Nemotron 3.5 Super vs Claude Opus 5.5 : 12 milliards de paramètres actifs contre un compteur

Voici le chiffre qui décide de cette comparaison, et il ne figure sur aucun des deux tableaux de benchmarks. NVIDIA Nemotron 3.5 Super — publié par NVIDIA sous le nom plus complet NVIDIA Nemotron 3.5 Super VL, et répertorié dans la bibliothèque Ollama sous le nom nemotron-3.5-super/ — active environ 12 milliards de ses 120 milliards de paramètres pour chaque token qu'il génère. Claude Opus 5.5 ne publie aucun nombre de paramètres et facture 4 $ par million de tokens d'entrée et 20 $ par million de tokens de sortie. L'un de ces modèles a donc un coût marginal par token qui est fonction de l'électricité, et l'autre a un coût marginal par token qui est une ligne budgétaire. Les deux chiffres sont réels. Ni l'un ni l'autre ne vous dit quel modèle est le moins cher à exploiter, car ils sont facturés dans des devises différentes.

La raison pour laquelle cela vaut la peine d’écrire à ce sujet maintenant : les poids NVIDIA ont été mis en ligne sur Hugging Face le 12 octobre 2026, discrètement, dans un dépôt nommé NVIDIA-Nemotron-3.5-Super-VL-120B-A12B-BF16, trois jours avant que NVIDIA ne l’officialise dans un billet de sa propre salle de presse le 15 octobre. Avant cette annonce, la seule confirmation publique que Nemotron 3.5 Super existait comme quelque chose d’exécutable était un ensemble d’artefacts de registre — et le fait qu’une partie de la spécification de ces artefacts ne corresponde pas à la spécification de la fiche du fournisseur. Ce que l’on peut savoir à partir du dépôt est déjà considérable : des nombres d’octets, des formats de quantification, un verrou de version, une licence. Ce qu’aucun dépôt ne permet de savoir, c’est comment il se comporte face à un modèle de pointe hébergé sur votre charge de travail. C’est de cet écart qu’il est question dans cette page.

Ce que le dépôt contient réellement, avant toute autre chose

Trois checkpoints exploitables ont été publiés à moins de soixante secondes d’intervalle les uns des autres le 12 octobre : les poids de référence BF16, une variante Base et un build NVFP4. Un dépôt distinct de drafteur LiLiCorr avait été mis en ligne un jour plus tôt, le 11 octobre, ce qui constitue la plus ancienne trace publique de ce tier. La fiche décrit un mélange d’experts hybride Mamba-2 et Transformer avec 512 experts routés par couche MoE, un encodeur visuel C-RADIO et un connecteur vision-langage, 120 milliards de paramètres au total dont 12 milliards actifs, un contexte allant jusqu’à 1 million de tokens, entrées texte, image et vidéo avec sortie texte, et un décodage spéculatif natif via une tête Multi-Token Prediction. La licence est OpenMDW-1.1, qui autorise l’usage commercial. Le déploiement est spécifié comme quatre H100 ou deux GB200 pour le BF16.

La fiche Ollama est la version que la plupart des gens rencontreront en premier, et c'est là que la spécification commence à dériver. Elle expose neuf tags. Quatre d'entre eux — :latest/, :120b/, :120b-a12b/ et :120b-a12b-q4_K_M/ — correspondent à la même couche q4_K_M, donc le pull par défaut est une quantification 4 bits et le nom « 120b » n'est pas le fichier que vous obtenez. Chaque tag, y compris le plus petit, embarque un projecteur de vision de 1,6 GiB, car le chemin d'image n'est pas optionnel. L'échantillonnage par défaut fourni est température 1,0 avec top_p 0,95, ce qui est la recommandation texte de la carte — le réglage vision de la carte est température 0,6. Et le verrou d'exécution est appliqué : la configuration déclare requires: 0.40.5/, donc sur une version plus ancienne d'Ollama, le pull ne fonctionne pas du tout.

Rien de tout cela n’est un défaut. C’est l’écart ordinaire entre les notes de version d’un fournisseur et leur empaquetage par la communauté, et c’est la raison pour laquelle il faut lire les deux documents plutôt qu’un seul.

L’arithmétique honnête des 12B actifs

L'activation parcimonieuse constitue tout l'argument commercial de ce modèle, et il vaut la peine d'être précis sur ce qu'elle apporte et ce qu'elle n'apporte pas.

Ce que cela apporte : à l'inférence, un token touche environ un dixième du réseau. Le débit sur une configuration matérielle fixe est donc bien plus proche de celui d'un modèle dense de 12B que de celui d'un modèle de 120B, et l'empreinte mémoire est le seul endroit où l'intégralité des 120 milliards de paramètres se manifeste. La carte N​VIDIA elle-même revendique un débit jusqu'à 5 fois supérieur à celui des autres cartes de sa catégorie et, servie sur la pile Dynamo du fournisseur, jusqu'à 8 fois plus d'utilisateurs simultanés avec une latence inférieure de 85 %. Ce sont des chiffres du fournisseur produits sur du matériel du fournisseur, et il s'agit d'une spécification, pas d'un audit — mais le sens de l'affirmation découle directement de l'architecture, ce qui est au moins un récit cohérent.

Ce que cela n’apporte pas : les poids doivent quand même rester résidents en intégralité. La couche BF16 GGUF fait 230,4 Gio. La configuration par défaut q4_K_M fait 82,3 Gio, plus le projecteur. Aucun de ces deux chiffres ne diminue, car seuls 12 milliards de paramètres s’activent par token. Le plancher matériel est donc déterminé par la mémoire, tandis que le débit est déterminé par l’activation — c’est pourquoi une seule carte de 96 Go peut contenir confortablement le modèle 4 bits et produire malgré tout des tokens à un rythme qui ferait pâlir un modèle dense de même taille totale, et c’est aussi pourquoi la même carte ne peut pas du tout contenir le modèle en pleine précision.

Maintenant, mettez Opus 5.5 à côté de cela. Le modèle d'Anthropic offre 1 million de tokens de contexte, 128 000 tokens de sortie maximale, accepte du texte, des images et des fichiers en entrée, et son tarif est de 4 $/20 $, avec les lectures de cache à 0,20 $ par million. Il n'y a pas de téléchargement, pas de décision de quantification, pas de valeur d'échantillonnage par défaut à corriger, et pas de version à épingler. C'est aussi un modèle bien audité : il se situe au sommet du classement tiers que la plupart des gens utilisent pour comparer ce genre de choses, très loin au-dessus de ce niveau Nemotron.

Donc la comparaison n’est pas « lequel est meilleur ». En termes de capacité générale mesurée, le modèle phare hébergé l’emporte, et prétendre le contraire desservirait un lecteur sur le point de prendre une décision d’achat. La comparaison se situe là où les deux courbes de coût se croisent.

Là où le modèle ouvert de 120 milliards de paramètres mérite sa place

Trois endroits, et ils sont précis.

• Volume avec une facture fixe. Un checkpoint auto-hébergé convertit un coût marginal en coût fixe. À faible trafic, le compteur l'emporte haut la main — quatre H100 coûtent plus cher par mois que ce que la plupart des équipes dépensent en tokens. À trafic élevé et régulier, le coût fixe s'amortit, contrairement au compteur. Le point de bascule est le seul calcul qui compte ici, et il est fonction de votre volume de tokens, non de la qualité de l'un ou l'autre modèle.

• Travaux de vision où le nombre de pages est le principal facteur de coût. La fiche de N​VIDIA annonce 62,82 sur MMLongBench-Doc, 78,16 sur MathVision, 80,82 sur le raisonnement CharXiv et 68,12 sur OCRBench v2 anglais contre 59,15 en chinois, tous ces chiffres étant fournis par le fournisseur. Sur O​pus 5.5, ces mêmes entrées sont facturées au token, et une page de rapport numérisé représente beaucoup de tokens. Si votre charge de travail atteint des milliers de pages de documents par jour, l'arithmétique change plus vite que n'importe quelle différence de qualité.

• Épinglage. Un point de contrôle sur un disque que vous contrôlez ne change pas sous vos pieds. Cela vaut de l'argent réel dans un pipeline réglementé, et c'est une propriété que le modèle hébergé ne peut offrir à aucun prix.

Deux domaines où il ne justifie pas sa place, et dans les deux cas, cela mérite d’être dit tout haut. Le premier est le travail agentique à long horizon : la fiche de NVIDIA annonce 66,70 sur Terminal-Bench 2.1, 71,10 sur SWE-bench Verified et 51,78 sur SWE-bench Pro — des résultats respectables, non reproduits, et en retrait de la frontière des modèles hébergés. Le second concerne tous les cas où une requête échouée coûte cher, car un modèle dont les poids ont quatre jours a derrière lui quatre jours de l’attention du monde et aucun historique opérationnel.

Les chiffres auxquels vous ne devriez pas encore faire confiance, et pourquoi

L'intégralité du tableau de benchmarks publié pour Nemotron 3.5 Super est celui du fournisseur lui-même, collecté via le harnais NeMo Gym de NVIDIA. GPQA-Diamond : 89,52. Humanity's Last Exam en texte uniquement : 31,79. LiveCodeBench v6 : 88,22. IFBench : 70,86. tau2-bench : 69,24 en commerce de détail, 76,50 en aérien, 73,19 en télécoms. BrowseComp : 78. proxy LMArena v3 : 52,67. Chacun d'entre eux est une affirmation du fournisseur accompagnée d'une recette reproductible, ce qui est mieux qu'une simple affirmation, et ne constitue toujours pas une mesure indépendante.

La vision indépendante est bien plus mince, et c'est en soi le fait le plus utile de cette page. Le panel tiers qui note ces modèles situe ce checkpoint à un Intelligence Index dans la mi-vingtaine — autour de 26 — contre environ 58 pour O​pus 5.5. Ce panel enregistre aussi une consommation de tokens de sortie inhabituellement élevée pour l'exécution de l'indice, ce qu'il interprète comme de la verbosité, et la verbosité est une ligne de coût plutôt qu'une note de bas de page dans tout déploiement où l'on paie au token ou attend par token. Un point de données indépendant n'est pas un verdict, mais c'est le seul qui n'a pas été produit par l'entreprise qui vend le modèle.

Ce que personne n’a publié : comment la quantification 4 bits fait évoluer ces scores. Le tag Ollama par défaut est q4_K_M. Chaque chiffre publié concerne BF16 ou NVFP4. Le chiffre que la plupart des gens vont réellement connaître est donc non mesuré, et c’est celui à surveiller au cours des prochaines semaines.

Ce que vous pouvez et ne pouvez pas appeler aujourd’hui

Il faut le dire sans détour, car c’est le malentendu le plus courant sur des pages comme celle-ci. N​emotron 3.5 Super n’est pas disponible sur OrcaRouter. Nous acheminons un peu plus de deux cents modèles et il n’y a aucune entrée N​VIDIA N​emotron parmi eux, donc si vous avez besoin de ce checkpoint spécifique, vos voies d’accès sont les canaux de build et de distribution propres au fournisseur et le pull du runtime local — pas nous.

Opus 5.5, en revanche, est sur notre clé, au prix catalogue du fournisseur répercuté sans majoration par token, ce qui signifie qu'un changement de prix du fournisseur est effectif de notre côté le jour même plutôt qu'à la prochaine reconduction de contrat. Cette asymétrie est réellement utile pour la décision qui vous attend : la première étape peu coûteuse consiste à prendre la charge de travail que vous comptiez exécuter sur quatre H100 et à la lancer d'abord sur le modèle hébergé, via une seule API, sans passer par les achats. Si le modèle hébergé fait l'affaire à un prix tolérable, vous vous êtes épargné le cluster. Sinon — et mal interpréter un document technique dense à grande échelle est un motif plausible pour qu'il n'y arrive pas — vous disposez désormais de preuves plutôt que d'un tableau de benchmarks, et vous pouvez consacrer le téléchargement aux cas qui ont survécu.

Ce que coûte concrètement la recette de déploiement

La recette vLLM propre à la carte vaut la peine d’être lue comme un document budgétaire. Parallélisme tensoriel de 4, utilisation de la mémoire GPU de 0,85, un maximum de 32 séquences simultanées, une image et une vidéo par invite, élagage vidéo à 0,5, et décodage spéculatif via la tête MTP avec trois jetons spéculatifs. Quatre H100 à 0,85 d’utilisation avec un plafond de 32 séquences, ce n’est pas un service de grande envergure — c’est un déploiement mono-nœud sérieux, et le plafond de concurrence vous indique ce que le fournisseur s’attend à ce qu’une seule réplique prenne en charge.

Deux détails de cette recette comptent plus qu'ils n'en ont l'air. La configuration vidéo n'accepte qu'une vidéo par prompt, avec un élagage à un taux de moitié, ce qui donne un indice fort sur l'endroit où le budget de vision est investi sur les entrées longues. Et l'analyseur de raisonnement s'appelle nemotron_v3/ tandis que l'analyseur d'appels d'outils est qwen3_coder/ — le fournisseur réutilise un format d'appel d'outils qu'il n'a pas inventé, ce qui est une bonne nouvelle pour quiconque dispose déjà de code d'appel d'outils et mérite d'être su avant d'écrire une nouvelle logique d'analyse.

Face à cela, la surface opérationnelle du modèle hébergé se résume à une clé API. La comparaison entre « quatre H100 et une recette vLLM » et « une clé et un compteur » n'est pas serrée sur l'effort. Elle ne l'est que sur le coût, et uniquement à volume.

Une autre chose que l’on peut savoir depuis un dépôt et qui est facile à manquer : l’échantillonnage recommandé diffère selon la modalité. Le texte veut une température de 1.0 avec top_p 0.95 ; la vision veut 0.6 avec 0.95. Un déploiement qui définit une seule paire globalement puis traite des graphiques et des pages numérisées fait tourner la partie vision d’un modèle de vision avec les réglages de la partie texte. Si votre première impression de ce modèle sur des documents est mauvaise, c’est le premier réglage à vérifier — avant de conclure quoi que ce soit sur le checkpoint.

Alors, lequel ?

Si votre travail relève du codage agentique à long horizon, ou de tout ce dont le raisonnement doit être de niveau frontière dès la première tentative, Claude Opus 5.5 est la réponse et le palier N​emotron ne le remplace pas. Ce n'est pas un choix serré, et les propres lignes agentiques publiées du fournisseur ne prétendent pas le contraire.

Si votre travail consiste à comprendre de gros volumes de documents et d’images, où le principal facteur de coût est le nombre de pages plutôt que la difficulté du raisonnement, voici l’un des checkpoints ouverts les plus intéressants à faire son apparition cette année : 120 milliards de paramètres, dont 12 milliards actifs, une licence permissive, un pipeline vision véritablement intégré plutôt qu’ajouté après coup, et une quantification 4 bits par défaut qui tient sur une seule carte de 96 Go. Le hic, c’est que la version que tout le monde fera réellement tourner — la variante q4_K_M par défaut — n’a fait l’objet d’aucune évaluation publiée où que ce soit, le modèle n’a que quatre jours, et la spécification publiée par l’environnement d’exécution ne correspond pas entièrement à celle publiée par le fournisseur.

Ces deux éléments sont des raisons de l’essayer, pas des raisons de lui faire confiance. Confiez d’abord la charge de travail au modèle hébergé pour déterminer si cette charge est de celles qu’un modèle frontière résout et qu’un modèle de milieu de gamme ne résout pas. Décidez ensuite si les cas qui subsistent valent un cluster, un téléchargement ou une soirée de configuration. Et si vous placez effectivement un checkpoint vieux de quatre jours dans un chemin de requête, faites-le passer derrière une solution de repli, car l’assurance la moins chère contre un modèle sans historique opérationnel est un second modèle derrière le même appel.

Ce que les chiffres ne peuvent pas vous dire, c'est si quelque chose a mal tourné sur le terrain : les incidents d'IA documentés et les défaillances d'agents concernant les modèles de cette classe sont recensés dans l'OrcaRouter AI Incident Archive, où chaque entrée comporte ses propres sources, sa gravité, son niveau de confiance et son indicateur de contestation.