Nemotron 3.5 Super VL vs DeepSeek V4 Flash Vision Exp : huit points d'indice, et un seul d'entre eux est un produit

Sur l'Artificial Analysis Intelligence Index, DeepSeek V4 Flash Vision Exp devance NVIDIA Nemotron 3.5 Super VL de 8,35 points — 34,84 contre 26,49, tous deux non estimés — et y parvient avec un prix publié de 0,44 $ par million de jetons d'entrée et de 1,32 $ en sortie, alors que NVIDIA n'a publié aucun prix. Voilà le résumé qu'un lecteur de fiche technique retient, et c'est le mauvais sur lequel fonder une décision. Les deux modèles ne sont pas en concurrence pour la même place. NVIDIA Nemotron 3.5 Super VL est un modèle en disponibilité générale, avec un rapport technique, un microservice NIM, un support entreprise et un écosystème de post-entraînement qui inclut Scale AI, Salesforce et CrowdStrike. DeepSeek V4 Flash Vision Exp est, comme son propre nom de fichier l'indique, une expérience : le premier membre multimodal de la famille V4, livré sous forme de poids accompagnés d'une implémentation de référence PyTorch minimale, et évalué sur ce panel dans une configuration que DeepSeek ne commercialise pas. Huit points, c'est un écart réel. C'est aussi un écart entre un service et un artefact de recherche, et la question utile n'est pas de savoir qui gagne, mais lequel pourra se loger dans votre périmètre de conformité d'ici six mois.

Ce que chacun est réellement

NVIDIA Nemotron 3.5 Super VL est un hybride de 120 milliards de paramètres — couches Mamba-2, mélange d'experts avec 512 experts routés, et attention — avec un encodeur visuel C-RADIO, 12 milliards de paramètres actifs par token, jusqu'à 1 M de tokens de contexte et une prédiction multi-token native pour le décodage spéculatif sans drafter séparé. Ses entrées sont le texte, les images et la vidéo ; sa sortie est du texte. L'évaluation de NVIDIA couvre l'OCR, le raisonnement sur les graphiques et les documents, la compréhension vidéo et les tâches à long contexte, et la licence est OpenMDW-1.1, qui autorise l'usage commercial. Il s'accompagne d'un rapport technique et d'une recette de déploiement publiée pour 4×H100 ou 2×GB200.

DeepSeek V4 Flash Vision Exp s'appuie sur l'architecture DeepSeek-V4-Flash, en ajoutant des modules visuels et une poursuite de l'entraînement. Le dépôt contient 48 shards safetensors sous licence MIT, un tokenizer, un module d'encodage qui convertit des blocs de messages de style OpenAI en prompts, et une implémentation PyTorch minimale couvrant l'encodeur visuel, l'aligneur, l'attention DFlash, le MoE, les Hyper-Connections et le chemin de propagation avant DSpark. La configuration montre un MoE à 43 couches avec 256 experts routés, 6 experts par token, 1 048 576 positions maximales et une tête de prédiction multi-token à trois couches. La fiche indique explicitement qu'il s'agit du premier modèle multimodal expérimental de DeepSeek de la lignée V4, et qu'il améliore DeepSeek-V4-Flash-0731 sur les tâches d'agents multimodaux tout en conservant des performances comparables sur les tâches purement textuelles.

• Paramètres et architecture — NVIDIA Nemotron 3.5 Super VL : 120 B au total / 12 B actifs, MoE hybride avec vision C-RADIO. DeepSeek V4 Flash Vision Exp : 284 B au total / 13 B actifs, MoE, 256 experts routés, 6 par token.

• Indice d'intelligence — 26,49 pour Super VL, 34,84 pour la configuration DeepSeek servie. Tous deux non estimés, tous deux selon Artificial Analysis.

• Jetons de sortie par tâche d'index — 49 174 contre 69 174. Super VL termine les tâches du panel avec 29 % de jetons en moins.

• Prix — aucun tarif n'est publié nulle part pour Super VL ; 0,44 $ en entrée / 1,32 $ en sortie par million pour la configuration DeepSeek servie, selon le même panel.

• Licence et engagement — OpenMDW-1.1 avec utilisation commerciale, GA et un service NIM pour Super VL ; poids sous MIT et une implémentation de référence, étiquetée expérimentale, pour DeepSeek V4 Flash Vision Exp.

• Modalités — texte, image et vidéo en entrée pour Super VL, selon la fiche technique de NVIDIA ; image en entrée, texte en sortie pour le modèle DeepSeek, dont le tableau de benchmarks lui-même ne contient aucune ligne vidéo.

L'écart de huit points tient bon ; la comparaison des prix, non

Commencez par la partie qui est réellement établie. Le modèle de DeepSeek obtient un meilleur score et coûte moins cher par token, et l’écart n’est pas du bruit — 8,35 points d’indice correspondent à peu près à la distance entre NVIDIA Nemotron 3.5 Super VL et le 550B NVIDIA Nemotron 3 Ultra 550B A55B de NVIDIA lui-même, qui se situe à 22,93. Donc, la formulation honnête est qu’une version multimodale expérimentale 284B d’un laboratoire chinois obtient actuellement un meilleur score que le modèle phare de vision ouverte d’un laboratoire américain, avec environ un tiers de la taille sur l’axe des paramètres actifs et à un tarif publié. Si votre charge de travail consiste en la compréhension d’écrans et de graphiques fournie via une API, c’est toute la réponse et vous pouvez arrêter de lire.

La comparaison s'effondre dès que vous voulez l'exécuter vous-même, ce qui est la raison d'être de ces deux modèles. Le chiffre de 34,84 est associé à la configuration Max servie, pas à un checkpoint que vous pouvez déployer. Le dépôt Hub est une véritable publication de poids sous MIT, mais la fiche de DeepSeek elle-même le présente comme un artefact expérimental avec un chemin d'inférence minimal — le genre de publication qu'un laboratoire publie pour permettre aux chercheurs de reproduire un article, et non le genre qu'il soutient avec un contrat d'entreprise. NVIDIA fait l'inverse : publier les poids en même temps que le produit, l'appelant étant censé héberger. Sur les benchmarks que les deux laboratoires choisissent de publier, la différence se voit. DeepSeek met l'accent sur le travail d'agent multimodal — ApexBench 36,5 contre son propre 26,2 pour le modèle texte uniquement, Chartography 64,3, ZeroBench à 35,0 pass@5, Agents' Last Exam 27,3. NVIDIA met l'accent sur les surfaces documentaires et vidéo — OCRBench v2 à 68,12 en anglais, MMLongBench-Doc 62,82, CharXiv reasoning 80,82, Video-MME v2 32,85. Aucun des deux ensembles n'est comparable à l'autre, et les deux sont déclarés par le fournisseur.

Lorsque les chiffres des fournisseurs ne concordent pas entre eux

Il y a un détail dans le tableau de NVIDIA lui-même qui mérite un paragraphe, car c'est exactement le genre de chose qui se fait blanchir dans l'agrégation. La colonne de comparaison de NVIDIA inclut DeepSeek-V4-Flash0731 et indique Terminal-Bench 2.1 à 76,80 pour celui-ci. La fiche de DeepSeek elle-même annonce 82,7 pour le même modèle sur le même benchmark, et 83,9 pour DeepSeek V4 Flash Vision Exp. Trois chiffres, un benchmark, deux harnais, et aucune réconciliation d'un côté comme de l'autre. Ce n'est pas un scandale — des échafaudages et des réglages d'effort de raisonnement différents déplacent les benchmarks agentiques de plusieurs points, et NVIDIA publie ses recettes NeMo Gym précisément pour que les réglages puissent être inspectés. Mais cela signifie que lorsque vous voyez un écart de huit points dans l'indice, l'indice lui-même est la partie fiable, et les benchmarks qui le composent ne le sont pas. L'indice est un harnais unique appliqué aux deux modèles par un tiers. Les tableaux de benchmarks sont quatre laboratoires qui notent leur propre copie sur leur propre échafaudage.

Sur le même panneau, les deux modèles affichent un indice d'omniscience négatif. Super VL se situe à moins 4,22 avec 23,3 % de précision et un taux d'hallucination de 35,8 % ; cette ligne mesure si un modèle refuse de répondre lorsqu'il ne sait pas, et aucun de ces deux modèles n'y excelle. GDPval-AA — des livrables finis plutôt que des réponses — attribue à Super VL 1 162,41 et à la grille d'évaluation AA-Briefcase un Elo de 998,76. Pour le modèle DeepSeek, les mêmes lignes ne sont pas renseignées dans la configuration servie. Si votre cas d'usage est la recherche d'informations, aucun des deux chiffres n'est encourageant. S'il s'agit de production de documents, Super VL dispose de la seule ligne mesurée du duo.

Exécuter l'un ou l'autre

Le déploiement, c'est là où les chemins se séparent pour de bon. NVIDIA Nemotron 3.5 Super VL sert du BF16 sur 4×H100 ou 2×GB200 avec des conteneurs vLLM et SGLang épinglés, ajoute une version NVFP4 pour des empreintes plus compactes, et documente un pipeline vidéo échantillonnant 256 images à 2 FPS avec un taux d'élagage de 0,5. DeepSeek V4 Flash Vision Exp publie une recette vLLM pour un seul nœud 4×GB300 avec cache KV FP8, taille de bloc 256 et décodage spéculatif DSpark tiré du même checkpoint, plus un chemin SGLang — plus léger côté argumentaire, plus lourd côté supposition que vous savez ce que vous faites. Les deux exigent du matériel de classe centre de données ; ni l'un ni l'autre n'est un modèle pour portable. Fait notable, la seule chose qu'ils ont en commun, c'est qu'une baisse du prix catalogue d'un fournisseur apparaît au coût sur OrcaRouter le jour même où elle survient, parce que nous répercutons les tarifs des fournisseurs à 0 % de marge sur plus de 200 modèles sur une seule clé, et le basculement automatique vous permet de placer un checkpoint non éprouvé sur une fraction du trafic pendant qu'un checkpoint éprouvé porte le reste. C'est la réponse pratique quand l'écart de huit points et le prix manquant rendent la décision vraiment serrée : routez les deux, mesurez sur vos propres entrées, et laissez le trafic trancher — avec cette réserve qu'un seul des deux peut être routé aujourd'hui. DeepSeek V4 Flash Vision Exp figure déjà dans notre catalogue, au tarif publié par son fournisseur plutôt qu'à un tarif majoré ; NVIDIA Nemotron 3.5 Super VL n'y est pas encore, parce que personne ne sert de manière fiable un checkpoint vieux de trois jours. Cette asymétrie mérite d'être dite tout haut plutôt que de laisser entendre que nous proposons les deux.

Le choix en une ligne chacun

Choisissez NVIDIA Nemotron 3.5 Super VL lorsque le travail porte sur des documents, des graphiques, des pages numérisées et de la vidéo, lorsque la licence doit permettre un usage commercial et lorsque vous avez besoin d'un fournisseur qui répondra encore aux tickets d'assistance concernant le checkpoint dans un an — en acceptant de renoncer à 8,35 points d'indice et de payer des GPU plutôt que des tokens. Choisissez DeepSeek V4 Flash Vision Exp lorsque le travail consiste à comprendre des graphiques et des écrans via une API, lorsque 0,44 $ et 1,32 $ par million de tokens constituent la ligne budgétaire, et lorsque le positionnement de qualité bêta d'une version expérimentale est acceptable — en acceptant que la configuration servie ne soit pas le checkpoint et que le checkpoint ne soit pas pris en charge. Les équipes qui ont besoin des deux comportements exécutent généralement deux charges de travail différentes, et c'est précisément à cela que sert un point de terminaison avec basculement.