Nemotron 3.5 Super VL vs. Qwen3.8-Max: Die Open-Weight-Klasse gegen die abgerechnete Frontier

Wer in diesem Quartal eine Pipeline zur Dokumentenverarbeitung plant, hat genau zwei Formen zur Auswahl, und sie sind nicht dieselbe Form. NVIDIA Nemotron 3.5 Super VL ist ein Vision-Language-Checkpoint mit 120 Mrd. Parametern und 12 Mrd. aktiven Parametern unter OpenMDW-1.1, dessen Gewichte am 12. Oktober 2026 veröffentlicht wurden, drei Tage vor NVIDIAs eigener Ankündigung am 15. Oktober: Du lädst es herunter, du hostest es, du bezahlst mit GPUs und Strom. Qwen3.8-Max ist Alibabas proprietäres Flaggschiff – ein Mixture-of-Experts mit 2,4 Billionen Parametern und 95 Mrd. aktiven Parametern, Vision-Eingabe, einem Kontextfenster von 1 Mio. Token und Abrechnung pro Token zu 2 $ pro Million Eingabe- und 6 $ pro Million Ausgabe-Token bei einem Cache-Rabatt von 88 %. Das eine sind Investitionsausgaben mit voller Kontrolle; das andere sind Betriebsausgaben mit einer Preisliste. Alles andere in diesem Vergleich ist eine Folge dieser Aufteilung.

Zwei Geschäftsmodelle im Gewand eines Benchmark-Vergleichs

Es ist verlockend, diese anhand ihrer Fähigkeiten zu vergleichen und einen Sieger zu küren. Diese Darstellung verdeckt die eigentliche Entscheidung: die Frage, wer den Fehlerfall verantwortet. Bei Super VL gilt: Wenn der Durchsatz enttäuscht, trainieren Sie neu, quantisieren neu oder kaufen andere Hardware — die Obergrenze können Sie selbst anheben. Bei Qwen3.8-Max hingegen gilt: Wenn der Durchsatz enttäuscht, ändern Sie den Modell-String oder verhandeln; die Obergrenze gehört Alibaba, und die Roadmap ebenso.

Dieser Unterschied ist daran ablesbar, was jeder Anbieter veröffentlicht hat. NVIDIA lieferte einen technischen Bericht, Trainingsrezepte, offene Datensätze, RL-Umgebungen und drei separate Speculative-Decoding-Pfade für die Familie — das Instrumentarium eines Modells, das eingesetzt und verändert werden soll. Qwen lieferte eine API mit einer Preisliste und einem Cache-Rabatt, was das Instrumentarium eines Modells ist, das konsumiert werden soll.

Was Super VL Ihnen bietet, was ein gehosteter Endpoint nicht kann

NVIDIA Nemotron 3.5 Super VL ist ein Hybrid: verschachtelte Mamba-2-Schichten, ein Mixture-of-Experts mit 512 gerouteten Experten pro MoE-Schicht und ausgewählte Attention-Schichten, verbunden mit einem C-RADIO-Vision-Encoder und einem Vision-Language-Connector. Text, Bilder und Videoframes gehen hinein; Text kommt heraus. Sein Sprach-Backbone wurde aus Nemotron 3 Super Base initialisiert, für eine Billion Tokens aus Nemotron 3 Ultra Base destilliert und dann um 35 Milliarden Tokens auf 1 Mio. Kontext erweitert, mit Software-Engineering-Midtraining und einer Langkontext-Recovery-Phase. Native Multi-Token Prediction liefert spekulatives Decoding ohne separaten Drafter. Es läuft mit BF16 auf 4×H100 oder 2×GB200, mit einem NVFP4-Build und einem NIM-Microservice für den Produktionseinsatz.

• Was Sie besitzen — die Gewichte, den Tokenizer, den Vision-Encoder, die Post-Training-Pipeline und den Audit-Trail. Jeder Prompt bleibt innerhalb Ihres Perimeters, was bei Arbeit in den Bereichen Versicherung, Kredit, Gesundheit oder Verteidigung keine Präferenz, sondern eine Anforderung ist.

• Was Sie zahlen — Beschleuniger. Vier H100s bei voller Präzision sind die Eintrittskarte, und die Kostenkurve ist die Auslastung: teuer im Leerlauf, nahezu kostenfrei bei Sättigung.

• Was Sie aufgeben – eine Preisliste. Mit Stand vom 16. Oktober 2026 gibt es für Super VL von niemandem einen veröffentlichten Preis, daher stützt sich jeder Gesamtkostenvergleich, den Sie heute erstellen, auf Ihre eigenen Durchsatzmessungen, nicht auf eine Zahl eines Anbieters.

Was Qwen3.8-Max dir bietet, was ein Checkpoint nicht kann

Qwen3.8-Max aktiviert pro Token 95 Mrd. Parameter aus einem Pool von 2,4 Billionen Parametern, verarbeitet neben Text auch Bilder und hat standardmäßig ein Kontextfenster von knapp unter einer Million Token. Bei Artificial Analysis erreicht es einen Intelligence Index von 45, was neunzehn Punkte über den 26 liegt, die für NVIDIA Nemotron 3.5 Super VL im selben Index verzeichnet sind – und anders als die meisten Zahlen auf dieser Seite handelt es sich bei beiden um Messungen von Drittanbietern und nicht um Angaben des Herstellers.

• Was Sie bekommen — einen Generalisten der Frontier-Klasse, inklusive Vision, noch heute Nachmittag mit einem API-Schlüssel aufrufbar. Keine Hardware, kein Betrieb, keine Kapazitätsplanung.

• Was Sie zahlen — 2 $ für die Eingabe und 6 $ für die Ausgabe pro Million Tokens, mit 88 % Rabatt auf zwischengespeicherte Eingabe, was die Wirtschaftlichkeit jeder Arbeitslast mit einem großen, stabilen Präfix verändert: ein langer System-Prompt, ein festes Dokument, ein persistentes Tool-Schema.

• Was Sie aufgeben — die Gewichte. Es gibt keinen Download, kein lokales Deployment, kein Fine-Tuning des Serving-Modells und keine Möglichkeit, Daten auf Ihrer eigenen Hardware zu behalten.

Der Cache-Rabatt verdient eine gesonderte Anmerkung, weil er die Zahl ist, die in beiden Spalten am häufigsten falsch modelliert wird. Eine Reduzierung um 88 % bei gecachtem Input bedeutet nicht eine um 88 % niedrigere Rechnung; sie bedeutet, dass der wiederholte Teil deines Prompts ungefähr ein Neuntel des Listenpreises kostet, und der Nutzen skaliert damit, wie viel von jeder Anfrage tatsächlich mit der letzten identisch ist. Pipelines, die eine große statische Präambel erneut senden, profitieren enorm. Pipelines, die bei jedem Aufruf ein frisches Dokument senden, profitieren kaum.

Die Preislinie, ehrlich geführt

Der Instinkt ist, einen Crossover-Punkt zu berechnen – bei wie vielen Tokens gewinnt Selbsthosting? Diese Rechnung liefert eine Zahl, und die Zahl ist meistens falsch, weil sie die beiden dominierenden Kosten auslässt: die Engineering-Zeit, um einen selbst gehosteten Inferenz-Stack aktuell zu halten, und die Opportunitätskosten eines kleineren Modells bei den schwierigen Fällen.

Eine nützlichere Variante: Lass dein echtes Traffic-Profil gegen die veröffentlichten Preise von Qwen3.8-Max laufen und erhalte einen exakten monatlichen Betrag, denn auf dieser Seite gibt es eine Preisliste. Frage dann, welchen Anteil dieses Traffics ein 12B-aktives Modell nach deinem Standard bewältigen kann, und bepreise nur diesen Anteil in GPUs. In den meisten Dokumentenextraktions-Pipelines ist die Antwort, dass der Großteil des Volumens mechanisch ist — Rechnungen, Formulare, Diagramme, wiederkehrende Layouts — und ein kleiner Rest die eigentliche Beurteilung trägt. Der Großteil ist der Bereich, in dem Self-Hosting gewinnt; der Rest ist der Bereich, in dem ein Frontier-Modell wie Qwen3.8-Max gewinnt.

Diese Aufteilung ist genau das, wofür unsere eigene Routing-Schicht existiert, und die relevanten Fakten sind eng genug, um sie klar zu benennen. Qwen3.8-Max steht in unserem Katalog als qwen/qwen3.8-max/ zum Alibaba-Listenpreis mit 0 % Aufschlag — was auch immer der Anbieter berechnet, genau das zahlst du, und eine Preissenkung des Anbieters schlägt am selben Tag durch statt erst zum nächsten Abrechnungszyklus. NVIDIA Nemotron 3.5 Super VL steht nicht in unserem Katalog und wird es auch nie in Form eines Endpunkts sein, denn es ist ein Checkpoint, den du selbst hostest, statt ein Dienst, den dir jemand weiterverkaufen kann. Was zwischen den beiden liegt, ist Komposition: die Routing-DSL lässt einen einzelnen Aufruf auffächern, sodass mechanische Seiten an welches günstige Modell auch immer gehen können, auf das du sie verweist, während diejenigen, die Urteilsvermögen erfordern, eskalieren, und automatisches Failover verschiebt eine Anfrage zu einem gesunden Upstream, wenn derjenige, auf den sie zusteuerte, beeinträchtigt ist. Ein Schlüssel für die gehostete Hälfte, deine eigenen GPUs für die andere, eine Richtlinie, die entscheidet, welche Anfrage wohin geht.

Ein konkretes ausgearbeitetes Beispiel statt eines hypothetischen Szenarios: Dieselbe Pipeline kann ein einseitiges Formular über den Katalog an ein kleines Textmodell senden, einen diagrammlastigen Jahresbericht an ein Vision-Modell weiterleiten und Qwen3.8-Max für die Minderheit der Dokumente in Reserve halten, bei denen die Extraktion wirklich mehrdeutig ist. Das Reserve-Modell kostet 6 $ pro Million Ausgabe-Tokens und nichts, wenn es nicht genutzt wird – eine weit bessere Lösung, als eine vierte H100 für eine Workload bereitzustellen, die zweimal im Monat Spitzen erreicht.

Wer sollte ab dieser Woche was tun?

Wenn Ihre Arbeit regulierte Daten betrifft – jede Kategorie, in der das Senden einer Seite an einen Dritten eine rechtliche Prüfung erfordert –, ist die Entscheidung für Sie bereits gefallen, und sie lautet Super VL, inklusive Hardware-Mindestausstattung und allem Drum und Dran. Wenn Ihre Arbeit Dokument- und Bildschirmverständnis in großem Umfang bei normaler Datenschutzhaltung umfasst, ist die günstigste richtige Antwort für die meisten Teams derzeit das nutzungsabhängig abgerechnete Frontier-Modell, weil es heute funktioniert und sein Preis bekannt ist. Wenn Sie irgendwo dazwischen liegen, wo die meisten echten Pipelines angesiedelt sind, sind die beiden überhaupt keine Konkurrenten: Qwen3.8-Max für den harten Tail und ein selbst gehostetes Super VL für das Volumen, wobei ein Router pro Anfrage entscheidet.

Was diese Seite ändern würde, ist ein veröffentlichter Preis für Super VL von einem beliebigen Serving-Anbieter. Sobald ein Nemotron-Checkpoint hinter einem abgerechneten Endpunkt erscheint, löst sich der Einwand der Deployment-Untergrenze in Luft auf, der Vergleich wird zu Preis gegen Preis, und die interessante Frage verschiebt sich von welchem Modell zu welchem Anbieter. Bis dahin beantworten die beiden Spalten noch immer unterschiedliche Fragen – und die ehrliche Antwort auf „Was ist besser?“ lautet, dass ein Modell mit einem Preis und ein Modell mit einer Lizenz nicht dieselbe Art von Objekt sind.