Nemotron 3.5 Bolt 74B לעומת DeepSeek V4 Pro: שניהם פתוחים, אחד נכנס ל-24GB

N​VIDIA's N​emotron 3.5 Bolt 74B-A9B 24GB and DeepSeek V4 Pro are on the same side of the open-versus-closed line and nowhere near each other on the hardware line. Both publish weights you can download, both permit commercial use, and both can be served without asking anyone's permission. One of them is 74 billion parameters with 9 billion active, quantised to fit in 24 gigabytes so it runs on a laptop-class machine next to your other applications. The other is 1.6 trillion parameters with 49 billion active, and the phrase "deployment footprint" does not mean what it means for the first one.

ההבדל הזה בעל השלכות גדולות יותר מאשר ציוני המדד, וציוני המדד כבר רחוקים זה מזה ב-15 נקודות. להלן ההשוואה שצוות באמת צריך לערוך: לא איזה מודל טוב יותר באופן תיאורטי, אלא איזה מבין שני המוצרים הללו עם משקולות פתוחות תוכלו להפעיל בפועל, באיזו איכות, ובאיזה מחיר.

שתי צורות שונות מאוד של "פתוח"

Worth stating plainly before any of it, though, because the two open-weight halves did not arrive the same way. D​eepSeek published V4 Pro as a product, with a card and a rate card. N​VIDIA has not announced N​emotron 3.5 Bolt 74B-A9B 24GB at all. The files simply appeared: the 24GB quantised repository on 7 October 2026, its GGUF conversion hours later, a BF16 checkpoint on 9 October, the LiLiCorr speculative drafter on 12 October. Sixteen days of silence on N​VIDIA's own channels is the state of things, so the verifiable half of this comparison is what a repository can prove — licence, parameter counts, file formats, the serving recipe on the card — and the unconfirmed half is everything a launch post would have carried. The throughput and agentic figures below are N​VIDIA's own and are marked as such, because there is no third party except one index to check them against.

התחילו עם הרישיון ועם הצ'קפוינט, כי שם באמת מתקבלת החלטה על משקלים פתוחים.

• Licence — N​emotron 3.5 Bolt 74B-A9B 24GB: OpenMDW-1.1, a permissive model-weights licence with an explicit commercial-use carve-in; N​VIDIA's card states the model is ready for commercial or non-commercial use. DeepSeek V4 Pro: MIT, which is about as unrestricted as a weights licence gets.

• What is actually publishable — N​emotron 3.5 Bolt 74B-A9B 24GB: the 24GB IQ2 build, a BF16 checkpoint before quantisation, GGUF builds for llama.cpp, and a separate LiLiCorr speculative drafter. DeepSeek V4 Pro: the full-weight checkpoint and its derivatives.

• Where the checkpoint came from — N​emotron 3.5 Bolt 74B-A9B 24GB: compressed from N​VIDIA's N​emotron 3.5 Super VL 120B-A12B parent using Star Elastic, a router-guided architecture search, then quantised with quantisation-aware distillation. It is a distilled child, not a from-scratch model, and N​VIDIA's own research page argues explicitly that compressing a large model into a fixed budget beats training a small one from scratch. DeepSeek V4 Pro: a natively trained frontier-scale mixture-of-experts.

הסעיף השלישי הזה הוא זה שמכריע את רוב ההערכות שתקראו. כל השוואת ביצועים בין השניים היא השוואה בין פילוסופיית עיצוב של דחיסה אגרסיבית לבין פילוסופיית עיצוב של סקייל, ושתיהן אינן מתכנסות לאותם עומסי עבודה.

במה כל אחד מודד

Artificial Analysis הריצה את שניהם, על אותה גרסה עדכנית של האינדקס שלה, וזו הסיבה היחידה שאפשר לכתוב משפט כזה בכלל.

• Intelligence Index — N​emotron 3.5 Bolt 74B-A9B 24GB 21, fourth of 67 models in its open-weight size class. DeepSeek V4 Pro 36, ninth of 116, measured on the 0813 build in the max configuration.

• Cost per Intelligence Index task — N​emotron 3.5 Bolt 74B-A9B 24GB: not applicable, because the panel records no public API for it and there is no metered price to divide by. DeepSeek V4 Pro: 0.67 dollars measured on the panel's own weighted basis.

• Output speed — N​emotron 3.5 Bolt 74B-A9B 24GB: N​VIDIA reports 83.99 tokens per second on AIPerf SPEED-Bench-Coding with its drafter, on a Surface Laptop Ultra. DeepSeek V4 Pro: 96.3 tokens per second measured by Artificial Analysis against the hosted API. The two are not the same measurement and should not be subtracted from each other; what they establish is that both are fast enough that speed is not your constraint.

• Verbosity — N​emotron 3.5 Bolt 74B-A9B 24GB generated 230 million tokens during the panel's index run, against a median of 100 million for its class — the panel's own note calls it very verbose. DeepSeek V4 Pro generated 160 million against a median of 130 million. On a metered API that difference is a line item; on a local box it is electricity and wall-clock.

The 15-point index gap is real and is not closed by the fact that the smaller model is cheaper to run. What closes it, in the workloads where it closes at all, is the vendor's own benchmark set — and that set is worth reading with the right suspicion. N​VIDIA's card puts the Bolt model at Terminal-Bench 2.1 of 50.98 and BrowseComp of 66.75, ahead of every comparator column printed beside it. Those are N​VIDIA's numbers on N​VIDIA's card, and D​eepSeek is not one of the columns.

תרשים הפריסה הוא ההחלטה בפועל

This is where DeepSeek V4 Pro and N​emotron 3.5 Bolt 74B-A9B 24GB stop being substitutes for one another.

• Room to run. A 1.6-trillion-parameter model at 49 billion active needs a serving cluster. Even heavily quantised, the checkpoint alone is an order of magnitude past what a single workstation can hold, and the active-parameter count means every token touches a substantial slice of memory bandwidth regardless of the quantisation scheme. The Bolt model was designed against a stated ceiling — N​VIDIA's architecture search targets a footprint below 24GB at batch size one and 128K context — and the search is run with the downstream quantisation already accounted for.

• Minimum viable serving stack. N​emotron 3.5 Bolt 74B-A9B 24GB wants a specific vLLM nightly with the v2 model runner enabled, a downloaded reasoning-parser plugin, b12x kernels, and explicit MoE, Mamba and attention backend flags; llama.cpp covers the GGUF path. DeepSeek V4 Pro is served by the usual inference stacks at distributed scale, which is a different kind of project with a different kind of on-call rotation.

• קלטים. מודל Bolt מקבל טקסט, תמונות וווידאו, כאשר מתכון הייחוס מגביל את מספר פריימי הווידאו ומיישם קצב גיזום. רשימת המודאליות שפורסמה של DeepSeek V4 Pro היא טקסט נכנס, טקסט יוצא — קנה המידה של תערובת המומחים שלו מושקע בהסקה, לא בתפיסה.

• Context. 262,144 tokens for the Bolt model against roughly a million for DeepSeek V4 Pro. If your workload is a repository, a contract set or a long agent transcript, that is a real four-times difference and it is in D​eepSeek's favour.

Put plainly: if you have a datacenter and a workload that needs frontier reasoning, DeepSeek V4 Pro is the better model and the index says so. If you have a laptop, a Spark box or a workstation, and the requirement is that the model runs locally alongside everything else, N​emotron 3.5 Bolt 74B-A9B 24GB is not a compromise on that requirement — it is the only one of the two that meets it.

מה המודל הקטן יותר נותן לך מעבר לדיסק

שלושה דברים שלא מופיעים בציון אינדקס, אך כן מופיעים בסקירת פריסה.

• It runs with the network cable out. A 24GB checkpoint on local storage has no availability dependency, no rate limit and no provider incident. For an agent that runs on a machine you own, that is the whole design goal and the reason N​VIDIA compressed a 120B parent instead of shipping something at full precision.

• Speculation is cheap and safe here. The LiLiCorr drafter adds under a gigabyte on disk and N​VIDIA reports mean acceptance lengths of 4.68 greedy and 4.25 probabilistic at seven drafted tokens and concurrency 64. Because the target verifies every draft, a bad guess costs speed rather than accuracy — the output distribution is preserved. That property is what makes shipping a speculative path reasonable on a local box, and it is documented on the model card.

• כל המערך ניתן לבדיקה. המשקלים, תצורת הכימות, מודל הטיוטה, מתכון ההגשה והדוח הטכני — כולם פומביים. כשהמודל מתנהג שלא כשורה, אפשר לקרוא את התצורה במקום לפתוח פנייה.

לתמחר את שתי האפשרויות בכנות

השוואת המחירים אינה סימטרית, ולהעמיד פנים שהיא כן תהיה הטעות הקלה ביותר בעמוד הזה.

• N​emotron 3.5 Bolt 74B-A9B 24GB has no per-token price because it has no metered endpoint. Its cost is hardware you buy or already own, plus power, plus the engineering hours to stand up the serving recipe. Once that is paid, marginal cost per token is close to zero and stays there.

• DeepSeek V4 Pro is metered. On OrcaRouter it is routed at D​eepSeek's published list, 0.66 dollars per million input tokens and 1.98 dollars per million output tokens, with no markup added on top — so a vendor price move is live on our side the same day. For a workload in the millions of tokens a day, that is a budget line, not a rounding error.

• נקודת האיזון אינה מספר טוקנים, אלא פרופיל ניצול. מודל מקומי שיושב בטל הוא הוצאה הונית נטו. מודל מתארח שמבצע בקשה אחת בשבוע הוא כמעט חינם. נקודת ההצטלבות מתרחשת כאשר מספר הטוקנים שהייתם מודדים עולה על העלות המופחתת של המכונה, והדרך היחידה לדעת היכן היא נמצאת עבור התעבורה שלכם היא למדוד שבוע שלה.

יש גם אפשרות שלישית שכמעט ולא עולה דבר לנסות, והיא שOrcaRouter מנתב את DeepSeek V4 Pro על מפתח אחד לצד יותר מ-200 מודלים אחרים, עם מעבר אוטומטי בין ספקים במקרה של תקלה. לפני שמקדישים תחנת עבודה לבנייה מקומית של 24GB, השוואת הפלט של אותה בנייה מול מודל חזיתי בתשלום לפי שימוש על סט הפרומפטים שלך עולה כמה דולרים ומכריעה את שאלת האיכות באופן אמפירי במקום על סמך חוזקה של טבלת מדדים.

הגרסה של ההחלטה הזו שאיש לא מתחרט עליה

Run both, in the pattern each is good at. DeepSeek V4 Pro for the requests where reasoning depth or a million-token context is the point, and where the metered cost is visible and acceptable. N​emotron 3.5 Bolt 74B-A9B 24GB for the high-volume, private, multimodal or offline traffic, where the model being local is the requirement rather than a cost optimisation.

ההשוואה שאנשים ממשיכים לנסות לערוך — מספר אינדקס אחד מול משנהו — היא המסגרת הכי פחות מועילה כאן, מפני ששני המוצרים לא נבנו כדי להתחרות זה בזה. האחד נבנה להיות הטוב ביותר שאפשר בלי מגבלה של טביעת רגל. האחר נבנה להיות הטוב ביותר שאפשר בתוך 24 גיגה-בייט. שניהם פתוחים, שניהם לגיטימיים, וזו בדיוק הסיבה שהבחירה היא שלך לעשות ולא של ספק לעשות אותה בשבילך.

השוואות כמו זו הן גם המקום שבו מצבי הכשל מתגלים: תקריות AI מתועדות וכשלי סוכנים שמאחורי מודלים מהסוג הזה נאספים בארכיון תקריות AI של OrcaRouter, שבו כל רשומה נושאת את מקורותיה, החומרה, דירוג הביטחון ודגל המחלוקת שלה.