49 für Super VL, 34,84 für die bereitgestellte DeepSeek-Konfiguration. Beide nicht geschätzt, beide laut Artificial Analysis.

• Ausgabe-Tokens pro Index-Aufgabe — 49.174 gegenüber 69.174. Super VL erledigt die Aufgaben des Panels mit 29 % weniger Tokens.

• Preis — nirgends ein veröffentlichter Preis für Super VL; 0,44 $ pro Million Eingabe / 1,32 $ pro Million Ausgabe für die bereitgestellte DeepSeek-Konfiguration, laut demselben Panel.

• Lizenz und Verpflichtung — OpenMDW-1.1 mit kommerzieller Nutzung, GA und einem NIM-Dienst für Super VL; MIT-Gewichte und eine Referenzimplementierung, als experimentell gekennzeichnet, für DeepSeek V4 Flash Vision Exp.

• Modalitäten — Text, Bild und Video als Eingabe für Super VL laut NVIDIAs Karte; Bild als Eingabe, Text als Ausgabe für das DeepSeek-Modell, dessen eigene Benchmark-Tabelle überhaupt keine Videozeilen enthält.

Der Acht-Punkte-Abstand hält stand; der Preisvergleich nicht.

Beginnen wir mit dem Teil, der wirklich geklärt ist. DeepSeeks Modell erzielt eine höhere Punktzahl und kostet weniger pro Token, und der Vorsprung ist kein Rauschen – 8,35 Indexpunkte entsprechen ungefähr dem Abstand zwischen NVIDIA Nemotron 3.5 Super VL und NVIDIAs eigenem 550B NVIDIA Nemotron 3 Ultra 550B A55B, der bei 22,93 liegt. Die ehrliche Einordnung ist also, dass eine experimentelle multimodale 284B-Veröffentlichung eines chinesischen Labors derzeit eine höhere Punktzahl erzielt als das offene Vision-Flaggschiffmodell eines US-Labors, bei etwa einem Drittel der Größe auf der Achse der aktiven Parameter und zu einem veröffentlichten Tarif. Wenn es bei Ihrer Arbeitslast um Bildschirm- und Diagrammverständnis geht, das über eine API bereitgestellt wird, dann ist das die ganze Antwort, und Sie können aufhören zu lesen.

Der Vergleich bricht in dem Moment zusammen, in dem Sie ihn selbst ausführen möchten, was der Grund dafür ist, dass beide dieser Modelle existieren. Die Zahl 34,84 ist an die bereitgestellte Max-Konfiguration geknüpft, nicht an einen Checkpoint, den Sie deployen können. Das Hub-Repository ist eine echte Veröffentlichung der Gewichte unter MIT, doch DeepSeeks eigene Model Card präsentiert es als experimentelles Artefakt mit einem minimalen Inferenzpfad – die Art von Release, die ein Labor veröffentlicht, damit Forschende ein Paper reproduzieren können, nicht die Art, die es mit einem Enterprise-Vertrag unterstützt. NVIDIA macht das Gegenteil: Veröffentlichung der Gewichte zeitgleich mit dem Produkt, wobei erwartet wird, dass der Aufrufer selbst hostet. Bei den Benchmarks, die die beiden Labore veröffentlichen, zeigt sich der Unterschied. DeepSeek betont multimodale Agentenarbeit – ApexBench 36,5 gegenüber den eigenen 26,2 für das reine Textmodell, Chartography 64,3, ZeroBench bei 35,0 pass@5, Agents' Last Exam 27,3. NVIDIA betont Dokument- und Videooberflächen – OCRBench v2 bei 68,12 in englischer Sprache, MMLongBench-Doc 62,82, CharXiv-Reasoning 80,82, Video-MME v2 32,85. Keines der beiden Sets ist mit dem anderen vergleichbar, und beide stammen von den Anbietern selbst.

Wenn die Lieferantennummern voneinander abweichen

Es gibt ein Detail in NVIDIAs eigener Tabelle, das einen Absatz wert ist, denn es ist genau die Art von Sache, die in Aggregationen gern verschleiert wird. NVIDIAs Vergleichsspalte enthält DeepSeek-V4-Flash0731 und weist für dieses Modell bei Terminal-Bench 2.1 76,80 aus. DeepSeeks eigene Model Card gibt für dasselbe Modell beim selben Benchmark 82,7 an und 83,9 für DeepSeek V4 Flash Vision Exp. Drei Zahlen, ein Benchmark, zwei Harnesse und keine Abgleichung auf keiner der beiden Seiten. Das ist kein Skandal – unterschiedliches Scaffolding und unterschiedliche Einstellungen für den Reasoning-Aufwand verschieben agentische Benchmarks um mehrere Punkte, und NVIDIA veröffentlicht seine Rezepte für NeMo Gym genau deshalb, damit die Einstellungen überprüft werden können. Aber es bedeutet: Wenn man eine Indexlücke von acht Punkten sieht, ist der Index selbst der zuverlässige Teil – und die Komponenten-Benchmarks nicht. Der Index ist ein einziger Harness, der von einem Dritten auf beide Modelle angewendet wird. Die Benchmark-Tabellen sind vier Labore, die ihre eigenen Hausaufgaben auf ihrem eigenen Scaffolding benoten.

Im selben Panel weisen beide Modelle einen negativen Allwissenheitsindex auf. Super VL liegt bei minus 4,22 mit 23,3 % Genauigkeit und einer Halluzinationsrate von 35,8 %; diese Zeile misst, ob ein Modell die Antwort verweigert, wenn es etwas nicht weiß, und keines der beiden Modelle ist darin gut. GDPval-AA – fertiggestellte Arbeitsergebnisse statt Antworten – gibt Super VL 1.162,41 und der AA-Briefcase-Rubrik einen Elo-Wert von 998,76. Beim DeepSeek-Modell sind dieselben Zeilen in der ausgelieferten Konfiguration nicht befüllt. Wenn es bei Ihrem Anwendungsfall um Wissensabfrage geht, ist keine der beiden Zahlen ermutigend. Wenn es um Dokumentenerstellung geht, hat Super VL die einzige gemessene Zeile des Paares.

Eines von beiden ausführen

Beim Deployment trennen sich die Wege endgültig. NVIDIA Nemotron 3.5 Super VL serviert BF16 auf 4×H100 oder 2×GB200 mit gepinnten vLLM- und SGLang-Containern, ergänzt einen NVFP4-Build für kompaktere Footprints und dokumentiert eine Video-Pipeline, die 256 Frames bei 2 FPS mit einer Pruning-Rate von 0,5 sampelt. DeepSeek V4 Flash Vision Exp veröffentlicht ein vLLM-Rezept für einen einzelnen 4×GB300-Knoten mit FP8-KV-Cache, Blockgröße 256 und DSpark-Speculative-Decoding aus demselben Checkpoint, dazu einen SGLang-Pfad — leichter auf der Verkaufsseite, schwerer bei der Annahme, dass man weiß, was man tut. Beide brauchen Hardware der Rechenzentrumsklasse; keines ist ein Laptop-Modell. Bemerkenswert ist, dass das Einzige, was sie gemeinsam haben, Folgendes ist: Ein Anbieter, der auf Listenpreis heruntergeht, taucht noch am selben Tag zum Selbstkostenpreis auf OrcaRouter auf, weil wir die Anbieterpreise mit 0 % Aufschlag über mehr als 200 Modelle mit einem einzigen Schlüssel durchreichen, und automatisches Failover es Ihnen erlaubt, einen unerprobten Checkpoint auf einen Teil des Traffics zu legen, während ein erprobter den Rest trägt. Das ist die praktische Antwort, wenn die Acht-Punkte-Lücke und der fehlende Preis die Entscheidung wirklich knapp machen: Beide routen, an Ihren eigenen Eingaben messen, und lassen Sie den Traffic entscheiden — mit dem Vorbehalt, dass heute nur einer der beiden geroutet werden kann. DeepSeek V4 Flash Vision Exp ist bereits in unserem Katalog, zu dem Tarif, den sein Anbieter veröffentlicht, statt zu einem aufgeschlagenen; NVIDIA Nemotron 3.5 Super VL ist noch nicht dabei, weil niemand einen drei Tage alten Checkpoint zuverlässig serviert. Diese Asymmetrie sollte man offen aussprechen, statt zu implizieren, dass wir beide führen.

Die Auswahl in jeweils einer Zeile

Wähle NVIDIA Nemotron 3.5 Super VL, wenn es um Dokumente, Diagramme, gescannte Seiten und Videos geht, wenn die Lizenz kommerzielle Nutzung erlauben muss und wenn du einen Anbieter brauchst, der auch noch in einem Jahr Support-Tickets zum Checkpoint beantworten wird — und dabei akzeptierst, dass du 8,35 Indexpunkte aufgibst und für GPUs statt für Tokens bezahlst. Wähle DeepSeek V4 Flash Vision Exp, wenn es um Diagramm- und Bildschirmverständnis über eine API geht, wenn 0,44 $ und 1,32 $ pro Million Tokens die Budgetlinie sind und wenn die Beta-Einstufung eines experimentellen Releases akzeptabel ist — und dabei akzeptierst, dass die bereitgestellte Konfiguration nicht der Checkpoint ist und der Checkpoint nicht unterstützt wird. Teams, die beide Verhaltensweisen brauchen, betreiben normalerweise zwei unterschiedliche Workloads, und für zwei unterschiedliche Workloads ist ein Endpunkt mit Failover da.