Nemotron 3.5 Super VL vs Nemotron 3 Ultra : moins cher que le modèle phare, ou simplement plus petit ?

NVIDIA propose trois niveaux de Nemotron 3.5, et l'un d'eux est un piège pour les planificateurs. NVIDIA Nemotron 3 Ultra 550B-A55B, publié le 4 juin 2026, est le fleuron de la famille : 550 milliards de paramètres au total avec 55 milliards actifs par token, des couches LatentMoE avec Multi-Token Prediction, 1 million de tokens de contexte, et un minimum déclaré de seize H100s ou huit GB200s. NVIDIA Nemotron 3.5 Super VL, dont les poids sont arrivés sur Hugging Face le 12 octobre 2026, l'annonce de NVIDIA suivant le 15 octobre, est le niveau en dessous : 120B au total, 12B actifs, le même contexte de 1 million de tokens, un encodeur visuel C-RADIO, et un plancher de quatre H100s ou deux GB200s. La fiche technique de NVIDIA pour Super VL le compare directement à Ultra et affirme une précision proche de celle d'Ultra avec environ un cinquième des paramètres. Cette affirmation est rapportée par le fournisseur, non reproduite, et c'est l'unique phrase sur laquelle repose toute cette comparaison.

L’arithmétique qui décide réellement du déploiement

Commencez par ce que les deux points de contrôle exigent physiquement, car c’est le chiffre qu’un responsable budgétaire valide.

• Paramètres totaux — 120B pour Super VL contre 550B pour Ultra. Environ 4,6 fois l’empreinte des poids, et ce sont les poids qui remplissent les GPU.

• Paramètres actifs par jeton — 12B contre 55B. Le calcul par jeton évolue avec cette valeur, et non avec le total, ce qui explique pourquoi les deux modèles sont bien moins coûteux à exécuter que leur taille ne le suggère — et pourquoi l’écart entre eux est de 4,6× en mémoire, mais aussi de 4,6× en arithmétique par jeton.

• Matériel minimal — 4×H100 ou 2×GB200 pour Super VL ; 16×H100 ou 8×GB200 pour Ultra. Un nœud face à une baie, en pratique.

• Modalités — texte, images et vidéo en entrée pour Super VL ; texte en entrée, texte en sortie pour Ultra. Ultra n'a aucun chemin de vision du tout.

• Conception de l’attention — Super VL est l’hybride entrelacé Mamba-2, mixture-of-experts et attention, avec 512 experts routés par couche MoE ; Ultra utilise l’arrangement LatentMoE de NVIDIA. Les deux embarquent des têtes MTP pour le décodage spéculatif.

• Licence — OpenMDW-1.1 avec utilisation commerciale sur les deux, poids et recettes ouverts sur les deux.

Le schéma qui se dégage de ces six lignes, c’est que Super VL n’est pas un Ultra réduit. C’est une autre forme de modèle : capable de vision, bien plus économe en mémoire et — point crucial — déployable sur du matériel qu’une équipe de taille moyenne possède peut-être déjà. Le minimum d’Ultra, c’est une conversation de centre de données. Le minimum de Super VL, c’est un vrai nœud d’inférence.

Ce que les 43 milliards de paramètres actifs supplémentaires apportent

Le cas de raisonnement général

Ultra a été conçu pour occuper le sommet de la pile NVIDIA pour le raisonnement purement textuel, et la version publiée par NVIDIA en juin l'évalue face à six modèles de pointe contemporains sur des suites portant sur les connaissances, les mathématiques, le codage et le contexte long. Ces chiffres, comme tous les chiffres de cette comparaison, proviennent du banc d'essai de NVIDIA plutôt que d'un évaluateur indépendant ; ils établissent donc ce que NVIDIA a mesuré, et non ce qu'un tiers mesurerait.

Le cas multimodal

C'est ici que la comparaison s'inverse. Ultra ne peut pas lire une page. Si le travail implique des documents, des tableaux, des graphiques, des captures d'écran ou des trames vidéo, le modèle phare n'est tout simplement pas un candidat, et le plus grand modèle de la famille est sans pertinence pour votre problème, peu importe la qualité de son indice de raisonnement. L'encodeur visuel et le connecteur de Super VL existent précisément pour cette charge de travail, et ses atouts publiés — OCR, extraction structurée à partir de documents visuels, flux de travail métier à plusieurs étapes — décrivent un travail différent de celui pour lequel Ultra a été optimisé.

Le cas du contexte long

Les deux atteignent 1M tokens. NVIDIA a étendu le contexte de Super VL avec une étape dédiée de 35 milliards de tokens, suivie d’une passe de récupération de contexte long, ce qui est un signal plus fort qu’une longueur maximale seule : cela signifie que les entrées longues ont été traitées comme une capacité à préserver plutôt que comme un tampon à mettre en avant. Ultra a atteint la même fenêtre grâce à son propre pipeline d’entraînement. Sans évaluation indépendante du contexte long pour les deux, considérez cela comme une égalité, avec un avantage plausible pour le modèle dont votre propre trace de récupération indique qu’il tient au-delà de 200k.

Servir l'un ou les deux, et le piège des paliers

Le piège est de supposer que la famille est une échelle que l’on gravit. Elle s’apparente davantage à une partition, et cette partition est tracée par le coût par tâche plutôt que par la capacité. Un modèle à 12B de paramètres actifs qui a besoin de deux GB200 et termine une tâche documentaire cinq fois plus vite que sa catégorie, si les chiffres de débit de NVIDIA tiennent, bat un modèle à 55B actifs sur cette tâche, peu importe lequel des deux est le plus intelligent — car le plus intelligent reste inactif à attendre que la file d’attente du plus rapide se vide. Faites basculer la tâche vers un problème de codage ou de mathématiques à long horizon, sans pixels, et les paramètres supplémentaires d’Ultra font un vrai travail.

Aucun de ces modèles ne figure dans notre catalogue, et il vaut mieux être explicite plutôt que de laisser une phrase vague sous-entendre le contraire : OrcaRouter ne sert pas NVIDIA Nemotron 3.5 Super VL, Nemotron 3 Ultra 550B-A55B, ni aucun autre checkpoint NVIDIA. Ce sont des poids que vous déployez. Ce qu'une couche de routage apporte à une décision comme celle-ci, c'est la mesure plutôt que l'accès. Le DSL de routage vous permet de placer le même prompt face à deux modèles en amont et de lire les réponses côte à côte, de sorte qu'une évaluation d'un candidat à 12B actifs contre un modèle en place à 55B actifs est un changement de configuration plutôt que deux projets d'intégration. Le basculement automatique compte pour la raison inverse : si un modèle hébergé vers lequel vous routez se dégrade en cours de pipeline, la requête est déplacée plutôt que d'échouer, ce qui maintient un chemin de repli actif pour les équipes qui gardent Super VL auto-hébergé comme solution principale. Et pour les parties de la charge de travail qu'aucun niveau auto-hébergé ne devrait absorber — pics, modalités rares, tâches ponctuelles à grand contexte — le catalogue derrière une seule clé, plus de deux cents modèles à 0 % de marge au-dessus du prix catalogue du fournisseur, c'est là que vont ces requêtes.

La présentation honnête de ce paragraphe, c’est que nous ne sommes le fournisseur d’aucun des deux modèles ici. Nous sommes la couche qui rend la comparaison peu coûteuse à exécuter et le chemin d’escalade peu coûteux à maintenir.

L'affirmation à tester avant de vous engager

Tout ce qui précède se résume à une phrase non vérifiée : qu’un modèle de 120 milliards de paramètres dont 12 milliards sont actifs égale le plus grand modèle de raisonnement de NVIDIA avec environ un cinquième du nombre de paramètres. Si cela se vérifie, Super VL est le meilleur choix par défaut pour une charge de travail mixte, et Ultra est réservé à la fine frange de problèmes qui en ont réellement besoin. Si ce n’est pas le cas — et un jour après la sortie, personne en dehors de NVIDIA ne l’a mesuré — alors les deux niveaux ne sont que des tailles différentes de la même chose, et le choix se réduit de nouveau à ce dont votre tâche a besoin : des pixels ou pas de pixels, un nœud ou une baie.

Le test est peu coûteux et précis. Prenez cinquante tâches réelles dans votre propre file d’attente qui ont une réponse vérifiable, exécutez-les sur les deux, et mesurez l’achèvement plutôt que les scores de benchmark. Ce chiffre, pas celui de NVIDIA, est celui qui détermine le palier pour lequel vous achetez du matériel — et c’est le chiffre qui restera vrai lorsque la prochaine version de Nemotron réinitialisera cette page.