Nemotron 3.5 Super vs. DeepSeek V4 Pro: Die Benchmark-Tabelle, die NVIDIA nicht veröffentlicht hat

Öffne NVIDIAs Modellkarte für NVIDIA Nemotron 3.5 Super VL — den offenen Checkpoint mit 120 Milliarden Parametern, den der Anbieter auch als NVIDIA Nemotron 3.5 Super führt und den Ollama als nemotron-3.5-super ausliefert — und scrolle zur Evaluierungstabelle. Du findest ungefähr vierzig Benchmarks und sieben Baseline-Spalten. Eine dieser Spalten ist DeepSeek: Sie ist beschriftet als DeepSeek-V4-Flash0731. DeepSeeks eigene günstige Stufe. DeepSeek V4 Pro, das Flaggschiff mit 1,6 Billionen Parametern, das in der Revision 0813 die April-Vorschau ablöste, taucht nirgends in der Tabelle auf.

Dieses Fehlen ist die nützlichste Tatsache in diesem Vergleich, und es ist kein Versehen. V4 Pro aktiviert 49 Milliarden Parameter pro Token. Es in dieselbe Tabelle wie ein Modell mit 12 Milliarden aktiven Parametern zu setzen, würde eine Reihe von Zahlen erzeugen, die niemandem schmeicheln und niemanden informieren, weil die beiden Modelle nicht dasselbe Produkt sind. Was der Anbieter stattdessen getan hat, ist die ehrliche Version der Übung: gegen die Klasse zu benchmarken, die man tatsächlich verdrängen will.

Also tut diese Seite zwei Dinge. Sie liest den von NVIDIA veröffentlichten Vergleich — Nemotron 3.5 Super gegen DeepSeeks Flash-Tier — und ist dann an den Stellen, an denen die beiden Modelle wirklich konkurrieren, explizit darüber, was über das Flaggschiff geschlossen werden kann und was nicht.

Die beiden Artefakte, Seite an Seite

• Gesamt- und aktive Parameter — Nemotron 3.5 Super VL 120B insgesamt mit 12B aktiven pro Token, 512 geroutete Experten pro MoE-Schicht, Hybrid aus Mamba-2 und Transformer · DeepSeek V4 Pro 1.6T insgesamt mit 49B aktiven, nur Text.

• Kontext- und Ausgabebegrenzung — 1.048.576 Token Kontext für Super VL ohne veröffentlichte Ausgabebegrenzung · 1.048.576 Token Kontext für V4 Pro mit einer maximalen Ausgabe von 384.000 Token.

• Modalität — Text-, Bild- und Videoeingabe mit Textausgabe, über einen C-RADIO-Vision-Encoder und einen Vision-Language-Connector · Texteingabe, Textausgabe. Überhaupt kein Bildpfad.

• Gewichte und Lizenz — OpenMDW-1.1 für den NVIDIA-Checkpoint, kommerzielle Nutzung erlaubt · DeepSeek veröffentlicht seine eigenen Gewichte und erlaubt ebenfalls die kommerzielle Nutzung.

• Preis für einen nutzungsbasierten Endpoint — keiner veröffentlicht; das Modell ist nur selbst gehostet · 0,66 $ pro Million Eingabe-Tokens und 1,98 $ pro Million Ausgabe-Tokens, wobei Cache-Lesevorgänge 0,022 $ kosten.

• Veröffentlichungsumfang — Gewichte auf Hugging Face am 12. Oktober 2026, Anbieterankündigung am 15. Oktober 2026 · V4 Pro dient als Flaggschiff, wobei die datierte Revision 0813 für Aufrufer verfügbar ist, die eine feste Version benötigen.

Zwei dieser Zeilen entscheiden die meisten realen Deployments. Die erste ist die Modalität: Wenn Ihre Eingabe ein Screenshot, ein gescannter Vertrag, ein Diagramm oder ein Video-Frame ist, ist die Hälfte dieses Vergleichs vorbei, bevor er überhaupt beginnt, weil DeepSeek V4 Pro keinen Bildpfad und keinen angekündigten Plan dafür hat. Die zweite ist die Preiszeile, und sie ist interessanter, als sie aussieht — NVIDIA veröffentlicht für dieses Modell überhaupt keinen Tarif, was bedeutet, dass die einzige Möglichkeit, Ihre Kosten zu kennen, darin besteht, Ihr Token-Volumen und Ihre Hardware-Rechnung zu kennen.

Die Tabelle lesen, die NVIDIA tatsächlich veröffentlicht hat

Der Vergleich in der Flash-Klasse ist enger, als die Parameterzahlen vermuten lassen, und er fällt nicht durchweg unvorteilhaft für NVIDIA aus. In den Zeilen, in denen die beiden am dichtesten beieinanderliegen, zeigt sich ein echtes Unentschieden beim Wissen und ein echtes Defizit bei der agentischen Ausführung.

• Ein statistischer Gleichstand in der Wissenschaft auf Graduiertenniveau — GPQA-Diamond 89,52 für Super VL gegenüber 89,6 für DeepSeek-V4-Flash. Vier Hundertstel eines Punktes trennen in dieser Zeile ein 120B-Modell von einer Baseline der 1e12-Klasse, beide vom Anbieter durchgeführt.

• Ein Defizit beim anspruchsvollsten Reasoning — Humanity's Last Exam nur Text 31,79 gegenüber 35,8 und MMLU-ProX 76,91 gegenüber 85,5.

• Ein Defizit beim kompetitiven Programmieren — LiveCodeBench v6 88,22 gegenüber 94,6.

• Ein Defizit bei agentischer Softwarearbeit — SWE-bench Verified 71.10 gegenüber 75.4, Terminal-Bench 2.1 66.70 gegenüber 76.80, DeepSWE 24.65 gegenüber 42.3.

• Ein deutliches Defizit beim Langkontext-Abruf — AA-LCR v1.1 68,62 gegenüber 79,7. Beide Modelle werben mit einer Million Token; in der einen Zeile mit unabhängigem Recall-Stil liegt die Flash-Tier mehr als elf Punkte vorn. Das ist die mit Abstand folgenreichste Zahl auf dem Tisch für alle, die den beworbenen Kontext nutzen wollen, statt ihn nur verfügbar zu haben.

• Zeilen, in denen NVIDIA gewinnt — GraphWalks 89,71 gegen 65,4, LMArena v3 proxy 52,67 gegen 49,8, und tau2-bench retail mit 69,24 gegen 73,8 ist nah genug beieinander, um bei einem so verrauschten Benchmark als Rauschen zu gelten. AA-Omniscience ist der aussagekräftigere Sieg: NVIDIAs Halluzinationsrate von 30,0 gegenüber DeepSeeks 95,9 und ein positiver Index von 4,03 gegenüber minus 7,8. Ein Modell, das sich enthält, ist mehr wert als eines, das etwas behauptet, und in dieser Zeile ist der Abstand nicht marginal.

• Agentische Tools — tau2-bench Airline 76,50 gegenüber 83,5 und Telekom 73,19 gegenüber 98,2, beides Niederlagen. In der Telekom-Domäne räumt die Flash-Stufe fast alles ab.

Jeder einzelne dieser Werte wurde vom Anbieter über NVIDIAs eigenen NeMo Gym Harness mit einem veröffentlichten Rezept gemeldet. Das ist ein höherer Standard als eine bloße Behauptung und ein niedrigerer als ein unabhängiger Wiederholungslauf, und in dieser speziellen Tabelle spricht die Richtung der meisten Zeilen gegen das Modell, das gerade vorgestellt wird, was zumindest ein Zeichen dafür ist, dass der Harness nicht darauf getrimmt wurde, zu schmeicheln.

Was sich über V4 Pro nicht schlussfolgern lässt – und warum es trotzdem wichtig ist

Nichts des oben Gesagten lässt sich als Vorhersage für das Top-Duell lesen – aus drei Gründen, die man besser benennen als beschönigen sollte.

Erstens: Die Baseline ist nicht das Flaggschiff. Die von DeepSeek selbst veröffentlichten Agentenwerte für die Revision 0813 von V4 Pro liegen auf einer völlig anderen Skala: 87,9 bei Terminal Bench 2.1, 83,3 bei Cybergym, 74,1 bei Toolathlon Verified, 62,7 bei DeepSWE, 61,5 bei NL2Repo und 42,7 bei Humanity's Last Exam ohne Tools, was mit ihnen auf 60,0 steigt. Gegenüber NVIDIAs 66,70 bei Terminal-Bench 2.1 und 31,79 bei HLE im Nur-Text-Modus ist die Flaggschiff-Lücke viel größer als die Flash-Tier-Lücke, und sie wird vom Anbieter des anderen Modells weiter vergrößert, was es nicht vertrauenswürdiger macht – nur pointierter.

Zweitens ist die Flash-Tier-Spalte eine Momentaufnahme einer Stufe, die sich selbst verschoben hat. Eine Zeile, die sich heute gut liest, kann sich nächsten Monat schlecht lesen, ohne dass sich eines der beiden Modelle ändert, weil der Vergleich davon abhängt, welchen Checkpoint der Anbieter auszuführen gewählt hat.

Drittens ist das unabhängige Bild für den NVIDIA-Checkpoint so dünn, dass es als Tiebreaker nahezu unbrauchbar ist: Das Drittanbieter-Panel, das diese Modelle bewertet, führt es in seinem Index im mittleren Zwanzigbereich, mit einer ungewöhnlich hohen Output-Token-Anzahl pro Aufgabe und einer Anmerkung, dass das Modell etwas weitschweifig ist. Ein Datenpunkt, von einem Panel, vier Tage nachdem die Gewichte erschienen sind.

Die ehrliche Zusammenfassung des Benchmark-Falls lautet also: Gemessen an vom Anbieter erhobenen Zahlen liegt ein offenes Vision-Modell mit 12B aktiven Parametern beim Wissen ungefähr auf Augenhöhe mit DeepSeeks günstiger Tarifstufe und bei agentischer Ausführung sowie Langkontext-Abruf hinter ihr zurück; nichts in dieser Tabelle sagt etwas über das Flaggschiff aus, und die eigenen veröffentlichten Zahlen des Flaggschiffs sind in jeder Dimension besser, in der die beiden überhaupt verglichen werden können.

Die eine Achse, auf der der Vergleich trivial ist

Bilder. Nicht, weil Nemotron gut bei Vision ist – niemand hat eine unabhängige Bewertung seines Vision-Pfads veröffentlicht, und die ausgelieferte Runtime standardmäßig mit der Text-Temperatur der Karte statt mit ihrer Vision-Temperatur sampelt, was eine echte Falle für die erste Person ist, die es ausprobiert – sondern weil DeepSeek V4 Pro sie nicht akzeptiert.

Diese Asymmetrie hat eine Kostenfolge, die leicht zu übersehen ist. Ein gehostetes Modell mit Vision-Fähigkeit rechnet eine Seite eines gescannten Dokuments nach ihrer Token-Anzahl ab, und eine 300-dpi-Seite ist keine kleine Token-Menge. Ein selbst gehosteter 120B-Checkpoint rechnet dieselbe Seite in GPU-Sekunden ab. Bei einer Arbeitslast von ein paar tausend Seiten pro Monat ist der Unterschied Rauschen; bei ein paar hunderttausend ist es die gesamte Budgetdiskussion. NVIDIAs eigene Vision-Zeilen — 62,82 auf MMLongBench-Doc, 78,16 auf MathVision, 80,82 auf CharXiv Reasoning, 68,12 auf OCRBench v2 English — sind Herstellerangaben, aber sie belegen, dass die Fähigkeit vorhanden und nicht nur nominell ist.

Die andere Achse, auf der der Vergleich kippt, ist die, nach der alle fragen und die wenige messen: der Speicher. V4 Pro passt mit 1,6 Billionen Gesamtparametern bei Weitem nicht auf eine einzelne Maschine. Super VL passt mit 82,3 GiB in seinem standardmäßigen 4-Bit-Tag auf eine 96-GB-Karte, mit Platz für einen Arbeitskontext. Das ist kein Qualitätsargument. Es ist der Unterschied zwischen einem Modell, das Ihr Team heute Abend pullen und ausführen kann, und einem Modell, das Sie mieten.

Die Rechnung durchführen statt des Benchmarks

Hier ist die Berechnung, die es sich lohnt, durchzuführen, bevor man eine weitere Tabelle liest. Nehmen wir eine Arbeitslast von einer Million Token Eingabe und hunderttausend Token Ausgabe – ein lockerer Monat für eine Dokumentenpipeline, ein intensiver Tag für ein Chat-Produkt.

Zum veröffentlichten Tarif von DeepSeek V4 Pro sind das 0,66 $ Input plus 0,198 $ Output: unter einem Dollar, bevor Cache-Rabatte die Input-Seite weiter senken. Beim NVIDIA-Checkpoint gibt es keinen Tarif, weil es keinen Endpunkt gibt. Die Kosten entsprechen dem Bruchteil einer GPU-Stunde, den dieses Volumen verbraucht, und bei diesen Volumina rundet die Antwort auf null – aber die dahinterliegenden Fixkosten nicht. Vier H100 werden nicht dadurch günstig, dass der Traffic Ihres ersten Monats gering ist.

Das ist die eigentliche Gestalt dieses Duells, und es ist eine Frage des Volumens, nicht der Qualität. Unterhalb eines bestimmten Durchsatzes ist die abgerechnete Open-Weight-API schlicht günstiger als Strom und Amortisierung der Hardware, obwohl beide Modelle offen sind. Oberhalb eines bestimmten Durchsatzes kippt die Fixkostenrechnung, und der selbst gehostete Checkpoint gewinnt bei den Kosten, unabhängig davon, welcher der beiden bei Terminal-Bench besser abschneidet. Der Umschlagpunkt hängt von Ihrer Auslastung ab, nicht von einem der beiden Anbieter.

Was das für die Routing-Frage bedeutet: Wenn Sie den Cluster lieber gar nicht betreiben möchten, ist DeepSeek V4 Pro auf OrcaRouter zum Listenpreis des Anbieters erreichbar, durchgereicht ohne Aufschlag pro Token – $0,66 und $1,98, dieselben Zahlen, die DeepSeek veröffentlicht, weil wir nichts darauf aufschlagen. Eine Preisänderung des Anbieters ist bei uns noch am selben Tag live und nicht erst zur nächsten Vertragsverlängerung. Nemotron 3.5 Super ist nicht über unseren Key verfügbar; wir routen etwas über zweihundert Modelle, und dieses ist nicht dabei, wenn Sie also speziell diesen Checkpoint brauchen, sind die eigenen Kanäle des Anbieters und der lokale Pull Ihre Route.

Was man tatsächlich tun sollte

Wenn Ihre Eingabe Text ist und Ihre Workload agentisch ist – lange Tool-Ketten, Bearbeitungen im Repository-Maßstab, Terminal-Sitzungen –, dann ist DeepSeek V4 Pro das bessere Modell und das günstigere, und der NVIDIA-Checkpoint ist gemessen an den vom Anbieter selbst veröffentlichten Zeilen kein ernstzunehmender Konkurrent dagegen. Führen Sie die Workload zuerst auf V4 Pro aus, ermitteln Sie echte Kosten pro Arbeitseinheit, und entscheiden Sie erst dann, ob ein Cluster gerechtfertigt ist.

Wenn Ihre Eingabe Bilder, Videos oder lange Dokumente sind, reduziert sich der Vergleich auf eine einzige Frage nach dem Volumen, weil V4 Pro die Eingabe überhaupt nicht annehmen kann. Bei weniger als ein paar Tausend Seiten pro Monat sollten Sie es gehostet betreiben. Oberhalb davon ist der 4-Bit-Checkpoint auf einer einzelnen 96-GB-Karte eine glaubwürdige Infrastrukturkomponente – mit zwei Einschränkungen, die es wert sind, wiederholt zu werden: Die Version, die die meisten Leute ausführen werden, hat keine veröffentlichte Evaluierung, und die Sampling-Standardwerte der Runtime selbst sind auf die Text-Hälfte dessen abgestimmt, was der Anbieter als Vision-Modell bewirbt.

Und wenn Sie tatsächlich einen vier Tage alten Checkpoint hinter einen Anfragepfad setzen, dann setzen Sie auch ein Fallback dahinter. Die günstigste Versicherung, die für ein Modell ohne Betriebshistorie verfügbar ist, ist ein zweites Modell im selben Aufruf.