NVIDIA Nemotron 3.5 Super VL est disponible : des poids ouverts de 120B, une promesse de 5x et un hic de 249 Go

NVIDIA Nemotron 3.5 Super VL est disponible, et la spécification qui devrait déterminer si vous l'adoptez n'est pas celle que l'annonce met en avant. Le modèle est un système vision-langage de 120 milliards de paramètres avec 12 milliards de paramètres actifs, un contexte de 1 million de tokens, un décodage spéculatif natif et une prise en charge du texte, des images, des documents et de la vidéo. L'article de lancement de NVIDIA est daté du 15 octobre 2026 et le présente comme le modèle agentique ouvert le plus rapide de sa catégorie — « jusqu'à 5 fois plus rapide en débit que les autres modèles de sa catégorie », mesuré sur le classement Artificial Analysis Intelligence Index. Ce que l'article ne met pas sous vos yeux, c'est que la version publiée comprend deux checkpoints, que la différence entre eux est de 174 Go de VRAM et que le plus petit en paie le prix de manière inégale.

Qu'est-ce qui a effectivement été livré le 15 octobre

Deux choses se sont produites à des jours différents, et l'écart compte si vous datez un déploiement. Les poids sont arrivés sur Hugging Face le 12 octobre à 15 h 32 UTC. L'annonce a suivi le 15 octobre. La fiche de modèle de NVIDIA elle-même donne la publication au 15/10/2026 en version 1.0 GA, donc le fournisseur considère le 15 comme la date de mise à disposition ; les horodatages du dépôt disent le contraire. Aucune des deux dates ne remonte à plus d'une semaine, et toutes deux sont assez récentes pour que rien de cette publication n'ait eu le temps d'être reproduit indépendamment.

La version publiée est plus large que le modèle dont l'annonce tire son nom :

• Nemotron 3.5 Super VL — le modèle phare, 120 B au total / 12 B actifs, dans une version BF16 et une version NVFP4, toutes deux publiées le 12 octobre.

• Nemotron 3.5 Super VL Base — le checkpoint avant post-entraînement, publié aux côtés de la version instruct, ce qui compte car la licence vous permet de lancer votre propre post-entraînement.

• Nemotron 3.5 Bolt 74B-A9B 24GB — un modèle edge qui tient dans 24 GB grâce à une quantification native en 2 bits, publié le 7 octobre.

• Nemotron 3.5 Bolt E4B 4GB — le plus petit de la famille, daté du 23 octobre.

L'architecture est un mélange d'experts (Mixture-of-Experts) hybride Mamba-2/Transformer avec prédiction multi-jetons (Multi-Token Prediction), 512 experts routés par couche MoE, un encodeur visuel C-RADIO et un connecteur vision-langage. Le traitement multimodal couvre l'OCR, les tableaux, les graphiques, les documents multipages et l'ancrage visuel (visual grounding) ; la vidéo est acceptée au format MP4 jusqu'à deux minutes, échantillonnée à 2 FPS et jusqu'à 256 images, ou à 1 FPS et 128 images en 1080p. La licence est OpenMDW-1.1, que la fiche du modèle présente comme prête pour un usage commercial ou non commercial — un ensemble de conditions véritablement permissif, et l'une des raisons réelles pour lesquelles cette publication a attiré l'attention.

Deux points de contrôle, et les 174 Go entre eux

C'est là que cette publication devient intéressante pour quiconque doit payer pour des GPU. NVIDIA a publié le même modèle deux fois, à deux précisions, et les deux versions ne sont pas proches en taille. Les deux chiffres ci-dessous proviennent des listes de fichiers du dépôt Hugging Face, qui indiquent les tailles des shards de poids individuels :

• Checkpoint BF16 — 248,94 Go répartis sur 63 shards. L'en-tête safetensors indique un nombre de paramètres de 124,45 milliards.

• Checkpoint NVFP4 — 75,06 Go répartis sur 88 shards. L'inférence s'exécute en W4A4 sur Blackwell et en W4A16 sur tout matériel plus ancien.

• Matériel, précision complète — La carte NVIDIA indique 4× H100 ou 2× GB200 pour le texte, l’image et la vidéo.

• Matériel, quantifié — 1× H200, 2× H100, 1× GB200, ou un seul DGX Spark, la configuration Spark nécessitant un drafter LiLiCorr pour le décodage spéculatif.

• L'économie — 173,88 Go, soit environ 3,3× plus petit sur disque, et la différence entre un nœud à quatre GPU et un seul accélérateur.

Lisez cela comme une question d'économie, parce que c'est ce que c'est. Passer de quatre H100 à un seul H200 n'est pas une décision de réglage ; c'est la différence entre un modèle que vous pouvez mettre derrière un produit ce trimestre et un modèle que vous ne pouvez pas. La recette de quantification utilisée par NVIDIA est également plus méticuleuse que d'habitude : l'encodeur de vision, le connecteur, les convolutions Mamba et les embeddings restent en BF16, le routeur MoE reste en FP32, et le reste est produit par distillation tenant compte de la quantification à partir du modèle BF16, avec en plus 200 itérations de distillation fondée sur le SFT.

Ce à quoi renonce le build quantifié

NVIDIA a publié un tableau apparié comparant les deux checkpoints, tous les autres paramètres restant fixes, ce qui est la manière honnête de mener cette comparaison — et plus rare que cela ne devrait l’être. Les paires ci-dessous sont les propres chiffres de NVIDIA, issus de la fiche de modèle NVFP4, et elles ne vont pas toutes dans le même sens.

Là où le build quantifié perd :

• Terminal-Bench 2.1 — 66,70 en BF16 contre 60,80 en NVFP4. Une baisse de 5,9 points, la plus forte régression isolée du tableau.

• WebVoyager, hors ligne — 77,72 contre 66,31. Une baisse de 11,4 points sur les tâches d'agents de navigation.

• DeepSWE, hors ligne — 24,65 contre 18,20.

• MMLU-ProX — 76,91 contre 73,76.

• tau3-bench banking — 18,88 contre 17,78.

Là où il gagne, ou tient :

• GPQA-Diamond — 89,52 contre 89,90.

• Liste restreinte APEX — 88,36 contre 89,36.

• Taux d'hallucination AA-Omniscience — 30,0 contre 27,7, c'est-à-dire que la version quantifiée hallucine légèrement moins selon la propre mesure de NVIDIA.

• tau2-bench telecom — 73,19 des deux côtés, identique.

• OCRBench v2 EN — 68,12 contre 68,34.

• MMLongBench-Doc — 62,82 des deux côtés.

Le schéma est lisible sans statisticien. Les charges de travail de documents, d’OCR et de rappel de connaissances ne bougent presque pas, et certaines s’améliorent. Les charges de travail agentiques à long horizon bougent beaucoup. Si votre application lit des documents déposés, des reçus ou des images de pages et renvoie une sortie structurée, c’est le checkpoint de 75 Go que vous devriez servir, et vous n’abandonnez presque rien. Si votre application est un agent qui exécute un terminal ou pilote un navigateur pendant des dizaines d’étapes consécutives, vous échangez environ neuf pour cent de Terminal-Bench contre les trois quarts de votre facture GPU, et c’est une décision qui mérite d’être testée sur votre propre évaluation plutôt que sur un tableau de fournisseur.

Le 5x, et par rapport à quoi il est mesuré

L'argument principal de NVIDIA, c'est le débit, et il mérite d'être lu précisément plutôt que d'être rejeté ou répété. L'affirmation est « jusqu'à 5 fois plus rapide en débit par rapport à d'autres modèles de sa catégorie », et la catégorie n'est pas définie dans l'article. La mesure est celle de NVIDIA, sur la pile de service de NVIDIA, avec la concurrence et le mélange de séquences que la recette a choisis — les propres tableaux de déploiement de la fiche du modèle spécifient 32 séquences simultanées et 5 ou 3 jetons de brouillon spéculatifs selon le matériel, et le débit sur un proxy agentique à 20 tours est un nombre très différent du débit sur des invites à un seul tour.

Rien de tout cela ne rend l’affirmation fausse. Cela en fait une affirmation de fournisseur à propos d’une charge de travail configurée par le fournisseur, ce que dit exactement l’étiquette. Ce qu’il faut noter, c’est que sur cette version, il n’y a aucun contrepoids : aucune mesure indépendante du débit de ces checkpoints n’a été publiée, donc les seuls chiffres en circulation sont ceux de NVIDIA. Un chiffre de débit sans modèle de référence nommé, sans niveau de concurrence déclaré et sans configuration matérielle précisée n’est pas quelque chose sur quoi vous pouvez planifier vos capacités. Si le facteur 5x est déterminant pour votre décision, reproduisez-le sur votre propre trafic avant de signer une réservation de GPU.

Là où le modèle est performant, selon le propre tableau de NVIDIA

La fiche du modèle unique indique aussi comment le checkpoint BF16 se compare à ses pairs, et il vaut la peine de lire les colonnes à droite de celles de NVIDIA, car elles sont elles aussi de NVIDIA. Face à Qwen3.5-122B-A10B, Qwen3.8-Flash-Next, DeepSeek-V4-Flash, Nemotron 3 Ultra, Inkling-Small et GLM-5.3-Flash :

• Video-MME v2 — 32,85, contre Qwen3.8-Flash-Next à 45,1 et GLM-5.3-Flash à 14,8. Au milieu du peloton, et l'écart le plus large de toutes les lignes.

• OCRBench v2 EN — 68,12, à peu près au même niveau que Qwen3.8-Flash-Next à 67,9 et Qwen3.5-122B-A10B à 68,3.

• Raisonnement CharXiv — 80,82, derrière les deux modèles Qwen.

• MathVision — 78,16, derrière Qwen3.8-Flash-Next à 87,5.

• MMLU-ProX — 76,91, derrière chaque colonne de pairs de cette ligne.

• Taux d'hallucination AA-Omniscience — 30,0, contre Qwen3.5-122B-A10B à 84,5 et DeepSeek-V4-Flash à 95,9. Sur cette ligne, plus bas, c'est mieux, et l'écart n'est pas mince.

• Terminal-Bench 2.1 — 66,70, contre Qwen3.8-Flash-Next à 85,8 et GLM-5.3-Flash à 82,7.

• SWE-bench Verified — 71,10, contre GLM-5.3-Flash à 79,10.

• OSWorld-Verified — 51,14, contre GLM-5.3-Flash à 14,78.

Le profil de cela est cohérent avec ce pour quoi NVIDIA dit que le modèle est conçu. Il n'est pas le leader en raisonnement brut ou en codage, et il ne prétend pas l'être — l'annonce le positionne face à son propre plus grand modèle à environ un cinquième du nombre de paramètres, et non face à l'état de l'art. Il est solide en matière de discipline d'hallucination, d'extraction de documents et de travail d'agent de bureau, dans la moyenne en vidéo, et en retrait sur les benchmarks de terminaux agentiques les plus difficiles. Si vous êtes venu à cette sortie parce que la « compréhension vidéo » figurait à la première ligne de l'annonce, ce sont les chiffres vidéo qu'il faut examiner de près.

Ce que coûte son fonctionnement

Il n'y a pas de prix catalogue, et ce n'est pas un oubli de la part de NVIDIA — c'est la forme d'une publication de poids ouverts. NVIDIA ne vend pas ce modèle au token à un tarif publié ; elle publie les poids sous OpenMDW-1.1 et un conteneur NIM avec des configurations validées, et vous payez pour les GPU. La question du coût est donc une question d'heures-GPU, et les deux réponses acceptables sont 4× H100 pour le BF16, ou un H200 ou un seul DGX Spark pour le NVFP4.

C'est la partie du calcul que la plupart des équipes ratent lorsqu'elles comparent un modèle ouvert à une API hébergée. Le côté hébergé annonce un tarif par token qui contient déjà la courbe d'utilisation de quelqu'un d'autre. Le côté ouvert annonce un checkpoint et une liste de matériel minimal, et le chiffre réel dépend entièrement de votre capacité à garder le GPU occupé. Un seul H200 exécutant un checkpoint de 75 GB qui sert un flux de travail interne quelques centaines de fois par jour est énormément plus cher par appel que le même checkpoint sur un déploiement partagé. Louez avant d'acheter, et mesurez les tokens par seconde sur vos propres prompts plutôt que sur une charge de travail de substitution.

L'essayer avant d'y miser un produit

La première démarche honnête face à un modèle dont la documentation date d'un jour est une évaluation, non une migration, et c'est là qu'une passerelle fait un vrai travail plutôt qu'un travail rhétorique. Une clé unique pour plus de 200 modèles au prix catalogue du fournisseur, avec 0 % de marge signifie que la comparaison que vous voulez réellement — Nemotron 3.5 Super VL face au modèle texte ou vision que vous utilisez aujourd'hui — est un changement de chaîne de modèle plutôt qu'une relation avec un second fournisseur, et le basculement automatique entre fournisseurs signifie qu'une charge de travail que vous ne faites que tester peut s'exécuter aux côtés du trafic de production sans que l'une dépende de l'autre. Cela compte ici plus que d'ordinaire : les deux checkpoints se comportent suffisamment différemment sur le travail agentique pour que l'expérience utile ne soit pas « ce modèle est-il bon » mais « lequel de ces deux builds, sur quel benchmark parmi les miens, à quel coût GPU. »

La séquence qui évite de gaspiller un mois-GPU : commencez par la charge de travail de type documentaire, car c’est là que l’écart entre BF16 et NVFP4 est le plus faible et que les chiffres du modèle lui-même sont les meilleurs. Exécutez-la sur le checkpoint plus petit. Évaluez-la à l’aide d’une évaluation que vous avez écrite. C’est seulement ensuite que vous déciderez si les charges de travail agentiques — celles où la version quantifiée perd 5,9 points sur Terminal-Bench et 11,4 sur WebVoyager — justifient la build de 249 GB et quatre GPU.

Qu’est-ce qui est encore sans réponse ?

Trois écarts méritent d'être surveillés parce qu'ils modifient la décision plutôt que le marketing.

Le premier point est l'évaluation indépendante. Chaque chiffre de cet article provenant de NVIDIA est signalé comme tel, et dans cette version, c'est le cas de tous. Aucun tiers n'a publié de mesure de débit, de reproduction de précision ni de comparaison de bancs d'évaluation pour l'un ou l'autre des checkpoints. L'affirmation d'un débit 5x et le tableau de quantification associé sont cohérents en interne et manifestement produits avec soin, et ils restent déclarés par le fournisseur et non reproduits. Considérez-les comme une borne supérieure jusqu'à ce que quelqu'un extérieur à NVIDIA publie les mêmes expériences.

Le second est le volet vidéo. Le modèle accepte les MP4 et l’annonce met en avant la compréhension vidéo, mais sur le seul benchmark vidéo du tableau de NVIDIA lui-même, il obtient 32,85 tandis que Qwen3.8-Flash-Next se situe à 45,1. Les données d’entraînement couvraient la vidéo de 10 000 à un million d’heures, ce qui représente une large plage et ne dit rien sur la densité ni sur le domaine. Si la vidéo est votre cas d’usage, c’est la ligne à tester en premier et celle qui risque le plus de décevoir un dossier d’achat construit à partir de l’annonce.

Le troisième est le checkpoint de base. Sa publication sous la même licence est l'élément de cette sortie qui aura la plus longue traîne, car elle permet à une équipe disposant de ses propres données de mener un post-entraînement plutôt que de contourner celui du fournisseur par du prompting. Le corpus de post-entraînement propre à NVIDIA pour cette famille est lui aussi ouvert, et les tailles d'effet dans le rapport de NVIDIA atteignent plusieurs dizaines de points au sein du harnais de NVIDIA. Personne n'a encore publié de fine-tuning indépendant crédible à partir de cette base. Quand quelqu'un le fera, cela vous en dira plus sur le véritable plafond de ce modèle que ne le fait l'article de lancement.

Les poids sont téléchargeables dès aujourd'hui et la licence autorise leur utilisation commerciale. Les deux choses que vous ne pouvez pas télécharger sont un benchmark indépendant et un chiffre de débit avec une base de référence nommée — et ce sont précisément les deux éléments dont vous auriez besoin avant d'engager un chemin de production sur un modèle qui n'a actuellement que quatre jours.