Kartu judul yang dihasilkan bertuliskan 'Qwen4-Max vs Nemotron 3.5 Super' dengan subjudul 'Yang satu Anda sewa per token, yang satu Anda beli per gigabyte' dan tiga kartu angka bertuliskan '43 vs 14 pada indeks', '$3.27 vs $0.56 per tugas' dan '248.94 GB bobot terbuka BF16'. Catatan kaki bertuliskan 'Bobot terbuka menurut NVIDIA; skor menurut Artificial Analysis Intelligence Index v5.0.1; tarif hosting menurut Artificial Analysis.' Gaya vektor datar pada latar belakang putih dengan aksen gradien biru dan sian, tanda OrcaRouter dikompositkan di kanan bawah.
Guides & Insights

Qwen4-Max vs Nemotron 3.5 Super: Satu Disewa per Token, Satu Dibeli per Gigabyte

Penulis

jinhao.song

Tanggal Terbit

Model terbaru · 20Lihat semua model →
Benchmark: Artificial Analysis · diperbarui setiap hari
Kembali ke semua artikel

Dua model dalam perbandingan ini tidak bersaing untuk pos anggaran yang sama. Qwen4-Max telah dihitung per token sejak 16 November 2026 dengan tarif $1,50 per juta input dan $4,50 per juta output di Singapura, dan model ini tertutup — tanpa bobot, tanpa unduhan, tanpa self-hosting, selamanya. NVIDIA Nemotron 3.5 Super VL dapat diunduh sejak 12 Oktober 2026 di bawah OpenMDW-1.1 sebagai checkpoint BF16 248,94 GB atau NVFP4 75,06 GB, dengan 120 miliar parameter yang 12 miliar di antaranya aktif, dan harga daftar hosted yang diukur pelacak independen untuk model ini adalah $0,20 input dan $0,50 output per juta. Pada indeks tersebut, Qwen4-Max mencetak 43 berbanding 14 milik Nemotron 3.5 Super VL. Untuk biaya per tugas yang diselesaikan, pelacak menyebut $3,27 berbanding $0,56. Jika dibaca bersama, keempat angka itu menggambarkan selisih kemampuan 29 poin, selisih harga 92% yang menguntungkan model terbuka, dan sebuah keputusan yang sebenarnya tentang apakah Anda menginginkan sebuah endpoint atau sebuah file.

Lisensi adalah baris pertama, bukan yang terakhir.

Sebagian besar perbandingan antara flagship tertutup Tiongkok dan rilis terbuka NVIDIA memperlakukan lisensi sebagai catatan kaki. Di sini, lisensi justru menentukan apa arti baris-baris lainnya.

• Bobot — {{1}}Qwen4-Max: tidak ada yang dipublikasikan, dan Alibaba belum menyatakan akan mempublikasikan apa pun untuk tingkat ini, hanya bahwa model Qwen4 yang lebih kecil akan di-open-source-kan dalam lini yang sama.{{/1}} {{2}}Nemotron 3.5 Super VL: build BF16 dan NVFP4 di Hugging Face, pertama kali dibuat 12 Oktober 2026, dengan pengumuman NVIDIA sendiri menyusul pada 15 Oktober.{{/2}}

• Lisensi — OpenMDW-1.1 di sisi NVIDIA, yang mengizinkan penggunaan komersial dan pasca-pelatihan pada data Anda sendiri. Sisi Alibaba adalah perjanjian API komersial dengan pengukuran per token dan tidak ada yang perlu disetujui selain ketentuan layanan.

• Fine-tuning — dimungkinkan pada Nemotron 3.5 Super VL, dan kartu NVIDIA mencantumkan kustomisasi serta adaptasi domain sebagai penggunaan yang dimaksudkan. Tidak ditawarkan pada harga berapa pun di Qwen4-Max; tidak ada endpoint fine-tuning dalam daftar kemampuannya.

• Bentuk deployment — yang satu adalah endpoint terkelola di enam region yang Anda akses melalui empat format wire. Yang lainnya adalah sekumpulan bobot yang harus Anda carikan GPU, plus stack inferensi, plus pekerjaan operasional yang menyertai keduanya.

• Apa yang tidak dapat Anda lakukan dengan keduanya — membeli bobot Qwen4-Max, atau memanggil Nemotron 3.5 Super VL dengan asumsi bahwa NVIDIA masih akan menyajikannya tahun depan. Yang kedua adalah keunggulan bobot terbuka yang dinyatakan secara negatif: tidak ada yang dapat menarik bobot yang sudah Anda miliki.

Asimetri itulah sebabnya perbandingan indeks secara langsung hampir tidak berguna di sini. Selisih 43-versus-14 memberi harga pada kapabilitas, dan baris yang hilang memberi harga pada opsionalitas, dan opsionalitas adalah hal yang sebenarnya dijual oleh model terbuka.

Membaca 14 terhadap 26: indeks bergerak di bawah model ini

Ada satu kerumitan yang perlu disebut, karena hal itu akan membingungkan siapa pun yang membandingkan angka hari ini dengan liputan Oktober. Artificial Analysis memberi Nemotron 3.5 Super VL skor 26 saat pertama kali mengevaluasinya, dan entri saat ini pada Intelligence Index v5.0.1 terbaca 14. Kedua angka itu ada di halaman pelacak itu sendiri; keduanya tidak dapat dibandingkan satu sama lain, karena revisi indeks berubah di bawah model tersebut. Yang semestinya diambil pembaca dari hal itu sempit: dalam v5.0.1, Nemotron 3.5 Super VL pada 14 dan Qwen4-Max pada 43 diukur oleh satu harness pada satu revisi dan dapat ditempatkan pada satu garis. Angka 26 adalah artefak historis dari rubrik yang berbeda, dan mengutip keduanya berdampingan seolah model itu mengalami regresi dua belas poin adalah keliru.

Bagian lain dari entri Nemotron di pelacak ini luar biasa informatif untuk sebuah model terbuka, karena harga hostingnya tersedia. Entri itu mencatat $0,20 dan $0,50 per juta token, diskon cache 95%, kecepatan keluaran 274 token per detik, 13,44 detik hingga token jawaban pertama, 5,0 menit per tugas indeks, konteks 1 juta token, dan rata-rata $0,56 per tugas indeks yang selesai pada 119 juta token keluaran yang dihasilkan. Deskripsinya jujur di kedua arah: termasuk di antara model terdepan dalam kecerdasan untuk model berbobot terbuka dengan ukuran serupa, lebih lambat dari rata-rata per tugas, sangat bertele-tele.

Kolom Qwen4-Max tidak memuat kecepatan, latensi, maupun waktu per tugas — kartu performa menunjukkan N/A. Nilainya 43, peringkat 38 dari 81, $1.50 dan $4.50, serta 127 juta token keluaran. Tingkat verbositasnya sebanding dengan Nemotron, yang membuat perbedaan biaya per tugas hampir seluruhnya merupakan perbedaan harga, bukan perbedaan perilaku: pada sekitar sepersembilan tarif per token untuk keluaran, model terbuka menyelesaikan tugas dengan biaya seperenam sekaligus memperoleh skor 29 poin lebih rendah.

A generated two-column scoreboard titled 'Qwen4-Max vs Nemotron 3.5 Super VL — the scoreboard'. The Qwen4-Max column reads Distribution hosted API only, Weights none published, AA Index 43 rank 38 of 81, Price per index task $3.27, Parameters 2.4T total 71B active, Fine-tuning not offered. The Nemotron 3.5 Super VL column reads Distribution open weights OpenMDW-1.1, Weights 248.94 GB BF16 / 75.06 GB NVFP4, AA Index 14, Price per index task $0.56, Parameters 120B total 12B active, Fine-tuning permitted. A footer reads 'Open weights per NVIDIA; AA figures per Artificial Analysis v5.0.1; hosted rates per AA.'

Apa yang sebenarnya Anda dapatkan dari 120B dengan 12B aktif

Nemotron 3.5 Super VL adalah mixture-of-experts dengan 120 miliar total parameter dan 12 miliar parameter aktif per token, yaitu angka yang menentukan biaya inferensi saat Anda menghostingnya sendiri. Model ini menerima teks dan gambar lalu mengembalikan teks. Tulang punggung bahasanya diinisialisasi dari Nemotron 3 Super Base, sebuah model khusus teks, dengan jalur visi ditambahkan setelahnya — sebuah encoder C-RADIO dan konektor yang dipasang sebagai tahap pelatihan tersendiri setelah pelatihan fondasi, distilasi, pra-pelatihan lanjutan Indic, ekstensi konteks panjang, dan pelatihan menengah rekayasa perangkat lunak semuanya selesai. Qwen4-Max adalah konstruksi yang berlawanan: tulang punggung 2,4 triliun parameter dengan 71 miliar parameter aktif per token, visi native sejak awal, 328 miliar parameter embedding N-gram tambahan yang diambil melalui lookup alih-alih dikalikan, dan jalur konteks yang dibangun di atas tiga lapisan Gated DeltaNet yang memampatkan riwayat untuk setiap lapisan Qwen Sparse Attention.

Salah satu arsitektur itu dirancang di sekitar gambar. Yang lainnya gambar ditempelkan belakangan. Apakah perbedaan itu muncul dalam beban kerja Anda merupakan pertanyaan empiris, tetapi arah risikonya bisa diketahui: jalur visi yang ditambahkan belakangan adalah tempat pipeline ekstraksi dokumen menemukan regresi pertamanya, dan kartu milik vendor sendiri memberi petunjuk ke arah yang sama, dengan skor IFBench 70,86 pada prompt longgar dibandingkan 82,9 untuk Nemotron 3 Ultra yang lebih besar.

Aritmetika hosting adalah separuh lainnya. NVIDIA menerbitkan dua checkpoint: {{1}}248,94 GB BF16{{/1}} dan {{2}}75,06 GB NVFP4{{/2}}, {{3}}selisih 173,88 GB{{/3}} untuk sekitar sepertiga dari jejak penyimpanan dan memori. Build NVFP4 adalah yang muat pada satu node akselerator modern alih-alih satu klaster, dan itu merupakan checkpoint milik NVIDIA sendiri alih-alih kuantisasi pihak ketiga, yang penting jika Anda peduli untuk mereproduksi angka terbitan vendor. Dengan 12 miliar parameter aktif per token, pertanyaan throughput menjadi soal ukuran batch dan GPU Anda, bukan soal daftar harga — yang justru merupakan kebebasan yang diperoleh lisensi terbuka dan justru merupakan usaha yang harus dikeluarkan.

A headless-browser screenshot of the Hugging Face model card for nvidia/NVIDIA-Nemotron-3.5-Super-VL-120B-A12B-BF16, captured 16 November 2026 in English, showing the repository name and like count, Image-Text-to-Text, Transformers, Safetensors and PyTorch tags, the nemotron_h_omni and nemotron-3.5 tags, a link row for the pre-training datasets, developer page and paper, and the start of the card describing it as the full-precision release of NVIDIA Nemotron 3.5 Super VL, a vision-language model for reasoning.

Ketika selisih 29 poin berhenti menjadi angka penentu

Tiga beban kerja membuat model terbuka menjadi pilihan pembelian yang lebih baik meskipun skornya kurang dari sepertiga Qwen4-Max.

• Deployment teregulasi atau air-gapped — yang mana pertanyaannya bukan harga, melainkan apakah data dapat keluar dari gedung, dan endpoint sewaan didiskualifikasi sebelum indeks dikonsultasikan. Nemotron 3.5 Super VL pada 75,06 GB NVFP4 adalah model on-premise yang masuk akal; Qwen4-Max tidak memiliki bentuk on-premise.

• Klasifikasi, perutean, dan ekstraksi bervolume tinggi — di mana skor 14 pada indeks umum masih bisa memadai, panjang output ditetapkan oleh skema, dan 274 token per detik dengan $0,20 per juta input satu orde magnitudo lebih murah daripada apa pun yang diukur dengan tarif frontier.

• Apa pun yang perlu mempelajari data Anda — fine-tune pada gambar dan dokumen Anda sendiri tersedia di satu sisi dan tidak tersedia di sisi lain, berapa pun anggarannya, dan tidak ada rekayasa prompt sebanyak apa pun yang dapat menggantikannya ketika kosakata domainnya hanya milik Anda sendiri.

Dan tiga hal yang tetap menjadikan Qwen4-Max jawaban yang tepat: pekerjaan agentic jangka panjang yang kesenjangan skornya langsung berujung pada tugas multi-langkah yang gagal, permintaan yang melewati beberapa ratus ribu token dan memerlukan konteks satu permintaan tanpa chunking, serta tim mana pun yang menginginkan output terstruktur, pemanggilan alat paralel, dan caching dari sebuah endpoint hari ini alih-alih stack inferensi kuartal depan. Qwen4-Max juga mempublikasikan kedua batas atas inputnya — 991.808 token dalam mode non-thinking, 983.616 dalam mode thinking — angka yang biasanya butuh seminggu bagi tim self-hosting untuk menemukannya.

Apa yang bukan salah satu dari kedua hal ini, dan apa yang sebenarnya dapat dirutekan

Tidak ada model yang ada dalam katalog OrcaRouter per 16 November 2026. Qwen4-Max dapat diakses melalui API Model Studio milik Alibaba sendiri dan beberapa platform pihak ketiga; Nemotron 3.5 Super VL tersedia sebagai bobot yang dapat diunduh ditambah sejumlah penyedia terkelola. Halaman perbandingan yang menyiratkan bahwa salah satu dari keduanya hanya perlu satu kunci API akan berbohong tentang besarnya upaya yang diperlukan.

Yang dirutekan di sini adalah generasi sebelumnya dari sisi tertutup: qwen/qwen3.8-max dengan $2.00 untuk input dan $6.00 untuk output per juta token, harga daftar vendor yang diteruskan dengan markup 0%, pada kunci yang sama dan endpoint yang kompatibel dengan OpenAI yang sama seperti bagian lain dari katalog. Bagi tim yang mengevaluasi perbandingan ini, itu adalah posisi perantara yang berguna — ukur beban kerja Anda terhadap Qwen unggulan yang dirutekan yang dapat Anda panggil hari ini, dan gunakan angka itu untuk memutuskan apakah peningkatan ke Qwen4-Max layak mendapatkan kontrak kedua, alih-alih membeli integrasi sebelum Anda memiliki buktinya.

A headless-browser screenshot of the OrcaRouter model page for qwen/qwen3.8-max, captured 16 November 2026 in English, showing the Qwen3.8 Max heading and identifier, text, image and video input with a 1M-token context window, an OpenAI-compatible endpoint at api.orcarouter.ai/v1, the price block reading $2.00 input and $6.00 output per million tokens, measured latency, 144.9M tokens served and a zero-data-retention note.

Jalur yang biasanya menentukan dalam praktik sama sekali bukan model unggulan. Pipeline bervolume tinggi cenderung berakhir terpecah: model murah yang melakukan penyortiran dan ekstraksi, model kuat yang melakukan proses akhir, dan cadangan untuk hari ketika model utama sedang tidak prima. OrcaRouter memiliki DSL perutean yang tersedia untuk menyatakan pembagian itu dalam satu panggilan alih-alih tiga integrasi, dan failover otomatis tersedia untuk membuat bagian murah aman diandalkan. Belum ada satu pun dari dua model dalam artikel ini yang berada di jalur itu; pola ini layak diketahui karena di situlah adu model seperti ini biasanya berakhir.

Ujian yang memutuskannya, dan berapa biayanya

Jalankan 200 tugas tersulit Anda sendiri melalui keduanya. Bukan benchmark vendor, bukan indeks — tugas Anda, dengan panjang output Anda.

{{1}}Tetapkan harga untuk varian Qwen4-Max sebesar $1.50 dan $4.50 per juta token terukur, dan catat bahwa model tersebut tidak memiliki kecepatan yang dipublikasikan, jadi ukur latensi sendiri atau terima bahwa Anda membeli sesuatu yang belum diketahui.{{/1}} {{2}}Tetapkan harga untuk varian Nemotron dengan dua cara: pada tarif hosted $0.20 dan $0.50 jika Anda menginginkan perbandingan murah, dan pada biaya per jam GPU Anda sendiri dibagi dengan token yang dilayani jika Anda serius soal self-hosting, karena tarif hosted adalah kurva utilisasi orang lain dan tidak akan menjadi milik Anda.{{/2}} {{3}}Lalu lihatlah kegagalan alih-alih rata-rata, karena selisih indeks 29 poin muncul sebagai tugas yang tidak selesai sama sekali, bukan sebagai tugas yang selesai sedikit lebih buruk.{{/3}}

Jawaban yang paling sering dicapai oleh tim bukanlah satu pemenang tunggal, melainkan pembagian: model terbuka untuk volume dan data teregulasi, model unggulan berbayar per penggunaan untuk pekerjaan yang jawaban parsialnya tidak berguna. Itu adalah arsitektur yang lebih mahal daripada salah satu pilihan tunggal mana pun, dan biasanya justru merupakan pilihan yang benar — yang juga menjadi alasan baris lisensi layak dibaca lebih dulu dan baris indeks kedua, serta mengapa tarif hosting $0.20 untuk model yang tidak perlu dipensiunkan oleh siapa pun adalah angka paling menarik dalam perbandingan ini.

Dibandingkan dalam artikel ini1

Terdeteksi dari artikel ini · Benchmark: Artificial Analysis · diperbarui setiap hari