Nemotron 3.5 Bolt E4B 4GB vs Nemotron 3.5 Bolt 74B-A9B 24GB : même nom, machines opposées

NVIDIA a livré deux modèles appelés Bolt à huit jours d'intervalle. NVIDIA-Nemotron-3.5-Bolt-E4B-4GB est arrivé le 23 octobre 2026 : un modèle conversationnel uniquement textuel de 8B au total, post-entraîné à partir de Gemma-4-E4B-it. NVIDIA-Nemotron-3.5-Bolt-74B-A9B-24GB — le modèle auquel la plupart des gens pensent lorsqu'ils disent Nemotron 3.5 Bolt — est arrivé le 15 octobre : un agent multimodal de 74B au total et 9B actifs, compressé à deux bits par poids d'expert.

Elles partagent un badge, une licence et une fenêtre de lancement. Elles ne partagent pas une architecture parente, une modalité, une fenêtre de contexte, une suite de benchmarks ni un métier. Lire « Bolt » comme une échelle de tailles est l’erreur que cette comparaison vise à prévenir.

L'un est un dérivé de Gemma. L'autre est un agent 120B compressé.

La lignée explique presque tout le reste.

L'E4B est né sous la forme de Gemma-4-E4B-it, le petit modèle de Google ajusté aux instructions, et NVIDIA l'a post-entraîné par apprentissage par renforcement à partir de récompenses vérifiables et de retours humains via NeMo-RL et NeMo-Gym. L'architecture est celle de Gemma : 8B paramètres au total dont 4B effectifs, un chemin d'entrée et de sortie uniquement textuel, et une fenêtre de contexte de 64K. L'apport de NVIDIA relève du comportement, non du socle architectural.

{{1}}Le 74B{{/1}} est parti de {{2}}Nemotron 3.5 Super VL 120B-A12B{{/2}}, {{3}}le modèle parent multimodal de NVIDIA{{/3}}. {{4}}NVIDIA{{/4}} a mené une {{5}}recherche d’architecture guidée par routeur appelée Star Elastic{{/5}} dans une {{6}}enveloppe mémoire de 24 Go{{/6}} et a produit un {{7}}hybride de 74 milliards de paramètres avec 9 milliards de paramètres actifs par token{{/7}}, combinant {{8}}des couches Mamba-2 et Transformer{{/8}} dans une {{9}}conception LatentMoE{{/9}}, avec un {{10}}encodeur visuel C-RADIO v4-H{{/10}}. Il accepte {{11}}du texte, des images et de la vidéo{{/11}}, et il gère {{12}}256K tokens de contexte{{/12}}.

Pour le dire simplement : l'E4B est un modèle de conversation que NVIDIA a ajusté. Le 74B est un modèle d'agent que NVIDIA a compressé. Le nom « Bolt » décrit l'objectif de déploiement — l'intelligence par gigaoctet — et non une architecture commune.

Les spécifications, côte à côte

• Paramètres totaux et actifs — 8B au total avec 4B effectifs pour l’E4B ; 74B au total avec 9B actifs pour le 74B.

Architecture — Gemma-4-E4B pour le petit modèle ; LatentMoE hybride Mamba-2 + Transformer pour le grand, avec compression Star Elastic issue du parent Super VL.

• Modalité — texte en entrée, texte en sortie pour le E4B ; texte, images et vidéo en entrée, texte en sortie pour le 74B.

• Fenêtre de contexte — 64K tokens en entrée et 64K en sortie pour l’E4B ; jusqu’à 256K tokens pour le 74B.

• Précision — Q4_K_M pour le GGUF livré de l’E4B ; IQ2 à environ 2,0625 bits par poids d’expert pour le 74B, avec NVFP4 sur certaines couches Mamba et des embeddings Q8_0.

• Poids publiés — 6,18 Go Q4_K_M et 15,88 Go BF16 pour le E4B ; 23,75 Go de poids GGUF plus le projecteur de vision, 24,12 Go de safetensors prêts pour vLLM, et 149,8 Go en BF16 pour le 74B.

• Licence — OpenMDW-1.1 pour les deux, avec le composant Gemma 4 sous Apache 2.0 dans la pile de l'E4B.

• Date de sortie — 23 octobre 2026 pour l’E4B ; 15 octobre 2026 pour le 74B.

• Runtime — llama.cpp pour le E4B, avec la fiche qui marque la recette comme « en attente » alors qu’elle fournit des commandes de démarrage rapide ; vLLM pour le 74B, avec une recette de référence qui épingle un conteneur nightly par hash de commit.

Un piège de métadonnées mérite d'être signalé avant qu'il ne provoque une erreur d'achat. Le widget de fichiers Hugging Face du dépôt 74B affiche « 22B params », alors que la fiche du modèle indique 74B au total et 9B actifs. La fiche a raison : 22B est un champ de barre latérale obsolète, et non une troisième variante, et quiconque dimensionne son matériel d'après le widget plutôt que d'après la fiche se trompera lourdement dans l'autre sens.

Les tableaux de benchmarks ne partagent aucune ligne.

C'est la chose la plus importante à comprendre avant de comparer les deux, et c'est précisément ce que la plupart des analyses passent sous silence.

NVIDIA a évalué le 74B sur GDPVal-AA-V2, Terminal-Bench 2.1, Tau3 Banking, HLE, AA-Omniscience, SciCode, GPQA Diamond, AA-LCR, PinchBench, MCP-Atlas, BrowseComp et WebArena. Il a évalué le E4B sur MultiChallenge, RoleBench, RoleMRC, EQ-Bench v3, Brevity, BFCL-v3, When2Call, ToolSandbox, Tau2-Bench, IHEval, AgentIF, StructEval-T, IFBench, InverseIFEval, RULER, LongMemEval, LongBench v2, SysBench, GaRAGe, RAGTruth et RelyToolBench.

Il n’y a aucun chevauchement. Pas une seule ligne n’apparaît dans les deux tableaux. Les deux suites utilisent même des versions différentes du benchmark agentique — Tau2 pour le E4B, Tau3 Banking pour le 74B — de sorte que la paire qui se ressemble le plus n’est pas comparable non plus.

Cela signifie que toute affirmation de la forme « le 74B est supérieur de X points au E4B » est inventée. NVIDIA n’a pas publié de harnais commun, et aucun tiers n’en a exécuté. Ce que les tableaux étayent, c’est une affirmation sur l’intention de conception :

• Le 74B a été mesuré sur des tâches qui ressemblent à du travail réel — utilisation du terminal, navigation web, programmation scientifique, questions de niveau master/doctorat, raisonnement sur contexte long. Ses meilleures lignes publiées sont BrowseComp 66,75, Terminal-Bench 2.1 50,98, GPQA Diamond 86,43 et AA-LCR 64,06.

• L’E4B a été évalué sur des tâches qui ressemblent à une conversation — maintien du persona, hiérarchie des instructions, savoir quand appeler un outil, ancrage dans la sortie d’un outil. Ses lignes les plus fortes sont IHEval 84,79, RoleBench 67,05, RelyToolBench 63,16 et When2Call 63,36.

Les deux ensembles sont déclarés par le fournisseur et non reproduits. La fiche du 74B comporte un détail supplémentaire qui mérite d’être signalé : NVIDIA décrit le modèle comme le meilleur modèle ouvert de sa catégorie sur PinchBench, mais son propre tableau indique Qwen3.6-35B-A3B à 88,07 contre 87,82 pour le Bolt. Cela fait un écart de 0,25 point et une affirmation qui ne résiste pas tout à fait à sa propre note de bas de page.

Promesses de vitesse, avec le matériel joint

Le débit est le seul domaine où les deux cartes publient des chiffres, et ils ne peuvent toujours pas être alignés.

• E4B sur une RTX 5070 12 Go — 106,2 à 133,4 jetons par seconde, 548 à 1 238 ms jusqu’au premier jeton, 3,5 à 4,3 Go de VRAM, mesuré avec llama.cpp et CUDA avec un lot de 1.

• E4B sur un Jetson Orin Nano 8GB — de 13,0 à 15,5 tokens par seconde et de 5,8 à 6,3 secondes avant le premier token. Le même modèle, sur le matériel que vise réellement l’argument « 4GB ».

• 74B sur une RTX Spark — 83,99 tokens par seconde sur AIPerf SPEED-Bench-Coding, avec le drafter LiLiCorr attaché et sept tokens spéculatifs par étape.

Le chiffre de 74B suppose un checkpoint de drafter distinct de 1,13B, un benchmark spécifique et un matériel différent de celui de l’une ou l’autre exécution E4B. Le chiffre E4B suppose l’absence de drafter. Comparer 133 à 84 et conclure que le petit modèle est plus rapide est techniquement vrai et pratiquement dénué de sens : l’un est un modèle à quatre milliards de paramètres effectifs sur un GPU de bureau, l’autre est un modèle à neuf milliards de paramètres actifs sur une machine différente avec un décodeur spéculatif greffé.

Ce que les chiffres établissent, en revanche, c’est la forme du compromis. L’E4B est conçu pour le temps jusqu’au premier token ; le 74B est conçu pour un travail agentique soutenu, où 84 tokens par seconde suffisent. La ligne Orin Nano est la mise en garde : un modèle de 4 Go sur du matériel embarqué n’est pas automatiquement un interlocuteur temps réel.

Mémoire : 4 Go et 24 Go sont des enveloppes, pas des fichiers

Les deux noms utilisent une cible mémoire, et aucun des deux nombres n’est le téléchargement.

• E4B — un GGUF Q4_K_M de 6,18 Go. NVIDIA mesure entre 3,1 et 4,3 Go de VRAM dans ses propres exécutions par lots de 1 sur du matériel RTX. La carte ne publie pas de fichier de 4 Go.

• 74B — 22,02 Go de poids GGUF, plus un projecteur visuel séparé de 1,73 Go, soit 23,75 Go au total, ou 24,12 Go dans la version safetensors prête pour vLLM. La quantification des experts en 2,0625 bits est ce qui rend possible l’enveloppe de 24 Go.

• Versions BF16 — 15,88 Go pour le E4B, 149,8 Go répartis sur 63 fragments pour le 74B. Les variantes en pleine précision sont destinées au post-entraînement, et non au déploiement, et la fiche du 74B l’indique explicitement.

L’écart de stockage est d’environ quatre pour un à la précision de déploiement, et d’environ neuf pour un en précision complète. L’écart de VRAM est plus petit que l’écart de paramètres parce que le 74B paie sa compression en bits, pas en taille.

La modalité et le contexte comptent plus que le nombre de paramètres.

Une fenêtre de texte de 64K et une fenêtre multimodale de 256K ne sont pas le même produit avec des limites différentes.

Le 74B peut examiner une image ou une vidéo et agir en conséquence. Sa fiche technique précise une entrée RGB JPEG ou PNG, une vidéo MP4 jusqu’à deux minutes, et une cadence recommandée d’une image par seconde en 1080p ou de deux images par seconde en 720p. Il peut lire une capture d’écran, un graphique, un formulaire ou un flux de caméra, puis appeler des outils en fonction de ce qu’il a vu. C’est cette capacité qui en fait un agent pour la navigation et les tâches de bureau.

L’E4B ne peut pas voir. Il prend du texte en entrée et renvoie du texte, et sa fenêtre de 64 K est explicitement plus faible que celle de ses pairs en récupération : RULER 86,99 contre 95,15 pour Qwen3.5 4B, LongBench v2 50,50 contre 59,93. Si votre application doit garder en vue un long document ou une capture d’écran, l’E4B est le mauvais modèle, quels que soient ses bons scores de persona.

À qui s’adresse chacun

L’E4B est destiné à la couche d’interface. Personnages interactifs, assistants vocaux, agents pour appareils embarqués, robots qui doivent sélectionner un script et parler, et toute application où le modèle doit répondre en quelques centaines de millisecondes sur du matériel qui coûte moins cher qu’une station de travail. Les démonstrations de NVIDIA concrétisent l’intention : un robot Reachy Mini sur un Jetson Orin Nano utilisant l’E4B pour choisir des scripts d’animation, tandis qu’un modèle de vision distinct gère la perception, et un PNJ forgeron qui vérifie le paiement, recherche une recette, rassemble des ingrédients et remet un objet.

Le 74B est destiné à la couche de travail. Des agents personnels toujours actifs qui naviguent sur le Web, codent, analysent des données, surveillent des tâches en arrière-plan et appellent des API. Il fonctionne sur RTX Spark, DGX Spark, les stations de travail RTX PRO et les cartes GeForce RTX disposant de suffisamment de mémoire, et il est conçu pour cohabiter avec d'autres applications dans un budget de 24 Go. Son profil de benchmarks — BrowseComp, Terminal-Bench, GPQA, AA-LCR — est celui d'un modèle qui mène les tâches à terme, pas d'un modèle qui tient une conversation.

Aucun des deux ne remplace l’autre. Un studio de jeux qui veut des PNJ crédibles n’a pas besoin d’un agent multimodal de 74B ; une plateforme d’agents qui doit lire une page web et exécuter une commande de terminal ne peut pas utiliser un modèle conversationnel 4B exclusivement textuel.

Ce qu’implique une famille de deux modèles pour le déploiement

La conséquence architecturale intéressante est que NVIDIA a livré un portefeuille plutôt qu’une échelle. L’E4B gère la couche réflexe, le 74B gère la couche de travail local, et Super VL 120B-A12B gère les cas multimodaux plus lourds. Cela représente trois budgets mémoire différents et trois tâches différentes, le tout sous une même famille de licences.

La plupart des applications auront toujours besoin d’une quatrième couche qu’elles ne peuvent pas télécharger : un modèle de pointe pour les requêtes qui dépassent le matériel local, ou un second fournisseur pour la modalité qui manque au modèle local. Router ces requêtes via une seule API — plus de 200 modèles, 0 % de majoration sur le prix catalogue du fournisseur, basculement automatique lorsqu’un fournisseur se dégrade — permet au Bolt local de rester le chemin rapide et au modèle hébergé de rester l’exception. L’alternative consiste à avoir une intégration, une clé et une facture distinctes pour chaque modèle au-dessus du niveau local.

Qu’est-ce qui permettrait de régler la question familiale ?

Une seule exécution. Faites passer les deux Bolts dans le même harnais sur les mêmes tâches — un ensemble conversationnel, un ensemble agentique et un ensemble multimodal — et publiez les lignes. NVIDIA dispose des checkpoints, de la pile d’évaluation et de l’incitation ; elle a choisi de publier deux tableaux séparés à la place.

Tant que cela n’existe pas, l’interprétation défendable est celle-ci : le 74B est le modèle le plus capable par conception et par les preuves, sur les tâches que NVIDIA a choisi de mesurer. Le E4B est le modèle le plus approprié pour une large classe d’interfaces où un agent de 24 Go est absurde et où un modèle conversationnel de 4 Go est exactement ce qu’il faut. Le nom sur la boîte est le même. La machine à l’intérieur ne l’est pas.