Nemotron 3.5 Super VL vs DeepSeek V4 Flash Vision Exp: ocho puntos de índice, y solo uno de ellos es un producto

En el Artificial Analysis Intelligence Index, DeepSeek V4 Flash Vision Exp supera a NVIDIA Nemotron 3.5 Super VL por 8,35 puntos —34,84 frente a 26,49, ambos no estimados— y lo hace a un precio publicado de $0,44 por millón de tokens de entrada y $1,32 de salida, mientras que NVIDIA no ha publicado ningún precio. Esa es la conclusión con la que se queda un lector de fichas técnicas, y es la equivocada sobre la que actuar. Los dos modelos no compiten por el mismo lugar. NVIDIA Nemotron 3.5 Super VL es un modelo de disponibilidad general con un informe técnico, un microservicio NIM, soporte empresarial y un ecosistema de post-entrenamiento que incluye a Scale AI, Salesforce y CrowdStrike. DeepSeek V4 Flash Vision Exp es, por su propio nombre de archivo, un experimento: el primer miembro multimodal de la familia V4, distribuido como pesos más una implementación de referencia mínima en PyTorch, y puntuado en ese panel en una configuración que DeepSeek no vende. Ocho puntos son una brecha real. También es una brecha entre un servicio y un artefacto de investigación, y la pregunta útil no es quién gana, sino cuál puede ubicarse dentro de tu límite de cumplimiento en seis meses.

Lo que realmente es cada uno

NVIDIA Nemotron 3.5 Super VL es un híbrido de 120.000 millones de parámetros —capas Mamba-2, mezcla de expertos con 512 expertos enrutados y atención— con un codificador de visión C-RADIO, 12.000 millones de parámetros activos por token, hasta 1 millón de tokens de contexto y predicción multitoken nativa para decodificación especulativa sin un modelo borrador independiente. Sus entradas son texto, imágenes y vídeo; la salida es texto. La evaluación propia de NVIDIA abarca OCR, razonamiento sobre gráficos y documentos, comprensión de vídeo y trabajo con contexto largo, y la licencia es OpenMDW-1.1, que permite el uso comercial. Incluye un informe técnico y una receta de despliegue publicada para 4×H100 o 2×GB200.

DeepSeek V4 Flash Vision Exp se basa en la arquitectura DeepSeek-V4-Flash, añadiendo módulos visuales y entrenamiento continuado. El repositorio incluye 48 fragmentos safetensors bajo MIT, un tokenizador, un módulo de codificación que convierte bloques de mensajes al estilo OpenAI en prompts y una implementación mínima en PyTorch que abarca el codificador de visión, el alineador, la atención DFlash, MoE, Hyper-Connections y la ruta forward de DSpark. La configuración muestra un MoE de 43 capas con 256 expertos enrutados, 6 expertos por token, 1.048.576 posiciones máximas y una cabeza de predicción multitoken de tres capas. La ficha deja claro que este es el primer modelo multimodal experimental de DeepSeek en la línea V4, y que mejora a DeepSeek-V4-Flash-0731 en tareas de agente multimodales, mientras mantiene un rendimiento comparable en las de solo texto.

• Parámetros y estructura — NVIDIA Nemotron 3.5 Super VL: MoE híbrido de 120B en total / 12B activos con visión C-RADIO. DeepSeek V4 Flash Vision Exp: MoE de 284B en total / 13B activos, 256 expertos enrutados, 6 por token.

• Índice de Inteligencia — 26,49 para Super VL, 34,84 para la configuración servida de DeepSeek. Ambos no estimados, ambos según Artificial Analysis.

• Tokens de salida por tarea de índice — 49.174 frente a 69.174. Super VL completa las tareas del panel con un 29 % menos de tokens.

• Precio — no hay ninguna tarifa publicada para Super VL; $0.44 por millón de entrada / $1.32 por millón de salida para la configuración de DeepSeek servida, según el mismo panel.

• Licencia y compromiso — OpenMDW-1.1 con uso comercial, GA y un servicio NIM para Super VL; pesos MIT y una implementación de referencia, etiquetada como experimental, para DeepSeek V4 Flash Vision Exp.

• Modalidades: entrada de texto, imagen y video para Super VL según la ficha de NVIDIA; entrada de imagen y salida de texto para el modelo DeepSeek, cuya propia tabla de benchmark no tiene ninguna fila de video.

La diferencia de ocho puntos se sostiene; la comparación de precios no.

Empieza por la parte que está realmente zanjada. El modelo de DeepSeek obtiene una puntuación más alta y cuesta menos por token, y el margen no es ruido: 8,35 puntos de índice es aproximadamente la distancia entre NVIDIA Nemotron 3.5 Super VL y el propio 550B NVIDIA Nemotron 3 Ultra 550B A55B de NVIDIA, que se sitúa en 22,93. Así que el planteamiento honesto es que el lanzamiento multimodal experimental de 284B de un laboratorio chino actualmente supera en puntuación al modelo de visión abierto insignia de un laboratorio estadounidense, con aproximadamente un tercio del tamaño en el eje de parámetros activos y a una tarifa publicada. Si tu carga de trabajo es la comprensión de pantallas y gráficos entregada a través de una API, esa es toda la respuesta y puedes dejar de leer.

La comparación se desmorona en el momento en que quieres ejecutarlo tú mismo, que es la razón por la que existen ambos modelos. La cifra 34.84 está asociada a la configuración Max servida, no a un checkpoint que puedas desplegar. El repositorio de Hub es una liberación de pesos genuina bajo MIT, pero la propia ficha de DeepSeek lo presenta como un artefacto experimental con una ruta de inferencia mínima: el tipo de liberación que un laboratorio publica para que los investigadores reproduzcan un artículo, no el tipo que respalda con un contrato empresarial. NVIDIA hace lo contrario: publica los pesos al mismo tiempo que el producto, y se espera que quien llama los aloje. En los benchmarks que los dos laboratorios eligen publicar, se nota la diferencia. DeepSeek enfatiza el trabajo de agentes multimodales: ApexBench 36.5 frente a su propio 26.2 para el modelo solo de texto, Chartography 64.3, ZeroBench con 35.0 pass@5, Agents' Last Exam 27.3. NVIDIA enfatiza las superficies de documentos y video: OCRBench v2 con 68.12 en inglés, MMLongBench-Doc 62.82, razonamiento de CharXiv 80.82, Video-MME v2 32.85. Ninguno de los conjuntos es comparable con el otro, y ambos son reportados por el proveedor.

Cuando los números de proveedor no coinciden entre sí

Hay un detalle en la propia tabla de NVIDIA que merece un párrafo, porque es exactamente el tipo de cosa que se blanquea en la agregación. La columna de comparación de NVIDIA incluye DeepSeek-V4-Flash0731 y reporta 76.80 en Terminal-Bench 2.1 para él. La propia tarjeta de DeepSeek reporta 82.7 para el mismo modelo en el mismo benchmark, y 83.9 para DeepSeek V4 Flash Vision Exp. Tres números, un benchmark, dos entornos de pruebas, y ninguna conciliación por ningún lado. Esto no es un escándalo — distintos andamiajes y ajustes de esfuerzo de razonamiento mueven los benchmarks agénticos varios puntos, y NVIDIA publica sus recetas de NeMo Gym precisamente para que las configuraciones puedan inspeccionarse. Pero significa que cuando ves una brecha de ocho puntos en el índice, el índice en sí es la parte fiable y los benchmarks que lo componen no lo son. El índice es un único entorno de pruebas aplicado a ambos modelos por un tercero. Las tablas de benchmarks son cuatro laboratorios corrigiendo sus propios deberes sobre su propio andamiaje.

En el mismo panel, ambos modelos presentan un índice de omnisciencia negativo. Super VL se sitúa en −4,22 con una precisión del 23,3 % y una tasa de alucinación del 35,8 %; esa fila mide si un modelo se abstiene de responder cuando no sabe, y ninguno de estos dos es bueno en eso. GDPval-AA —entregables terminados en lugar de respuestas— otorga a Super VL 1.162,41 y a la rúbrica AA-Briefcase un Elo de 998,76. Para el modelo DeepSeek, las mismas filas no están pobladas en la configuración servida. Si tu caso de uso es la recuperación de conocimiento, ninguna de las dos cifras es alentadora. Si es la producción de documentos, Super VL tiene la única fila medida del par.

Ejecutando cualquiera de los dos

El despliegue es donde los caminos se separan definitivamente. NVIDIA Nemotron 3.5 Super VL sirve BF16 en 4×H100 o 2×GB200 con contenedores vLLM y SGLang fijados, añade una compilación NVFP4 para huellas más ajustadas y documenta una canalización de vídeo que muestrea 256 fotogramas a 2 FPS con una tasa de poda de 0,5. DeepSeek V4 Flash Vision Exp publica una receta de vLLM para un único nodo 4×GB300 con caché KV FP8, tamaño de bloque 256 y decodificación especulativa DSpark extraída del mismo checkpoint, además de una ruta SGLang — más ligera en el lado de la venta, más exigente en la suposición de que sabes lo que haces. Ambos necesitan hardware de clase centro de datos; ninguno es un modelo de portátil. En particular, lo único que comparten es que un recorte de precio de lista de un proveedor aparece a coste en OrcaRouter el mismo día en que se anuncia, porque trasladamos los precios de los proveedores con 0 % de recargo en más de 200 modelos con una sola clave, y la conmutación automática por error te permite poner un checkpoint no probado en una porción del tráfico mientras uno ya probado sostiene el resto. Esa es la respuesta práctica cuando la diferencia de ocho puntos y el precio que falta hacen que la decisión esté realmente reñida: enruta ambos, mide con tus propios datos de entrada, y deja que el tráfico lo decida — con la advertencia de que hoy solo uno de los dos se puede enrutar. DeepSeek V4 Flash Vision Exp ya está en nuestro catálogo, a la tarifa que publica su proveedor y no a una con recargo; NVIDIA Nemotron 3.5 Super VL aún no está ahí, porque nadie sirve de forma fiable un checkpoint de tres días. Esa asimetría merece decirse en voz alta en lugar de dar a entender que tenemos ambos.

La elección en una línea cada una

Elige NVIDIA Nemotron 3.5 Super VL cuando el trabajo consiste en documentos, gráficos, páginas escaneadas y vídeo, cuando la licencia debe permitir el uso comercial, y cuando necesitas un proveedor que siga respondiendo a tickets de soporte sobre el checkpoint dentro de un año — aceptando que renuncias a 8,35 puntos de índice y pagas por GPUs en lugar de tokens. Elige DeepSeek V4 Flash Vision Exp cuando el trabajo consiste en comprender gráficos y pantallas a través de una API, cuando 0,44 $ y 1,32 $ por millón de tokens son la línea de presupuesto, y cuando el planteamiento de nivel beta de un lanzamiento experimental es aceptable — aceptando que la configuración servida no es el checkpoint y que el checkpoint no tiene soporte. Los equipos que necesitan ambos comportamientos normalmente ejecutan dos cargas de trabajo diferentes, y un endpoint con conmutación por error sirve precisamente para dos cargas de trabajo diferentes.