Nemotron 3.5 Bolt vs Qwen 3.8 Max : ces deux modèles regardent des vidéos

Il n'existe pas beaucoup de duos de modèles où l'élément surprenant est une capacité qu'ils partagent. Tous deux NVIDIA Nemotron 3.5 Bolt 74B-A9B 24GB et Qwen 3.8 Max acceptent la vidéo en entrée, et tous deux renvoient du texte. Qwen 3.8 Max, publié par Alibaba le 3 août 2026, est un modèle multimodal hébergé doté d'une fenêtre de contexte de 1 000 000 de tokens, servi via des interfaces compatibles OpenAI, compatibles Anthropic et natives DashScope depuis cinq régions, au tarif de 2,00 $ par million de tokens en entrée et de 6,00 $ par million de tokens en sortie, les lectures mises en cache étant facturées 0,25 $. Nemotron 3.5 Bolt, publié par NVIDIA le 15 octobre 2026, est un fichier à poids ouverts de 24 Go avec un encodeur visuel C-RADIO v4-H, une fenêtre de 262 144 tokens et aucun tarif du tout.

Deux modèles à qui l’on peut confier le même enregistrement d’écran, que rien ne sépare sinon l’endroit où ils s’exécutent et ce que cela coûte. C’est une comparaison plus nette que ne le sont la plupart des face-à-face, et elle se tranche vite dès qu’on cesse de se demander lequel des deux est le plus intelligent.

Deux piles multimodales, une seule enveloppe mémoire

La multimodalité de Bolt est héritée plutôt que conçue pour lui. NVIDIA a compressé son modèle 120B-A12B Nemotron 3.5 Super VL jusqu'à 74B-A9B grâce à une recherche guidée par routeur qu'elle appelle Star Elastic, puis a poussé le résultat à 2,0625 bits par poids d'expert dans un format IQ2_XXS avec distillation sensible à la quantification. La tour de vision — un encodeur C-RADIO v4-H — est venue avec la compression, et le commutateur de mode raisonnement est le même que celui exposé par le client Super VL : un indicateur enable_thinking dans le gabarit de chat. Paramètres totaux : 74B, actifs par token : 9B, backbone un hybride Mamba-2 et Transformer que le fournisseur appelle LatentMoE, licence OpenMDW-1.1 pour un usage commercial et non commercial.

Qwen 3.8 Max est un artefact d'un autre genre. Il s'agit du niveau de capacité le plus élevé d'Alibaba, nativement multimodal, et il n'existe que sous forme de point de terminaison. Il n'y a aucun checkpoint à télécharger, aucune version quantifiée à exécuter sur une station de travail, et aucune version dont le coût marginal se résume à la facture d'électricité. Ce qu'il a à la place, c'est sa portée : trois formats de communication, de sorte qu'un SDK Anthropic existant ou une intégration DashScope fonctionne sans réécriture, et cinq régions desservies à travers l'Asie, l'Europe et l'Amérique du Nord, qui font de la question de la latence une question de géographie autant que d'ingénierie.

La conséquence pratique est que le comportement multimodal de Bolt est limité par les mêmes 24 Go qui contiennent le cache KV, l’historique de conversation et les résultats des outils. Celui de Qwen 3.8 Max est limité par ce que l’endpoint provisionne, ce qui n’est pas votre problème.

Ce que vous payez, et à qui

Qwen 3.8 Max est facturé à l'usage, et les tarifs sont bas pour ce que c'est. Une invite de 20 000 tokens avec une réponse de 3 000 tokens coûte 0,04 $ en entrée et 0,18 $ en sortie, soit environ 0,22 $ par appel — et les lectures mises en cache à 0,25 $ par million signifient qu'une invite système stable ou un document répété est quasiment gratuit au second passage. Son temps jusqu'au premier token p50 sur notre catalogue est de 3,22 secondes, avec un p95 de 10,00 secondes, et il a acheminé 41,3 millions de tokens de trafic routé au cours des sept derniers jours.

Nemotron 3.5 Bolt n'a pas de grille tarifaire parce qu'il n'y a rien à mesurer. Pas de point de terminaison hébergé, pas d'API fournisseur, pas de plateforme tierce qui le sert vers laquelle nous pouvons vous orienter. Artificial Analysis indique à la fois sa vitesse et son coût par tâche de l'Intelligence Index comme N/A pour exactement cette raison. Si vous l'exécutez, le coût est un GPU, une consommation électrique et une période d'amortissement, et le prix marginal du prochain million de tokens est nul. Pour une tâche nocturne qui lit le même corpus chaque jour, ce n'est pas une remise — c'est un modèle comptable différent, et le seuil de rentabilité dépend entièrement de la fréquence à laquelle vous l'exécutez.

La fenêtre, et la capacité de l’utiliser

Le contexte est l'axe sur lequel ces deux éléments paraissent les plus proches sur le papier et divergent le plus rapidement en pratique.

• Fenêtre déclarée — Qwen 3.8 Max : 1 000 000 de tokens contre 262 144 pour Nemotron 3.5 Bolt. Environ quatre contre un, et c'est ce rapport qui détermine si une tâche portant sur une base de code entière ou une archive entière est ne serait-ce que possible en une seule requête.

• Rappel à l’intérieur de la fenêtre — Artificial Analysis enregistre un chiffre de rappel en contexte long de 80,3 pour Qwen 3.8 Max. Il n’existe pas de chiffre indépendant équivalent pour Bolt, et sa fenêtre est plus petite dès le départ, ce qui en fait une comparaison entre une capacité mesurée et une capacité non mesurée.

• Qu’est-ce qui d’autre partage l’espace — les 262 144 tokens de Bolt vivent dans les mêmes 24 Go que les poids, les trames vidéo et le cache KV. Un long prompt vidéo et une longue conversation se disputent la même mémoire. La fenêtre de Qwen 3.8 Max est provisionnée par l’opérateur, donc la contrainte est le prix plutôt que le matériel.

• Contrôle du raisonnement — Qwen 3.8 Max expose une bascule enable_thinking, ou reasoning.effort sur l’API Responses. L’équivalent de Bolt est un commutateur de modèle de chat dans la même famille de drapeaux, hérité du client Super VL. Ni l’un ni l’autre n’est inhabituel ; les deux vous permettent d’arrêter de payer pour de la délibération lors d’appels de routine.

Mesuré à l’aune de l’immesuré

Artificial Analysis attribue à Qwen 3.8 Max un score de 45,4 à son Intelligence Index, soit le quinzième rang sur 145 modèles mesurés — dans les dix pour cent supérieurs sans être au sommet. Ses lignes complémentaires sont solides là où une charge de travail agentique le requiert : un AA Coding Index de 76,2, au neuvième rang sur 138, 88,8 sur Terminal-Bench 2.1, et 92,8 sur GPQA Diamond. Sa faiblesse relative est ce rappel en contexte long de 80,3, respectable plutôt qu'exceptionnel pour un modèle à un million de tokens.

Les chiffres de Bolt sont de portée plus étroite. Il obtient 21 sur le même indice, soit quatrième sur 67 dans sa catégorie filtrée par empreinte, pour une médiane de catégorie de 8, et Artificial Analysis le décrit comme l'un des principaux modèles à poids ouverts de taille similaire. Sa vitesse et son coût mesurés sont absents. Tout le reste — le score de 50,98 à Terminal-Bench 2.1, 86,43 à GPQA Diamond, 66,75 à BrowseComp, 50,86 à WebArena vision, 41,02 à SciCode — provient de la fiche modèle de NVIDIA elle-même, où chaque référence est un autre modèle d'un tiers de sa taille. Ces lignes ne sont pas malhonnêtes ; elles répondent à une question d'efficacité, non de capacités de pointe, et les lire comme une confrontation avec un modèle phare hébergé revient à mal interpréter le document.

L'écart de vitesse mérite la même attention. Artificial Analysis ne peut pas mesurer le débit de Bolt parce qu'il n'y a rien à appeler. NVIDIA rapporte un objectif de conception d'au moins 80 tokens par seconde en décodage, 84 sur l'AIPerf SPEED-Bench sur RTX Spark, et 83,99 lors d'une exécution de llama.cpp sur un Surface Laptop Ultra avec 128 Go, sans qu'aucun de ces chiffres n'ait été reproduit. Les 3,22 secondes de Qwen 3.8 Max pour obtenir le premier token sont mesurées et publiques. Planifiez en fonction du chiffre mesuré et considérez l'autre comme une aspiration.

La question du routage, qui n'est pas symétrique ici

Qwen 3.8 Max figure dans notre catalogue sous qwen/qwen3.8-max, acheminé au prix catalogue du fournisseur Alibaba avec 0 % de marge ajoutée — 2,00 $ et 6,00 $ par million de tokens, les mêmes chiffres sur notre page que chez le fournisseur, ce qui signifie qu'un changement de tarif côté fournisseur parvient à nos utilisateurs le jour même plutôt qu'au renouvellement d'un contrat. Il se trouve derrière la même clé que plus de 200 autres modèles, avec un basculement automatique entre les fournisseurs en amont lorsque l'un d'eux se dégrade, et un DSL de routage permettant de composer plusieurs modèles en une seule requête.

Nemotron 3.5 Bolt ne figure pas dans notre catalogue, et nous ne le servons pas. Il n'existe pas de point de terminaison Bolt, aucun identifiant vers lequel diriger une requête, et rien dans ce texte ne constitue une offre d'héberger le checkpoint de NVIDIA. La forme honnête du conseil de routage ici est une répartition plutôt qu'un choix : le modèle multimodal hébergé gère les requêtes à longue fenêtre, les corpus vidéo trop volumineux pour 24 Go de mémoire partagée, et tout ce qui doit être appelable depuis n'importe où ; le fichier local gère les passes à haute fréquence où les données ne doivent pas quitter le bâtiment et où le volume rendrait la facturation par jeton douloureuse. La fusion de modèles est la variante à connaître si les appels coûteux sont ceux qui ont des conséquences — un panel de modèles répond ensemble à la même invite et vous retenez l'accord, ce qui est un moyen peu coûteux d'acquérir de la confiance sur une décision que vous ne pouvez pas facilement inverser.

Comment celui-ci se résout

Le point commun, c’est la vidéo, et c’est la raison pour laquelle ces deux modèles valent la peine d’être comparés — la plupart des modèles locaux de cette taille ne peuvent pas voir du tout, et on ne peut pas confier un enregistrement d’écran à la plupart des modèles hébergés sans une étape d’extraction d’images qui fait perdre ce que vous essayiez de lui montrer.

Au-delà de ce chevauchement, ils divergent sur tous les axes. Qwen 3.8 Max l’emporte sur la fenêtre étendue, la latence mesurée, l’ensemble d’entrées plus riche et, de loin, sur l’intelligence évaluée indépendamment. Nemotron 3.5 Bolt l’emporte sur le seul axe qu’aucun modèle hébergé ne peut contester : il s’exécute là où vos données se trouvent déjà, qu’il y ait ou non un réseau, à un coût marginal nul.

La décision n’est généralement pas une question de préférence. Si la vidéo ne quitte jamais le bâtiment, l’option hébergée n’a jamais été disponible et la comparaison se réduit à un seul candidat. Si le corpus représente un million de tokens de texte, l’option locale n’a jamais été disponible, pour la même raison en sens inverse. Là où c’est vraiment serré — volumes modestes, données pouvant légalement transiter, travail constitué principalement d’appels d’outils courts avec quelques lectures longues occasionnelles —, le départage se fait sur le seul chiffre manquant à cette comparaison : la vitesse à laquelle le checkpoint de 24 Go s’exécute réellement sur votre matériel, que personne en dehors de NVIDIA n’a encore mesurée.