Nemotron 3.5 Super VL vs Nemotron 3 Ultra: Günstiger als das Flaggschiff oder nur kleiner?

NVIDIA hat drei Nemotron-3.5-Stufen, und eine davon ist eine Falle für Planer. NVIDIA Nemotron 3 Ultra 550B-A55B, veröffentlicht am 4. Juni 2026, ist das Flaggschiff der Familie: 550 Milliarden Gesamtparameter, davon 55 Milliarden pro Token aktiv, LatentMoE-Schichten mit Multi-Token-Vorhersage, 1 Mio. Token Kontext und ein angegebenes Minimum von sechzehn H100 oder acht GB200. NVIDIA Nemotron 3.5 Super VL, deren Gewichte am 12. Oktober 2026 auf Hugging Face eintrafen, gefolgt von NVIDIAs Ankündigung am 15. Oktober, ist die Stufe darunter: 120 Mrd. gesamt, 12 Mrd. aktiv, derselbe Kontext von 1 Mio. Token, ein C-RADIO-Vision-Encoder und ein Minimum von vier H100 oder zwei GB200. NVIDIAs eigene Model Card für Super VL stellt sie in Benchmarks direkt Ultra gegenüber und behauptet eine Genauigkeit nahe an Ultra bei ungefähr einem Fünftel der Parameter. Diese Behauptung ist vom Anbieter angegeben, nicht reproduziert, und sie ist der einzige Satz, an dem dieser ganze Vergleich hängt.

Die Rechnung, die tatsächlich über die Bereitstellung entscheidet

Beginnen Sie mit dem, was die zwei Kontrollpunkte physisch erfordern, denn das ist die Zahl, die ein Budgetverantwortlicher abzeichnet.

• Gesamtparameterzahl — 120B für Super VL gegenüber 550B für Ultra. Etwa 4,6-mal so viel Gewichtsumfang, und die Gewichte sind es, die die GPUs füllen.

• Aktive Parameter pro Token – 12B gegenüber 55B. Der Rechenaufwand pro Token skaliert damit, nicht mit der Gesamtzahl, weshalb beide Modelle deutlich günstiger zu betreiben sind, als ihre Größe vermuten lässt – und weshalb der Unterschied zwischen ihnen beim Speicher 4,6× beträgt, aber auch 4,6× bei der Arithmetik pro Token.

• Mindesthardware — 4×H100 oder 2×GB200 für Super VL; 16×H100 oder 8×GB200 für Ultra. Praktisch gesehen: ein Node gegenüber einem Rack.

• Modalitäten — Text, Bilder und Video als Eingabe für Super VL; Text als Eingabe, Text als Ausgabe für Ultra. Ultra hat überhaupt keinen Vision-Pfad.

• Attention-Design — Super VL ist der verschachtelte Hybrid aus Mamba-2, Mixture-of-Experts und Attention mit 512 gerouteten Experten pro MoE-Schicht; Ultra verwendet NVIDIAs LatentMoE-Anordnung. Beide tragen MTP-Köpfe für spekulative Dekodierung.

• Lizenz — OpenMDW-1.1 mit kommerzieller Nutzung bei beiden, Gewichte und Rezepte bei beiden offen.

Das Muster in diesen sechs Zeilen ist, dass Super VL kein abgespecktes Ultra ist. Es ist eine andere Form von Modell: visionsfähig, deutlich speicherärmer und – entscheidend – auf Hardware einsetzbar, die ein mittelgroßes Team vielleicht bereits besitzt. Die Untergrenze von Ultra ist ein Gespräch über Rechenzentren. Die Untergrenze von Super VL ist ein ernstzunehmender Inferenzknoten.

Was die zusätzlichen 43 Milliarden aktiven Parameter bringen

Der allgemeine Argumentationsfall

Ultra wurde entwickelt, um an der Spitze von NVIDIAs Stack für reines Text-Reasoning zu stehen, und NVIDIAs Juni-Veröffentlichung vergleicht es in Benchmarks mit sechs aktuellen Frontier-Modellen in den Bereichen Wissen, Mathematik, Coding und Long-Context-Suites. Diese Werte stammen, wie jeder Wert in diesem Vergleich, aus NVIDIAs Harness und nicht von einem unabhängigen Evaluator; sie belegen also, was NVIDIA gemessen hat, nicht, was ein Dritter messen würde.

Der multimodale Fall

Hier kehrt sich der Vergleich um. Ultra kann keine Seite lesen. Wenn die Arbeit Dokumente, Tabellen, Diagramme, Screenshots oder Video-Frames umfasst, ist das Flaggschiff schlicht kein Kandidat, und das größte Modell der Familie ist für Ihr Problem irrelevant, egal wie gut sein Reasoning-Index ist. Der Vision-Encoder und Connector von Super VL existieren genau für diese Arbeitslast, und seine veröffentlichten Stärken – OCR, strukturierte Extraktion aus visuellen Dokumenten, mehrstufige Geschäftsworkflows – beschreiben eine andere Aufgabe als die, für die Ultra optimiert wurde.

Der Long-Context-Fall

Beide erreichen 1M Tokens. NVIDIA erweiterte den Kontext von Super VL mit einer dedizierten 35-Milliarden-Token-Phase, gefolgt von einem Long-Context-Recovery-Durchlauf, was ein stärkeres Signal ist als eine maximale Länge allein: Es bedeutet, dass lange Eingaben als eine Fähigkeit behandelt wurden, die erhalten werden soll, statt als ein Puffer, mit dem man werben kann. Ultra erreichte dasselbe Fenster über seine eigene Trainingspipeline. Ohne eine unabhängige Long-Context-Evaluierung beider solltest du dies als Gleichstand behandeln – mit einem plausiblen Vorteil für das Modell, von dem dein eigener Retrieval-Trace sagt, dass es über 200k hinaus standhält.

Bereitstellung von einem oder beiden – und die Tarifstufenfalle

Die Falle besteht darin, anzunehmen, die Familie sei eine Leiter, die man hinaufsteigt. Sie ähnelt eher einer Trennlinie, und die Trennlinie wird durch die Kosten pro Aufgabe gezogen, nicht durch die Fähigkeit. Ein Modell mit 12B aktiven Parametern, das zwei GB200s benötigt und eine Dokumentenaufgabe fünfmal schneller als seine Klasse abschließt – wenn NVIDIAs Durchsatzbehauptung stimmt –, schlägt bei dieser Aufgabe ein Modell mit 55B aktiven Parametern, egal welches von beiden klüger ist – denn das klügere wartet im Leerlauf darauf, dass sich die Warteschlange des schnelleren leert. Wechselt man bei der Aufgabe zu einem Long-Horizon-Programmier- oder Mathematikproblem ohne Pixel, verrichten die zusätzlichen Parameter von Ultra echte Arbeit.

Keines von beiden steht in unserem Katalog, und es lohnt sich, ausdrücklich zu sein, statt einen vagen Satz etwas anderes andeuten zu lassen: OrcaRouter stellt NVIDIA Nemotron 3.5 Super VL, Nemotron 3 Ultra 550B-A55B oder irgendeinen anderen NVIDIA-Checkpoint nicht bereit. Das sind Gewichte, die du bereitstellst. Was eine Routing-Schicht zu einer solchen Entscheidung beiträgt, ist Messung statt Zugriff. Die Routing-DSL ermöglicht es dir, denselben Prompt zwei Upstream-Modellen vorzulegen und die Antworten Seite an Seite zu lesen, sodass die Bewertung eines 12B-aktiven Kandidaten gegenüber einem 55B-aktiven Incumbent eine Konfigurationsänderung statt zweier Integrationsprojekte ist. Automatisches Failover ist aus dem entgegengesetzten Grund wichtig: Wenn ein gehostetes Modell, an das du routest, mitten in der Pipeline an Leistung verliert, wird die Anfrage verschoben, statt zu scheitern, wodurch für die Teams, die Super VL weiterhin selbst gehostet als ihre primäre Option betreiben, ein Fallback-Pfad am Leben bleibt. Und für die Teile der Workload, die keine selbst gehostete Ebene auffangen sollte – Spitzenlasten, seltene Modalitäten, einmalige Jobs mit großem Kontext – der Katalog hinter einem Schlüssel, mehr als zweihundert Modelle mit 0 % Aufschlag auf den Listenpreis des Anbieters, ist der Ort, an den diese Anfragen gehen.

Die ehrliche Einordnung dieses Absatzes ist, dass wir hier weder Anbieter des einen noch des anderen Modells sind. Wir sind die Schicht, die den Vergleich kostengünstig zu betreiben und den Eskalationspfad kostengünstig zu halten macht.

Die Behauptung, die man prüfen sollte, bevor man sich festlegt

Alles oben Gesagte läuft auf einen einzigen unbestätigten Satz hinaus: dass ein Modell mit 120B Parametern und 12B aktiven Parametern bei etwa einem Fünftel der Parameterzahl mit NVIDIAs größtem Reasoning-Modell mithält. Wenn das zutrifft, ist Super VL die bessere Standardwahl für eine gemischte Workload, und Ultra bleibt dem schmalen Rand der Probleme vorbehalten, die es tatsächlich benötigen. Wenn es nicht zutrifft — und einen Tag nach der Veröffentlichung hat niemand außerhalb von NVIDIA Messungen vorgenommen —, dann sind die beiden Stufen einfach unterschiedliche Größen desselben Dings, und die Wahl fällt auf das zurück, was Ihre Aufgabe braucht: Pixel oder keine Pixel, ein Knoten oder ein Rack.

Der Test ist günstig und spezifisch. Nimm fünfzig echte Aufgaben aus deiner eigenen Warteschlange, die eine überprüfbare Antwort haben, führe sie gegen beide aus und bewerte die Erledigung statt Benchmark-Werte. Diese Zahl – nicht die von NVIDIA – ist diejenige, die entscheidet, für welche Stufe du Hardware kaufst – und sie ist die Zahl, die auch dann noch stimmen wird, wenn die nächste Nemotron-Veröffentlichung diese Seite zurücksetzt.