Nemotron 3.5 Super vs. DeepSeek V4 Pro: la tabla de benchmarks que NVIDIA no publicó

Abre la ficha de modelo de NVIDIA para NVIDIA Nemotron 3.5 Super VL — el checkpoint abierto de 120 mil millones de parámetros que el proveedor también lista como NVIDIA Nemotron 3.5 Super y que Ollama distribuye como nemotron-3.5-super — y desplázate hasta la tabla de evaluación. Encontrarás aproximadamente cuarenta benchmarks y siete columnas de línea base. Una de esas columnas es DeepSeek: está etiquetada como DeepSeek-V4-Flash0731. El nivel económico de la propia DeepSeek. DeepSeek V4 Pro, el buque insignia de 1,6 billones de parámetros que sustituyó a la vista previa de abril en la revisión 0813, no aparece en ninguna parte de la tabla.

Esa ausencia es el hecho más útil de esta comparación, y no es un descuido. V4 Pro activa 49.000 millones de parámetros por token. Ponerlo en la misma tabla que un modelo con 12.000 millones de parámetros activos produciría una serie de cifras que no halagan a nadie ni informan a nadie, porque los dos modelos no son el mismo producto. Lo que hizo el proveedor en su lugar es la versión honesta del ejercicio: comparar contra el segmento que realmente pretendes desplazar.

Así que esta página hace dos cosas. Lee la comparación que NVIDIA publicó —Nemotron 3.5 Super frente al nivel flash de DeepSeek— y luego es explícita, en los puntos donde los dos modelos realmente compiten, sobre qué se puede y qué no se puede concluir acerca del modelo insignia.

Los dos artefactos, lado a lado

• Parámetros totales y activos — Nemotron 3.5 Super VL 120B en total con 12B activos por token, 512 expertos enrutados por capa MoE, híbrido de Mamba-2 y Transformer · DeepSeek V4 Pro 1.6T en total con 49B activos, solo texto.

• Contexto y límite de salida — 1.048.576 tokens de contexto para Super VL, sin límite de salida publicado · 1.048.576 tokens de contexto para V4 Pro, con 384.000 tokens de salida máxima.

• Modalidad — texto, imagen y video de entrada con texto de salida, mediante un codificador de visión C-RADIO y un conector de visión-lenguaje · texto de entrada, texto de salida. Sin ruta de imagen en absoluto.

• Pesos y licencia — OpenMDW-1.1 en el checkpoint de NVIDIA, uso comercial permitido · DeepSeek publica sus propios pesos y también permite el uso comercial.

• Precio en un endpoint con medición — ninguno publicado; el modelo es solo para autoalojamiento · $0,66 por millón de tokens de entrada y $1,98 por millón de salida, con lecturas de caché a $0,022.

• Alcance del lanzamiento — pesos en Hugging Face el 12 de octubre de 2026, anuncio del proveedor el 15 de octubre de 2026 · V4 Pro como modelo insignia, con la revisión fechada 0813 disponible para quienes necesiten fijar la versión.

Dos de esas líneas deciden la mayoría de los despliegues reales. La primera es la modalidad: si tu entrada es una captura de pantalla, un contrato escaneado, un gráfico o un fotograma de vídeo, la mitad de esta comparación termina antes de empezar, porque DeepSeek V4 Pro no tiene ruta de imagen ni un plan anunciado para tenerla. La segunda es la línea de precio, y es más interesante de lo que parece — NVIDIA no publica ninguna tarifa para este modelo en absoluto, lo que significa que la única forma de conocer tu coste es conocer tu volumen de tokens y tu factura de hardware.

Leyendo la tabla que NVIDIA publicó en realidad

La comparación de la gama flash está más reñida de lo que sugieren los recuentos de parámetros, y no es uniformemente desfavorable para NVIDIA. En las filas donde ambos están más cerca, la historia es un empate genuino en conocimiento y un déficit real en ejecución agéntica.

• Un empate estadístico en ciencia de nivel de posgrado — GPQA-Diamond 89,52 para Super VL frente a 89,6 para DeepSeek-V4-Flash. Cuatro centésimas de punto separan a un modelo de 120B de una línea base de clase 1e12 en esta fila, ambos ejecutados por el proveedor.

• Un déficit en el razonamiento más difícil — Humanity's Last Exam, solo texto, 31,79 frente a 35,8, y MMLU-ProX, 76,91 frente a 85,5.

• Un déficit en programación competitiva — LiveCodeBench v6 88.22 frente a 94.6.

• Un déficit en el trabajo de software agéntico — SWE-bench Verified 71.10 frente a 75.4, Terminal-Bench 2.1 66.70 frente a 76.80, DeepSWE 24.65 frente a 42.3.

• Un déficit marcado en la recuperación de contexto largo — AA-LCR v1.1 68,62 frente a 79,7. Ambos modelos anuncian un millón de tokens; en la única fila de recuperación de estilo independiente, el nivel flash está más de once puntos por delante. Ese es el número más decisivo sobre la mesa para cualquiera que planee usar el contexto anunciado en lugar de limitarse a tenerlo disponible.

• Filas en las que NVIDIA gana — GraphWalks 89,71 frente a 65,4, el proxy de LMArena v3 52,67 frente a 49,8, y tau2-bench retail con 69,24 frente a 73,8 están lo bastante cerca como para ser ruido en un benchmark tan ruidoso. AA-Omniscience es la victoria más reveladora: la tasa de alucinación de NVIDIA de 30,0 frente a la de DeepSeek de 95,9, y un índice positivo de 4,03 frente a −7,8. Un modelo que se abstiene vale más que un modelo que afirma, y en esta fila la diferencia no es marginal.

• Herramientas agénticas — tau2-bench aerolínea 76.50 frente a 83.5 y telecom 73.19 frente a 98.2, ambas derrotas. En el dominio de telecomunicaciones, el nivel flash casi arrasa.

Cada uno de estos está reportado por el proveedor a través del propio harness NeMo Gym de NVIDIA, con una receta publicada. Eso es un estándar más alto que una mera afirmación y más bajo que una reejecución independiente, y en esta tabla en particular la dirección de la mayoría de las filas va en contra del modelo que se está anunciando, lo cual es al menos una señal de que el harness no se ajustó para adular.

Lo que no se puede concluir sobre V4 Pro, y por qué importa de todos modos

No puedes leer nada de lo anterior como una predicción del enfrentamiento estelar, por tres razones que merecen ser expuestas en lugar de pasarse por alto.

En primer lugar, la línea base no es el buque insignia. Las propias cifras de agente publicadas por DeepSeek para la revisión 0813 de V4 Pro están en una escala completamente distinta: 87,9 en Terminal Bench 2.1, 83,3 en Cybergym, 74,1 en Toolathlon Verified, 62,7 en DeepSWE, 61,5 en NL2Repo y 42,7 en Humanity's Last Exam sin herramientas, que asciende a 60,0 con ellas. Frente a los 66,70 de NVIDIA en Terminal-Bench 2.1 y los 31,79 en HLE solo texto, la brecha del buque insignia es mucho mayor que la de la gama flash, y el proveedor del otro modelo la está ampliando, lo que no la hace más fiable —solo más acusada.

Segundo, la columna de nivel flash es una instantánea de un nivel que a su vez se ha movido. Una fila que hoy se lee bien puede leerse mal el mes que viene sin que ninguno de los dos modelos cambie, porque la comparación depende de qué checkpoint decidió ejecutar el proveedor.

Tercero, el panorama independiente del checkpoint de NVIDIA es tan escaso que resulta casi inútil como desempate: el panel de terceros que puntúa estos modelos lo sitúa en la mitad de la veintena en su índice, con un recuento de tokens de salida por tarea inusualmente alto y una nota de que el modelo es algo verboso. Un único dato, de un solo panel, cuatro días después de que aparecieran los pesos.

Entonces, el resumen honesto del caso de benchmark es este: según las cifras ejecutadas por el proveedor, un modelo de visión abierto con 12B activos está más o menos a la par de la gama económica de DeepSeek en conocimiento y por detrás de ella en ejecución agéntica y recuperación de contexto largo; nada en esa tabla habla del modelo insignia, y las propias cifras publicadas del insignia son mejores en todos los ejes en los que ambos pueden siquiera compararse.

El único eje donde la comparación es trivial

Imágenes. No porque Nemotron sea bueno en visión — nadie ha publicado una evaluación independiente de su ruta de visión, y el runtime incluido muestrea por defecto a la temperatura de texto de la tarjeta en lugar de su temperatura de visión, lo cual es una trampa activa para la primera persona que lo intente — sino porque DeepSeek V4 Pro no las acepta.

Esa asimetría tiene una consecuencia de coste que es fácil pasar por alto. Un modelo alojado con capacidad de visión factura una página de un documento escaneado por su recuento de tokens, y una página a 300 ppp no es un número pequeño de tokens. Un checkpoint de 120B autoalojado factura la misma página en segundos de GPU. En una carga de trabajo de unos pocos miles de páginas al mes, la diferencia es ruido; en unos cientos de miles, es toda la conversación presupuestaria. Las propias filas de visión de NVIDIA —62,82 en MMLongBench-Doc, 78,16 en MathVision, 80,82 en razonamiento de CharXiv, 68,12 en OCRBench v2 inglés— son cifras de proveedor, pero establecen que la capacidad está presente en lugar de ser nominal.

El otro eje donde la comparación se invierte es el que todos preguntan y pocos miden: la memoria. V4 Pro, con 1,6 billones de parámetros totales, no cabe ni de lejos en una sola máquina. Super VL, con 82,3 GiB en su etiqueta predeterminada de 4 bits, cabe en una tarjeta de 96 GB con espacio para un contexto de trabajo. Eso no es un argumento de calidad. Es la diferencia entre un modelo que tu equipo puede descargar y ejecutar esta noche y un modelo que alquilas.

Haciendo las cuentas en lugar del benchmark

Aquí está el cálculo que vale la pena hacer antes de leer otra tabla. Tomemos una carga de trabajo de un millón de tokens de entrada y cien mil tokens de salida: un mes trivial para un pipeline de documentos, un día intenso para un producto de chat.

Según la tarifa publicada de DeepSeek V4 Pro, eso es $0.66 de entrada más $0.198 de salida: menos de un dólar, antes de que los descuentos por caché reduzcan aún más la parte de entrada. En el checkpoint de NVIDIA no hay tarifa, porque no hay endpoint. El costo es cualquier fracción de una hora de GPU que consuma ese volumen, y con estos volúmenes la respuesta se redondea a cero, pero el costo fijo que hay detrás no. Cuatro H100 no se vuelven baratos porque el tráfico de tu primer mes sea pequeño.

Esa es la verdadera forma de este enfrentamiento, y es una cuestión de volumen, no de calidad. Por debajo de cierto rendimiento, la API de pesos abiertos medida simplemente es más barata que la electricidad y la amortización del hardware, aunque ambos modelos sean abiertos. Por encima de cierto rendimiento, el costo fijo se invierte y el checkpoint autoalojado gana en costo sin importar cuál obtenga mejor puntuación en Terminal-Bench. El punto de cruce depende de tu utilización, no de ninguno de los proveedores.

Dónde deja eso la cuestión del enrutamiento: si prefieres no ejecutar el clúster en absoluto, DeepSeek V4 Pro está disponible en OrcaRouter al precio de lista del proveedor, trasladado sin margen por token — 0,66 $ y 1,98 $, las mismas cifras que publica DeepSeek, porque no les añadimos nada. Un cambio de precio del proveedor se aplica por nuestra parte el mismo día, no en la próxima renovación del contrato. Nemotron 3.5 Super no está en nuestra clave; enrutamos algo más de doscientos modelos y este no es uno de ellos, así que si necesitas ese checkpoint en concreto, los canales propios del proveedor y la descarga local son tu ruta.

Qué hacer realmente

Si tu entrada es texto y tu carga de trabajo es agéntica —cadenas de herramientas largas, ediciones a escala de repositorio, sesiones de terminal—, DeepSeek V4 Pro es el mejor modelo y el más barato, y el checkpoint de NVIDIA no es un contendiente serio frente a él según las propias filas publicadas por el proveedor. Ejecuta la carga de trabajo primero en V4 Pro, obtén un costo real por unidad de trabajo y solo entonces decide si un clúster está justificado.

Si tu entrada son imágenes, vídeo o documentos largos, la comparación se reduce a una sola cuestión sobre el volumen, porque V4 Pro no puede aceptar la entrada en absoluto. Por debajo de unos pocos miles de páginas al mes, mantenlo alojado. Por encima de eso, el checkpoint de 4 bits en una sola tarjeta de 96 GB es una pieza de infraestructura creíble — con dos advertencias que vale la pena repetir: la versión que ejecutará la mayoría de la gente no tiene una evaluación publicada, y los valores predeterminados de muestreo del propio runtime están ajustados para la mitad de texto de lo que el proveedor anuncia como modelo de visión.

Y si llegas a poner un checkpoint de cuatro días de antigüedad detrás de una ruta de solicitud, coloca también un respaldo detrás de él. El seguro más barato disponible para un modelo sin historial operativo es un segundo modelo en la misma llamada.