Nemotron 3.5 Super VL vs Qwen3.8-Max : le palier à poids ouverts face à la frontière facturée à l’usage

Quelqu'un qui planifie un pipeline de traitement de documents ce trimestre a exactement deux formes entre lesquelles choisir, et ce ne sont pas les mêmes formes. NVIDIA Nemotron 3.5 Super VL est un checkpoint vision-langage de 120 milliards de paramètres, dont 12 milliards actifs, sous OpenMDW-1.1, dont les poids ont été publiés le 12 octobre 2026, trois jours avant l'annonce de NVIDIA lui-même le 15 octobre : vous le téléchargez, vous l'hébergez, vous payez en GPU et en électricité. Qwen3.8-Max est le fleuron propriétaire d'Alibaba — un mélange d'experts de 2,4 billions de paramètres avec 95 milliards de paramètres actifs, une entrée vision, une fenêtre de contexte de 1 million de jetons et une facturation par jeton à 2 $ par million en entrée et 6 $ par million en sortie avec une remise de cache de 88 %. L'une est une dépense d'investissement avec un contrôle total ; l'autre est une dépense d'exploitation avec une grille tarifaire. Tout le reste dans cette comparaison découle de cette séparation.

Deux modèles économiques arborant un comparatif de référence

Il est tentant de les comparer sur leurs capacités et de déclarer un vainqueur. Ce cadrage masque la véritable décision, qui porte sur la question de savoir à qui appartient le mode de défaillance. Avec Super VL, si le débit vous déçoit, vous réentraînez, requantifiez ou achetez un autre matériel — c'est à vous de relever le plafond. Avec Qwen3.8-Max, si le débit vous déçoit, vous changez la chaîne du modèle ou vous négociez ; le plafond appartient à Alibaba, et la feuille de route aussi.

Cette différence est lisible dans ce que chaque fournisseur a publié. NVIDIA a livré un rapport technique, des recettes d’entraînement, des jeux de données ouverts, des environnements RL et trois voies distinctes de décodage spéculatif pour la famille — l’appareillage d’un modèle destiné à être déployé et modifié. Qwen a livré une API avec une grille tarifaire et une remise sur le cache, soit l’appareillage d’un modèle destiné à être consommé.

Ce que Super VL vous offre qu'un point de terminaison hébergé ne peut pas

NVIDIA Nemotron 3.5 Super VL est un modèle hybride : des couches Mamba-2 entrelacées, un mélange d'experts avec 512 experts routés par couche MoE, et des couches d'attention sélectionnées, réunis à un encodeur visuel C-RADIO et à un connecteur vision-langage. En entrée : du texte, des images et des trames vidéo ; en sortie : du texte. Son socle linguistique a été initialisé à partir de Nemotron 3 Super Base, distillé sur un billion de tokens depuis Nemotron 3 Ultra Base, puis doté d'une extension de 35 milliards de tokens vers un contexte de 1 M, d'un pré-entraînement intermédiaire en ingénierie logicielle et d'une phase de récupération de contexte long. La prédiction multi-tokens native assure le décodage spéculatif sans drafteur distinct. Il s'exécute en BF16 sur 4×H100 ou 2×GB200, avec une version NVFP4 et un microservice NIM pour le déploiement en production.

• Ce que vous possédez — les poids, le tokeniseur, l’encodeur visuel, le pipeline de post-entraînement et la piste d’audit. Chaque prompt reste à l’intérieur de votre périmètre, ce qui, pour les activités d’assurance, de crédit, de santé ou de défense, n’est pas une préférence mais une exigence.

• Ce que vous payez — les accélérateurs. Quatre H100 en pleine précision constituent le billet d’entrée, et la courbe des coûts dépend de l’utilisation : coûteux au repos, quasi gratuit à saturation.

• Ce à quoi vous renoncez — une grille tarifaire. Au 16 octobre 2026, aucun prix publié pour Super VL n’est disponible auprès de qui que ce soit, donc toute comparaison de coût total que vous établissez aujourd’hui repose sur vos propres mesures de débit, et non sur un chiffre de fournisseur.

Ce que Qwen3.8-Max vous offre et qu’un checkpoint ne peut pas.

Qwen3.8-Max active 95 milliards de paramètres par token à partir d'un vivier de 2 400 milliards de paramètres, accepte aussi bien des images que du texte et dispose par défaut d'une fenêtre de contexte d'un peu moins d'un million de tokens. Sur Artificial Analysis, il affiche un Intelligence Index de 45, soit dix-neuf points de plus que les 26 enregistrés pour NVIDIA Nemotron 3.5 Super VL sur le même indice — et contrairement à la plupart des chiffres de cette page, ces deux valeurs proviennent de mesures tierces et non d'affirmations de fournisseurs.

• Ce que vous obtenez — un généraliste de classe frontière, vision incluse, appelable dès cet après-midi avec une clé API. Aucun matériel, aucune opération, aucune planification de capacité.

• Ce que vous payez — 2 $ en entrée et 6 $ en sortie par million de tokens, avec une remise de 88 % sur l’entrée mise en cache, ce qui change l’économie de toute charge de travail avec un grand préfixe stable : un long prompt système, un document fixe, un schéma d’outil persistant.

• Ce à quoi vous renoncez — les poids. Aucun téléchargement, aucun déploiement local, aucun fine-tuning du modèle de service, et aucune possibilité de garder les données sur votre propre matériel.

La remise sur le cache mérite une note spécifique, car c'est le nombre le plus souvent mal modélisé dans l'une comme dans l'autre des colonnes. Une réduction de 88 % sur l'entrée mise en cache ne signifie pas une facture 88 % moins chère ; cela signifie que la partie répétée de votre prompt coûte environ un neuvième du prix catalogue, et le bénéfice évolue avec la proportion de chaque requête qui est réellement identique à la précédente. Les pipelines qui renvoient un grand préambule statique en bénéficient énormément. Les pipelines qui envoient un nouveau document à chaque appel n'en bénéficient quasiment pas.

La politique de prix, gérée honnêtement

L'instinct est de calculer un seuil de bascule — à partir de combien de tokens l'auto-hébergement devient-il gagnant ? Ce calcul produit un nombre, et ce nombre est généralement faux, car il omet les deux coûts qui dominent : le temps d'ingénierie nécessaire pour maintenir à jour une stack d'inférence auto-hébergée, et le coût d'opportunité d'un modèle plus petit sur les cas difficiles.

Une version plus utile : confrontez votre profil de trafic réel aux tarifs publiés de Qwen3.8-Max et obtenez un chiffre mensuel exact, car de ce côté-là, il existe une grille tarifaire. Demandez ensuite quelle fraction de ce trafic un modèle à 12B de paramètres actifs peut traiter selon vos critères, et ne chiffrez en GPU que cette fraction. Dans la plupart des pipelines d’extraction de documents, la réponse est que l’essentiel du volume est mécanique — factures, formulaires, graphiques, mises en page répétitives — et qu’une petite queue porte le jugement. L’essentiel est là où l’auto-hébergement gagne ; la queue est là où un modèle de pointe comme Qwen3.8-Max gagne.

Cette séparation est précisément ce à quoi sert notre propre couche de routage, et les faits pertinents sont suffisamment restreints pour être énoncés simplement. Qwen3.8-Max figure dans notre catalogue en tant que qwen/qwen3.8-max/ au prix catalogue d'Alibaba avec 0 % de marge — quel que soit le prix facturé par le fournisseur, c'est ce que vous payez, et une baisse de prix du fournisseur est appliquée le jour même plutôt qu'au prochain cycle de facturation. NVIDIA Nemotron 3.5 Super VL ne figure pas dans notre catalogue et n'y figurera jamais sous la forme d'un point de terminaison, car c'est un checkpoint que vous hébergez plutôt qu'un service que n'importe qui peut vous revendre. Ce qui se situe entre les deux, c'est la composition : le DSL de routage permet à un seul appel de se ramifier, de sorte que les pages mécaniques peuvent aller vers le modèle bon marché que vous leur indiquez, tandis que celles qui nécessitent un jugement sont escaladées, et le basculement automatique déplace une requête vers une ressource amont saine lorsque celle vers laquelle elle se dirigeait se dégrade. Une clé pour la moitié hébergée, vos propres GPU pour l'autre, une politique unique qui décide quelle requête va où.

Un exemple concret plutôt qu’une hypothèse : le même pipeline peut envoyer un formulaire d’une page à un petit modèle de texte via le catalogue, acheminer un rapport annuel riche en graphiques vers un modèle de vision, et garder Qwen3.8-Max en réserve pour la minorité de documents où l’extraction est réellement ambiguë. Le modèle de réserve coûte 6 $ par million de jetons de sortie et rien lorsqu’il n’est pas utilisé, ce qui est une bien meilleure solution que de provisionner un quatrième H100 pour une charge de travail qui connaît des pics deux fois par mois.

Qui devrait faire quoi, à partir de cette semaine

Si votre travail implique des données réglementées — toute catégorie où l'envoi d'une page à un tiers exige un examen juridique — la décision est prise pour vous : ce sera Super VL, plancher matériel compris. Si votre travail consiste à comprendre de gros volumes de documents et d'écrans dans une posture de confidentialité normale, la réponse correcte la moins chère pour la plupart des équipes en ce moment est le modèle frontier à l'usage, car il fonctionne dès aujourd'hui et son prix est connu. Si vous vous situez entre les deux, ce qui est le cas de la plupart des pipelines réels, les deux ne sont pas du tout concurrents : Qwen3.8-Max pour la queue difficile et un Super VL auto-hébergé pour le volume, avec un routeur qui décide à chaque requête.

Ce qui changerait cette page, c'est un tarif publié pour Super VL par n'importe quel fournisseur de service. Dès qu'un checkpoint Nemotron apparaît derrière un point de terminaison facturé à l'usage, l'objection du plancher de déploiement s'évapore, la comparaison devient prix contre prix, et la question intéressante passe de quel modèle à quel fournisseur. D'ici là, les deux colonnes répondent encore à des questions différentes — et la réponse honnête à « lequel est meilleur » est qu'un modèle avec un prix et un modèle avec une licence ne sont pas des objets de la même nature.