NVIDIA Nemotron 3.5 Super VL 120B vs DeepSeek V4 Pro: los píxeles cuestan 40 veces más que el texto, y aquí está la aritmética

DeepSeek V4 Pro costs $0.66 per million input tokens. Whatever a page of a scanned contract costs you to push through N​VIDIA N​emotron 3.5 Super VL 120B A12B, it is not 66 cents per million, and the reason is that you are not renting it — you are buying GPUs. That single asymmetry is the whole shape of this comparison between DeepSeek V4 Pro, D​eepSeek's 1.6-trillion-parameter text-only flagship listed since April 2026, and N​VIDIA N​emotron 3.5 Super VL 120B A12B, the open-weights vision-language model N​VIDIA uploaded to Hugging Face on 12 October 2026 with no announced price on any serving path. Comparing their benchmark scores is easy and mostly useless. Comparing what each one costs you to operate on the same document is the exercise that actually decides anything.

La respuesta corta

Si tu entrada es texto y tu presupuesto es una partida de gasto, DeepSeek V4 Pro gana por un margen que ningún modelo abierto puede cerrar: un panel externo lo sitúa 9,5 puntos de índice por delante de Super VL y, aun así, cuesta una fracción de céntimo por cada mil tokens. Si tu entrada incluye imágenes, video o escaneos de páginas, no hay punto de comparación, porque DeepSeek V4 Pro no puede verlos. Los dos modelos no se solapan en el eje que más importa de verdad a la mayoría de los equipos.

Qué es cada modelo, en una sola pasada

DeepSeek V4 Pro es una mezcla de expertos de 1,6 T de parámetros con 49 B activos por token, una ventana de contexto de 1 M de tokens, hasta 384 K tokens de salida, y texto como su única modalidad de entrada y salida. Está disponible de forma general desde el 24 de abril de 2026 a través de la propia API de DeepSeek y de plataformas de terceros, con un precio de $0,66 por millón de tokens de entrada y $1,98 por millón de tokens de salida, y lecturas de caché a $0,022. Una medición independiente a través del panel de Artificial Analysis, con última evaluación del 13 de agosto de 2026, lo sitúa en 36,0 en el Intelligence Index — 41.º de 147 modelos.

Nemotron 3.5 Super VL 120B A12B es un híbrido Mamba-2/Transformer con 512 expertos enrutados por capa MoE, 120B de parámetros totales y 12B activos por token, un codificador de visión C-RADIO, predicción multi-token nativa y 1M tokens de contexto. Las entradas son texto, imágenes y vídeo; la salida es texto. Es abierto bajo OpenMDW-1.1 con uso comercial permitido, se distribuye en versiones BF16, base-BF16 y NVFP4, y funciona en 4× H100 o 2× GB200 en BF16, o en una sola H200, una sola GB200, 2× H100 o un DGX Spark en NVFP4. Una medición independiente lo sitúa en 26.49 en el mismo panel, que es el número que hay que retener a medida que avanza la conversación.

Dónde reside realmente el coste de los insumos

Aquí está el cálculo que nadie ha publicado. Toma un conjunto de contratos escaneados de 200 páginas. Con DeepSeek V4 Pro, hay que aplicarle OCR y extraerle el texto antes de que llegue, y luego el modelo te cobra $0.66 por millón de tokens de entrada sobre el texto extraído. Con Super VL, las páginas entran como imágenes, una sola vez, en un modelo que ya pagas por hora de GPU.

• DeepSeek V4 Pro a precio de lista: $0.66 de entrada, $1.98 de salida, $0.022 de lectura de caché, por millón de tokens. Una extracción de 200 páginas es lo bastante barata como para que el coste por llamada ni siquiera aparezca en una revisión de presupuesto.

• El coste de inflación de Super VL — 4× H100 o 2× GB200 en BF16, o un H200 / un GB200 / un DGX Spark en NVFP4. Eso es alquiler o capex que se acumula, llegue o no un documento.

• El crossover —el punto en el que autoalojar Super VL se vuelve más barato que OCR-plus-V4-Pro— es una función de tu volumen de documentos y de la utilización que puedas mantener en la GPU. Nadie lo ha publicado, y para equipos de bajo volumen muy probablemente nunca llegue.

• Lo que no está en ninguna de las dos columnas: el pipeline de OCR que requiere la ruta de DeepSeek. Eso es un segundo sistema, un segundo modo de fallo y el punto donde la mayoría de los pipelines de documentos realmente se rompen: la tabla que el OCR destroza, el gráfico que desaparece en la extracción, el sello sobre el bloque de firmas.

Este es el verdadero argumento a favor del modelo de visión y no es un argumento de benchmark. Es que el paso de extracción desaparece. La página llega al modelo tal como existe, y el modelo tiene que lidiar con el gráfico, la tabla y el diseño incómodo en lugar de recibir una aproximación aplanada de ellos. Si la visión de Super VL es lo suficientemente buena como para justificar tener GPUs es una cuestión sobre tus documentos, y la única manera honesta de responderla es ejecutar tu propio conjunto a través de la compilación NVFP4 en una sola H200 y contar los errores.

Las filas de benchmark que existen, y de quién son

Aquí hay dos tipos diferentes de número en juego y nunca deberían citarse en la misma oración sin una etiqueta.

Medido por panel, de Artificial Analysis, donde DeepSeek V4 Pro fue evaluado por última vez el 13 de agosto de 2026:

• Índice de inteligencia — DeepSeek V4 Pro 36,0 vs Nemotron 3.5 Super VL 26,49.

• Humanity's Last Exam — DeepSeek V4 Pro 41.0. El panel no incluye una fila de Super VL.

• Recuperación de contexto largo — DeepSeek V4 Pro 80,3 vs. Super VL 0,69 en la escala AA-LCR, que es la brecha proporcional más amplia de este artículo.

• SciCode — DeepSeek V4 Pro 51.0 vs la fila de Super VL sin publicar en el panel.

• Terminal-Bench 4.0 — DeepSeek V4 Pro 14.1 vs Super VL 0.0.

• τ²-bench — DeepSeek V4 Pro 96.2, una cifra con la que DeepSeek lidera, y el panel no publica ningún equivalente de Super VL.

Reportado por el proveedor, según la propia evaluación de NeMo Gym de N​VIDIA sobre Super VL, que N​VIDIA ejecutó con su propio modelo frente a las líneas base que eligió:

• Agentic — SWE-bench Verified 71.10, SWE-bench Multilingual 67.72, SWE-bench Pro 51.78, tau2-bench retail 69.24 y airline 76.50, BrowseComp 78.91, GraphWalks 89.71 en la configuración de más de 1M de tokens.

• Razonamiento — GPQA-Diamond 89.52, HLE sin herramientas 31.79, elevándose a 46.01 con herramientas en un arnés interno independiente.

• Visión — CharXiv-RQ 80.82, MathVision 78.16, V* 85.60, OCR-Reasoning 65.08, OCRBench-v2 con 68.12 en inglés y 59.15 en chino, MMLongBench-Doc 62.82, OSWorld 52.14, Video-MME-v2 32.85.

Los dos documentos no comparten ni una sola fila, y por eso la comparación de índices anterior es el único ranking limpio disponible. Y el lector debería fijarse en lo que es fácil pasar por alto: el 71.10 de SWE-bench Verified de Super VL es una cifra sólida y es de NVIDIA, y el panel le dio al mismo modelo 0.0 en Terminal-Bench 4.0. Ambas cosas pueden ser ciertas. Una puntuación de codificación agéntica medida en un harness de proveedor y una puntuación de terminal medida por un tercero no son el mismo tipo de evidencia, y la lectura honesta es que el perfil agéntico de Super VL se afirma, no se establece.

Por qué la fila de contexto largo es la que debería preocuparnos

Ambas fichas técnicas incluyen una ventana de contexto de 1M de tokens. En la práctica, el panel mide el recuerdo en contextos largos en 80,3 para DeepSeek V4 Pro y 0,69 para Super VL, y el propio contraargumento de NVIDIA es GraphWalks 89,71 en la configuración de más de 1M de tokens: una cifra del proveedor, en un arnés del proveedor, en una tarea donde a Super VL se le pide recorrer un grafo en lugar de recordar un pasaje.

Estos no están midiendo lo mismo, y ese es exactamente el problema para cualquiera que esté decidiendo. Si tu carga de trabajo es "encontrar la cláusula en este expediente de 900,000 tokens", el número del panel está más cerca de tu tarea y no está cerca. Si tu carga de trabajo es "recorrer este conjunto de documentos vinculados e informar qué depende de qué", el número del proveedor está más cerca, y aún así debería tratarse como una afirmación. Hasta que alguien independiente ejecute ambas tareas contra el checkpoint, la suposición de planificación segura es que el contexto efectivo de Super VL es materialmente más corto de lo que dice su hoja de especificaciones.

Dos rutas, una clave y la diferencia de precio a la vista

DeepSeek V4 Pro está en el catálogo de OrcaRouter a los $0,66 y $1,98 publicados por DeepSeek, sin margen de beneficio — el precio de lista del proveedor se aplica directamente, por lo que un cambio de precio de DeepSeek queda vigente aquí el mismo día en lugar de en el siguiente ciclo de facturación. En los últimos siete días de solicitudes a través de la puerta de enlace, V4 Pro muestra un tiempo hasta el primer token (p50) de 1,89 segundos a 81,9 tokens de salida por segundo, y transportó 480,3 millones de tokens de tráfico en ese periodo. Esas son mediciones de llamadas reales, no pruebas comparativas de proveedores, y son las cifras sobre las que debería construirse un modelo de costes.

Nemotron 3.5 Super VL 120B A12B no está en nuestro catálogo. NVIDIA no ha publicado ningún precio por token para él en ninguna vía, incluido su propio microservicio NIM, así que no hay nada que podamos repercutir y este artículo no fingirá lo contrario: es un checkpoint que alojas tú mismo, en el hardware de la receta anterior.

Lo que sí te aporta la puerta de enlace en este emparejamiento es que las dos mitades del pipeline dejen de ser dos integraciones. Las llamadas de extracción y triaje van a tu propio despliegue de Super VL; las llamadas de razonamiento, codificación y texto barato de alto volumen van a DeepSeek V4 Pro en el mismo endpoint y la misma clave; y la división se expresa como una regla de enrutamiento en lugar de un condicional en el código de la aplicación. Cuando el enrutamiento de imágenes es el factor decisivo, el DSL puede basarse en si un prompt lleva adjunta una imagen o no — lo cual es una forma más limpia de mantener la frontera que recordar qué ruta de código hace qué. La conmutación por error automática entre proveedores se sitúa por debajo del modelo enrutado, de modo que un 429 del proveedor upstream en una llamada de texto recae en un fallback en lugar de en tu usuario.

Averiguar en qué lado de la línea estás

• Si no tienes imágenes — DeepSeek V4 Pro, sin más análisis. Nueve puntos y medio de índice de ventaja, $0.66 por millón de entrada, 1.89 segundos de p50 para el primer token, y nada que operar.

• Si tienes imágenes pero un volumen bajo: OCR más DeepSeek V4 Pro hasta que la tasa de error de la extracción empiece a costar más de lo que costarían las GPU. Mide primero los errores de extracción; ese número, no la brecha del benchmark, es lo que determina el punto de cruce.

• Si tienes imágenes y no puedes enviarlas a ninguna parte — Super VL es la única opción sobre la mesa, y la decisión pasa a ser qué checkpoint: BF16 si tienes la intención de hacer fine-tuning, NVFP4 si tienes la intención de servirlo.

• Si el recuerdo de contexto largo es el núcleo de la carga de trabajo, pruébalo antes de comprometerte. El 0,69 del panel frente a 80,3 es una brecha lo bastante grande como para que una hoja de especificaciones de 1M de tokens no deba tomarse como evidencia de competencia con 1M de tokens.

• Si quieres que el modelo mejore en tu dominio, V4 Pro no te ofrece ningún camino. Super VL te da los pesos, y NVIDIA publicó junto con él los conjuntos de datos de posentrenamiento y los entornos de RL de NeMo Gym, que es la mitad más reutilizable de ese lanzamiento.

¿Qué cambiaría este artículo?

Tres cosas, en orden de cuánto cambiarían la respuesta.

Un precio para Super VL, de N​VIDIA o de cualquiera que lo sirva. En el momento en que exista una cifra por token, la primera sección de este artículo se convierte en aritmética en lugar de un marco, y la discusión sobre el cruce se reduce a una comparación de dos números.

Un segundo conjunto de datos independiente sobre el modelo. NVIDIA tiene una única puntuación de terceros, y esta no incluye una fila de contexto largo ni de agente de programación. Una nueva ejecución del panel que publique esas filas resolvería las dos preguntas que este artículo tiene que dejar abiertas.

Y la discrepancia de Terminal-Bench 2.1 en la propia documentación de NVIDIA — 66.70 en la ficha del modelo frente a 60.67 en la tabla resumen del informe técnico, mientras que todo lo demás en esos documentos coincide. Una de las dos fuentes primarias es incorrecta. Hasta que alguien vuelva a ejecutar las recetas, ninguno de los dos valores es seguro de citar, y el hecho de que la discrepancia exista siquiera es motivo para tratar cualquier otra fila de fuente única en ese informe como provisional.

Los benchmarks envejecen y los precios se mueven; el historial de fallos no: los incidentes de IA documentados y los fallos de agentes detrás de los modelos de esta clase se recopilan en the OrcaRouter AI Incident Archive, donde cada entrada incluye sus propias fuentes, severidad, grado de confianza y marca de disputa.