Nemotron 3.5 Super VL vs Nemotron 3 Ultra: ¿Más barato que el buque insignia o solo más pequeño?

NVIDIA tiene tres niveles de Nemotron 3.5 y uno de ellos es una trampa para los planificadores. NVIDIA Nemotron 3 Ultra 550B-A55B, lanzado el 4 de junio de 2026, es el buque insignia de la familia: 550 mil millones de parámetros totales con 55 mil millones activos por token, capas LatentMoE con Multi-Token Prediction, 1M tokens de contexto y un mínimo declarado de dieciséis H100 u ocho GB200. NVIDIA Nemotron 3.5 Super VL, cuyos pesos llegaron a Hugging Face el 12 de octubre de 2026, con el anuncio de NVIDIA el 15 de octubre, es el nivel inferior: 120B totales, 12B activos, el mismo contexto de 1M tokens, un codificador de visión C-RADIO y un mínimo de cuatro H100 o dos GB200. La propia ficha de NVIDIA para Super VL lo compara directamente con Ultra y afirma una precisión cercana a la de Ultra con aproximadamente una quinta parte de los parámetros. Esa afirmación está reportada por el proveedor, no ha sido reproducida, y es la única frase de la que depende toda esta comparación.

La aritmética que realmente decide el despliegue

Comienza con lo que los dos puntos de control requieren físicamente, porque ese es el número que aprueba el responsable del presupuesto.

• Parámetros totales — 120B para Super VL frente a 550B para Ultra. Aproximadamente 4,6 veces la huella de pesos, y los pesos son lo que llena las GPUs.

• Parámetros activos por token: 12B frente a 55B. El cómputo por token escala con esto, no con el total, y por eso ambos modelos son mucho más baratos de ejecutar de lo que sugiere su tamaño, y también por eso la diferencia entre ellos es de 4,6× en memoria, pero también de 4,6× en aritmética por token.

• Hardware mínimo: 4×H100 o 2×GB200 para Super VL; 16×H100 o 8×GB200 para Ultra. En términos prácticos, un nodo frente a un rack.

• Modalidades — entrada de texto, imágenes y vídeo para Super VL; entrada y salida de texto para Ultra. Ultra no tiene ninguna ruta de visión.

• Diseño de atención — Super VL es el híbrido intercalado de Mamba-2, mezcla de expertos y atención con 512 expertos enrutados por capa MoE; Ultra utiliza la disposición LatentMoE de NVIDIA. Ambos incorporan cabezas MTP para decodificación especulativa.

• Licencia — OpenMDW-1.1 con uso comercial en ambos, pesos y recetas abiertos en ambos.

El patrón en esas seis líneas es que Super VL no es una Ultra recortada. Es una forma distinta de modelo: con capacidad de visión, mucho más reducido en memoria y —lo fundamental— desplegable en hardware que un equipo de tamaño medio podría ya tener. El umbral de Ultra es una conversación de centro de datos. El umbral de Super VL es un nodo de inferencia serio.

Qué aportan los 43 mil millones adicionales de parámetros activos

El caso de razonamiento general

Ultra se creó para ocupar la cima de la gama de NVIDIA en razonamiento de texto puro, y el lanzamiento de NVIDIA en junio lo evalúa frente a seis modelos frontera contemporáneos en conjuntos de conocimiento, matemáticas, programación y contexto largo. Esas cifras, como todas las cifras de esta comparación, provienen del arnés de evaluación de NVIDIA en lugar de un evaluador independiente, por lo que establecen lo que NVIDIA midió, no lo que mediría un tercero.

El caso multimodal

Aquí es donde la comparación se invierte. Ultra no puede leer una página. Si el trabajo implica documentos, tablas, gráficos, capturas de pantalla o fotogramas de vídeo, el modelo insignia simplemente no es un candidato, y el modelo más grande de la familia es irrelevante para tu problema, por muy bueno que sea su índice de razonamiento. El codificador de visión y el conector de Super VL existen precisamente para esa carga de trabajo, y sus fortalezas publicadas —OCR, extracción estructurada de documentos visuales, flujos de trabajo empresariales de varios pasos— describen un trabajo diferente para el que Ultra fue optimizado.

El caso de contexto largo

Ambos alcanzan 1M de tokens. NVIDIA amplió el contexto de Super VL con una etapa dedicada de 35 mil millones de tokens seguida de una pasada de recuperación de contexto largo, lo que es una señal más fuerte que una longitud máxima por sí sola: significa que la entrada larga se trató como una capacidad que preservar en lugar de un búfer que publicitar. Ultra alcanzó la misma ventana a través de su propio pipeline de entrenamiento. Sin una evaluación independiente de contexto largo de ambos, considera esto como un empate con una ventaja plausible para el modelo que, según tu propia traza de recuperación, se mantenga más allá de 200k.

Sirviendo uno o ambos, y la trampa del nivel

La trampa es asumir que la familia es una escalera que se sube. Se parece más a una partición, y la partición se traza por el costo por tarea y no por la capacidad. Un modelo con 12B activos que necesita dos GB200 y completa una tarea de documentos cinco veces más rápido que su clase, si se sostiene la afirmación de rendimiento de NVIDIA, supera a un modelo con 55B activos en esa tarea sin importar cuál de los dos sea más inteligente — porque el más inteligente está inactivo esperando que se vacíe la cola del más rápido. Cambia la tarea a un problema de programación o matemáticas de horizonte largo sin píxeles y los parámetros adicionales de Ultra están haciendo trabajo real.

Ninguno de estos está en nuestro catálogo, y vale la pena ser explícito en lugar de dejar que una frase vaga insinúe lo contrario: OrcaRouter no ofrece NVIDIA Nemotron 3.5 Super VL, Nemotron 3 Ultra 550B-A55B ni ningún otro checkpoint de NVIDIA. Son pesos que despliegas. Lo que una capa de enrutamiento aporta a una decisión como esta es medición en lugar de acceso. El DSL de enrutamiento te permite poner el mismo prompt delante de dos modelos upstream y leer las respuestas lado a lado, de modo que evaluar un candidato de 12B activos frente a un modelo actual de 55B activos es un cambio de configuración en lugar de dos proyectos de integración. La conmutación por error automática importa por la razón opuesta: si un modelo alojado al que enrutas se degrada a mitad del pipeline, la solicitud se traslada en lugar de fallar, lo que mantiene viva una ruta de respaldo para los equipos que mantienen Super VL autoalojado como su opción principal. Y para las partes de la carga de trabajo que ningún nivel autoalojado debería absorber —picos, modalidades poco comunes, trabajos puntuales de contexto grande— el catálogo detrás de una sola clave, más de doscientos modelos con un 0 % de recargo sobre el precio de lista del proveedor, es adonde van esas solicitudes.

La formulación honesta de ese párrafo es que aquí no somos el proveedor de ninguno de los dos modelos. Somos la capa que hace que la comparación sea barata de ejecutar y que la ruta de escalado sea barata de mantener.

La afirmación que debes poner a prueba antes de comprometerte

Todo lo anterior se reduce a una frase no verificada: que un modelo de 120B parámetros con 12B activos iguala al modelo de razonamiento más grande de NVIDIA con aproximadamente una quinta parte del número de parámetros. Si se cumple, Super VL es la opción predeterminada mejor para una carga de trabajo mixta y Ultra se reserva para la cola estrecha de problemas que realmente lo necesitan. Si no se cumple —y un día después del lanzamiento nadie fuera de NVIDIA lo ha medido—, entonces los dos niveles son simplemente tamaños diferentes de lo mismo, y la elección vuelve a reducirse a lo que tu tarea necesita: píxeles o no píxeles, un nodo o un rack.

La prueba es barata y específica. Toma cincuenta tareas reales de tu propia cola que tengan una respuesta verificable, ejecútalas con ambos y puntúa la finalización en lugar de las puntuaciones de benchmark. Ese número, no el de NVIDIA, es el que decide para qué nivel compras hardware, y es el número que seguirá siendo cierto cuando el próximo lanzamiento de Nemotron restablezca esta página.