Nemotron 3.5 Super VL vs Qwen3.8-Max: El nivel de peso abierto contra la frontera tarifada

Alguien que planifique un pipeline de procesamiento de documentos este trimestre tiene exactamente dos formas entre las que elegir, y no son la misma forma. NVIDIA Nemotron 3.5 Super VL es un checkpoint de visión-lenguaje de 120B de parámetros y 12B activos bajo OpenMDW-1.1 cuyos pesos se publicaron el 12 de octubre de 2026, tres días antes del propio anuncio de NVIDIA el 15 de octubre: lo descargas, lo alojas tú y pagas en GPU y electricidad. Qwen3.8-Max es el buque insignia propietario de Alibaba: una mezcla de expertos de 2,4 billones de parámetros con 95B de parámetros activos, entrada de visión, una ventana de contexto de 1M de tokens y facturación por token a $2 por millón de tokens de entrada y $6 por millón de tokens de salida con un 88% de descuento por caché. Uno es gasto de capital con control total; el otro es gasto operativo con una tarifa. Todo lo demás en esta comparación es consecuencia de esa división.

Dos modelos de negocio disfrazados de comparativa de benchmark

Es tentador alinearlos según su capacidad y declarar un ganador. Ese enfoque oculta la decisión real, que gira en torno a quién es dueño del modo de fallo. Con Super VL, si el rendimiento te decepciona, reentrenas, recuantizas o compras hardware distinto: el techo está en tus manos para elevarlo. Con Qwen3.8-Max, si el rendimiento te decepciona, cambias la cadena del modelo o negocias; el techo pertenece a Alibaba, y la hoja de ruta también.

Esa diferencia se lee en lo que publicó cada proveedor. NVIDIA publicó un informe técnico, recetas de entrenamiento, conjuntos de datos abiertos, entornos de RL y tres rutas separadas de decodificación especulativa para la familia — el aparato de un modelo destinado a ser desplegado y modificado. Qwen publicó una API con una lista de precios y un descuento por caché, que es el aparato de un modelo destinado a ser consumido.

Lo que Super VL te ofrece y que un endpoint alojado no puede ofrecerte

NVIDIA Nemotron 3.5 Super VL es un modelo híbrido: capas Mamba-2 intercaladas, una mezcla de expertos con 512 expertos enrutados por capa MoE y capas de atención selectivas, unidas a un codificador de visión C-RADIO y a un conector de visión-lenguaje. Entran texto, imágenes y fotogramas de vídeo; sale texto. Su columna vertebral lingüística se inicializó a partir de Nemotron 3 Super Base, destilado durante un billón de tokens desde Nemotron 3 Ultra Base, y luego recibió una extensión de 35 mil millones de tokens hasta un contexto de 1M, un entrenamiento intermedio en ingeniería de software y una etapa de recuperación de contexto largo. La predicción nativa de múltiples tokens proporciona decodificación especulativa sin un drafter independiente. Se ejecuta en BF16 en 4×H100 o 2×GB200, con una compilación NVFP4 y un microservicio NIM para el despliegue en producción.

• Lo que posees — los pesos, el tokenizador, el codificador visual, el pipeline de postentrenamiento y el registro de auditoría. Cada prompt permanece dentro de tu perímetro, lo cual, para el trabajo en seguros, crédito, salud o defensa, no es una preferencia sino un requisito.

• Lo que pagas — aceleradores. Cuatro H100s a plena precisión son la entrada, y la curva de costes es la utilización: caros cuando están inactivos, casi gratis a saturación.

• Lo que sacrificas: una lista de precios. A 16 de octubre de 2026, no hay ningún precio publicado de Super VL por parte de nadie, así que cualquier comparación de costo total que elabores hoy se basa en tus propias mediciones de rendimiento, no en una cifra de proveedor.

Lo que Qwen3.8-Max te ofrece que un checkpoint no puede

Qwen3.8-Max activa 95.000 millones de parámetros por token de un conjunto de 2,4 billones de parámetros, acepta imágenes además de texto y, por defecto, mantiene una ventana de contexto de poco menos de un millón de tokens. En Artificial Analysis tiene un Índice de Inteligencia de 45, que está diecinueve puntos por encima del 26 registrado para NVIDIA Nemotron 3.5 Super VL en el mismo índice — y, a diferencia de la mayoría de las cifras de esta página, ambas son mediciones de terceros en lugar de afirmaciones del proveedor.

• Lo que obtienes — un generalista de primer nivel, con visión incluida, al que puedes llamar esta misma tarde con una clave de API. Sin hardware, sin operaciones, sin planificación de capacidad.

• Lo que pagas — $2 de entrada y $6 de salida por millón de tokens, con un 88 % de descuento en la entrada en caché, lo que cambia la economía de cualquier carga de trabajo con un prefijo grande y estable: un prompt de sistema largo, un documento fijo, un esquema de herramienta persistente.

• Lo que sacrificas — los pesos. No hay descarga, ni despliegue local, ni ajuste fino del modelo de servicio, y no hay posibilidad de mantener los datos en tu propio hardware.

El descuento por caché merece una nota específica porque es el número que con más frecuencia se modela incorrectamente en cualquiera de las dos columnas. Una reducción del 88 % en la entrada en caché no significa una factura un 88 % más barata; significa que la parte repetida de tu prompt cuesta aproximadamente una novena parte del precio de lista, y el beneficio es proporcional a cuánto de cada solicitud sea genuinamente idéntico a la anterior. Las canalizaciones que reenvían un gran preámbulo estático se benefician enormemente. Las canalizaciones que envían un documento nuevo en cada llamada apenas se benefician.

La línea de precios, gestionada con honestidad

El instinto es calcular un punto de cruce: ¿con cuántos tokens gana el autoalojamiento? Ese cálculo produce un número, y el número suele ser erróneo, porque omite los dos costos que dominan: el tiempo de ingeniería para mantener actualizada una pila de inferencia autoalojada y el costo de oportunidad de un modelo más pequeño en los casos difíciles.

Una versión más útil: contrasta tu perfil de tráfico real con las tarifas publicadas de Qwen3.8-Max y obtén una cifra mensual exacta, porque ese lado tiene un tarifario. Luego pregunta qué fracción de ese tráfico puede manejar un modelo con 12B de parámetros activos según tus estándares, y calcula el precio en GPUs solo de esa fracción. En la mayoría de los pipelines de extracción de documentos, la respuesta es que la mayor parte del volumen es mecánica —facturas, formularios, gráficos, diseños repetidos— y una pequeña cola es la que requiere criterio. La mayor parte es donde gana el autoalojamiento; la cola es donde gana un modelo de frontera como Qwen3.8-Max.

Esa división es precisamente a la que sirve nuestra propia capa de enrutamiento, y los hechos relevantes son lo bastante concretos como para enunciarlos sin rodeos. Qwen3.8-Max figura en nuestro catálogo como qwen/qwen3.8-max/ al precio de lista de Alibaba con un 0 % de recargo: lo que cobre el proveedor es lo que usted paga, y una bajada de precio del proveedor se aplica el mismo día, no en el siguiente ciclo de facturación. NVIDIA Nemotron 3.5 Super VL no está en nuestro catálogo y nunca lo estará en forma de endpoint, porque es un checkpoint que usted aloja, no un servicio que alguien pueda revenderle. Lo que hay entre ambos es la composición: el DSL de enrutamiento permite que una sola llamada se ramifique, de modo que las páginas mecánicas pueden ir al modelo barato que usted indique mientras que las que requieren criterio escalan, y la conmutación por error automática traslada una solicitud a un upstream en buen estado cuando aquel al que se dirigía se degrada. Una clave para la mitad alojada, sus propias GPU para la otra, y una política que decide qué solicitud va a dónde.

Un ejemplo práctico en lugar de un caso hipotético: la misma canalización puede enviar un formulario de una página a un modelo de texto pequeño a través del catálogo, dirigir un informe anual con abundantes gráficos a un modelo de visión y mantener Qwen3.8-Max en reserva para la minoría de documentos en los que la extracción es realmente ambigua. El modelo de reserva cuesta $6 por millón de tokens de salida y nada cuando no se utiliza, lo que es una solución mucho mejor que aprovisionar una cuarta H100 para una carga de trabajo que tiene picos dos veces al mes.

¿Quién debería hacer qué, a partir de esta semana?

Si tu trabajo implica datos regulados —cualquier categoría en la que enviar una página a un tercero requiera una revisión legal—, la decisión ya está tomada por ti y es Super VL, con el mínimo de hardware y todo. Si tu trabajo es comprensión de documentos y pantallas de gran volumen bajo una postura de privacidad normal, la respuesta correcta más económica para la mayoría de los equipos en este momento es el modelo de frontera de pago por consumo, porque funciona hoy y su precio se conoce. Si estás en algún punto intermedio, que es donde se encuentran la mayoría de los pipelines reales, los dos no son competidores en absoluto: Qwen3.8-Max para la cola difícil y un Super VL autoalojado para el volumen, con un enrutador que decide por solicitud.

Lo que cambiaría esta página es una tarifa publicada para Super VL por parte de cualquier proveedor de serving. En el momento en que aparezca un checkpoint de Nemotron detrás de un endpoint tarificado, la objeción del piso de despliegue se desvanece, la comparación pasa a ser precio contra precio, y la pregunta interesante se desplaza de qué modelo a qué proveedor. Hasta entonces, las dos columnas siguen respondiendo a preguntas distintas — y la respuesta honesta a «cuál es mejor» es que un modelo con un precio y un modelo con una licencia no son el mismo tipo de objeto.