Nemotron 3.5 Super vs DeepSeek V4 Pro: la tabella di benchmark che NVIDIA non ha pubblicato

Apri la scheda del modello di NVIDIA per NVIDIA Nemotron 3.5 Super VL — il checkpoint aperto da 120 miliardi di parametri che il fornitore elenca anche come NVIDIA Nemotron 3.5 Super e che Ollama distribuisce come nemotron-3.5-super — e scorri fino alla tabella di valutazione. Troverai circa quaranta benchmark e sette colonne di baseline. Una di quelle colonne è DeepSeek: è etichettata DeepSeek-V4-Flash0731. Il tier economico di DeepSeek stesso. DeepSeek V4 Pro, il flagship da 1,6 trilioni di parametri che ha sostituito l'anteprima di aprile nella revisione 0813, non compare da nessuna parte nella tabella.

Quell'assenza è il fatto più utile di questo confronto, e non è una svista. V4 Pro attiva 49 miliardi di parametri per token. Metterlo nella stessa tabella di un modello da 12 miliardi di parametri attivi produrrebbe una serie di numeri che non lusingano nessuno e non informano nessuno, perché i due modelli non sono lo stesso prodotto. Ciò che invece ha fatto il fornitore è la versione onesta dell'esercizio: confrontarsi con la fascia che intendi effettivamente spodestare.

Quindi questa pagina fa due cose. Legge il confronto pubblicato da NVIDIA — Nemotron 3.5 Super contro la fascia flash di DeepSeek — e poi è esplicita, nei punti in cui i due modelli competono davvero, su ciò che si può e non si può concludere riguardo al modello di punta.

I due artefatti, fianco a fianco

• Parametri totali e attivi — Nemotron 3.5 Super VL 120B totali con 12B attivi per token, 512 esperti instradati per layer MoE, ibrido Mamba-2 e Transformer · DeepSeek V4 Pro 1.6T totali con 49B attivi, solo testo.

• Contesto e limite di output — 1.048.576 token di contesto per Super VL senza limite di output pubblicato · 1.048.576 token di contesto per V4 Pro con 384.000 token di output massimo.

• Modalità — testo, immagine e video in ingresso con testo in uscita, tramite un encoder visivo C-RADIO e un connettore visione-linguaggio · testo in ingresso, testo in uscita. Nessun percorso per le immagini.

• Pesi e licenza — OpenMDW-1.1 sul checkpoint NVIDIA, uso commerciale consentito · DeepSeek pubblica i propri pesi e ne consente altresì l'uso commerciale.

• Prezzo su un endpoint a consumo — nessuno pubblicato; il modello è disponibile solo in self-host · $0,66 per milione di token in input e $1,98 per milione in output, con letture dalla cache a $0,022.

• Impronta del rilascio — pesi su Hugging Face il 12 ottobre 2026, annuncio del fornitore il 15 ottobre 2026 · V4 Pro come modello di punta, con la revisione datata 0813 disponibile per i chiamanti che necessitano di un pin.

Due di quelle righe decidono la maggior parte delle implementazioni reali. La prima è la modalità: se il tuo input è uno screenshot, un contratto scansionato, un grafico o un fotogramma video, metà di questo confronto è già finita prima ancora di iniziare, perché DeepSeek V4 Pro non ha un percorso per le immagini né un piano annunciato per averne uno. La seconda è la riga del prezzo, ed è più interessante di quanto sembri — NVIDIA non pubblica alcuna tariffa per questo modello, il che significa che l'unico modo per conoscere il tuo costo è conoscere il tuo volume di token e il costo del tuo hardware.

Leggendo la tabella che NVIDIA ha effettivamente pubblicato

Il confronto di fascia flash è più serrato di quanto suggeriscano i conteggi dei parametri, e non è uniformemente poco lusinghiero per NVIDIA. Nelle righe in cui i due sono più vicini, il quadro è un autentico pareggio sulla conoscenza e un deficit reale sull'esecuzione agentica.

• Un pareggio statistico nelle scienze di livello post-laurea — GPQA-Diamond 89,52 per Super VL contro 89,6 per DeepSeek-V4-Flash. Quattro centesimi di punto separano un modello da 120B da una baseline di classe 1e12 su questa riga, entrambi eseguiti dai rispettivi produttori.

• Un deficit sul ragionamento più difficile — Humanity's Last Exam solo testo 31,79 contro 35,8, e MMLU-ProX 76,91 contro 85,5.

• Un deficit nella programmazione competitiva — LiveCodeBench v6 88,22 contro 94,6.

• Un deficit nel lavoro su software agentico — SWE-bench Verified 71,10 contro 75,4, Terminal-Bench 2.1 66,70 contro 76,80, DeepSWE 24,65 contro 42,3.

• Un netto deficit nel recupero su contesto lungo — AA-LCR v1.1 68,62 contro 79,7. Entrambi i modelli pubblicizzano un milione di token; sull'unica riga di recall in stile indipendente la fascia flash è più avanti di oltre undici punti. È il numero più rilevante in assoluto sul tavolo per chiunque intenda usare il contesto pubblicizzato anziché averlo semplicemente a disposizione.

• Righe in cui NVIDIA vince — GraphWalks 89,71 contro 65,4, il proxy LMArena v3 52,67 contro 49,8, e tau2-bench retail a 69,24 contro 73,8 è abbastanza vicino da poter essere rumore su un benchmark così rumoroso. AA-Omniscience è la vittoria più indicativa: il tasso di allucinazione di NVIDIA pari a 30,0 contro il 95,9 di DeepSeek, e un indice positivo di 4,03 contro meno 7,8. Un modello che si astiene vale più di un modello che asserisce, e su questa riga il divario non è marginale.

• Strumenti agentici — tau2-bench airline 76.50 contro 83.5 e telecom 73.19 contro 98.2, entrambe sconfitte. Nel dominio telecom il tier flash sfiora la conquista totale.

Ognuno di questi è riportato dal fornitore attraverso l'harness NeMo Gym di NVIDIA con una ricetta pubblicata. Questo è uno standard più alto di una semplice affermazione e più basso di una ri-esecuzione indipendente, e su questa particolare tabella la direzione della maggior parte delle righe è contro il modello che viene annunciato, il che è almeno un segno che l'harness non è stato messo a punto per lusingare.

Cosa non si può concludere su V4 Pro, e perché è comunque importante

Non puoi leggere nulla di quanto sopra come una previsione dello scontro di punta, per tre ragioni che vale la pena dichiarare anziché sorvolare.

Innanzitutto, la baseline non è il flagship. I numeri sugli agenti pubblicati da DeepSeek stessa per la revisione 0813 di V4 Pro sono su una scala completamente diversa: 87,9 su Terminal Bench 2.1, 83,3 su Cybergym, 74,1 su Toolathlon Verified, 62,7 su DeepSWE, 61,5 su NL2Repo e 42,7 su Humanity's Last Exam senza strumenti, che sale a 60,0 con essi. Rispetto ai 66,70 di NVIDIA su Terminal-Bench 2.1 e ai 31,79 su HLE solo testo, il divario del flagship è molto più ampio di quello della fascia flash, ed è ampliato dal fornitore dell'altro modello, il che non lo rende più affidabile, ma solo più marcato.

In secondo luogo, la colonna flash-tier è un'istantanea di un livello che si è a sua volta spostato. Una riga che oggi si legge bene può leggersi male il mese prossimo senza che nessuno dei due modelli cambi, perché il confronto dipende da quale checkpoint il fornitore ha scelto di eseguire.

In terzo luogo, il quadro indipendente per il checkpoint NVIDIA è abbastanza esile da risultare quasi inutile come criterio di spareggio: il pannello di terze parti che valuta questi modelli lo colloca intorno ai venticinque sul suo indice, con un conteggio di token di output per attività insolitamente elevato e una nota secondo cui il modello è alquanto verboso. Un singolo punto dati, da un singolo pannello, quattro giorni dopo la comparsa dei pesi.

Dunque il riassunto onesto del caso benchmark è questo: sui numeri pubblicati dal fornitore, un modello vision open con 12B di parametri attivi è più o meno allo stesso livello della fascia economica di DeepSeek per quanto riguarda la conoscenza, e resta indietro su esecuzione agentica e recall su contesto lungo; nulla in quella tabella riguarda il modello di punta, e i numeri pubblicati dal modello di punta stesso sono migliori su ogni asse su cui i due possano essere confrontati.

L'unico asse in cui il confronto è banale

Immagini. Non perché Nemotron sia bravo nella visione — nessuno ha pubblicato una valutazione indipendente del suo percorso di visione, e il runtime distribuito, per impostazione predefinita, campiona alla temperatura di testo della scheda anziché alla sua temperatura di visione, il che è una trappola concreta per la prima persona che prova a usarla — ma perché DeepSeek V4 Pro non le accetta.

Quell'asimmetria ha una conseguenza sui costi facile da trascurare. Un modello ospitato con capacità visive fattura una pagina di un documento scansionato in base al suo numero di token, e una pagina a 300 dpi non è un numero esiguo di token. Un checkpoint self-hosted da 120B fattura la stessa pagina in secondi GPU. Su un carico di lavoro di qualche migliaio di pagine al mese la differenza è rumore di fondo; su qualche centinaio di migliaia è l'intera conversazione sul budget. Le stesse righe di visione di NVIDIA — 62,82 su MMLongBench-Doc, 78,16 su MathVision, 80,82 su CharXiv reasoning, 68,12 su OCRBench v2 English — sono numeri del fornitore, ma stabiliscono che la capacità è reale e non solo nominale.

L'altro asse su cui il confronto si ribalta è quello che tutti chiedono e pochi misurano: la memoria. V4 Pro con 1,6 trilioni di parametri totali non entra neanche lontanamente in una singola macchina. Super VL con 82,3 GiB nel suo tag predefinito a 4 bit entra su una scheda da 96 GB con spazio per un contesto di lavoro. Non è un argomento di qualità. È la differenza tra un modello che il tuo team può scaricare ed eseguire stasera e un modello che noleggi.

Eseguire l'aritmetica invece del benchmark

Ecco il calcolo che vale la pena fare prima di leggere un'altra tabella. Prendi un carico di lavoro di un milione di token in input e centomila token in output — un mese banale per una pipeline documentale, una giornata pesante per un prodotto di chat.

In base alla tariffa pubblicata di DeepSeek V4 Pro, sono 0,66 $ di input più 0,198 $ di output: meno di un dollaro, prima che gli sconti sulla cache abbassino ulteriormente la parte di input. Sul checkpoint NVIDIA non c'è alcuna tariffa, perché non c'è alcun endpoint. Il costo è qualunque frazione di un'ora GPU consumi quel volume, e a questi volumi la risposta si arrotonda a nulla — ma il costo fisso che c'è dietro no. Quattro H100 non diventano economiche perché il traffico del tuo primo mese è basso.

Questa è la vera natura di questo confronto, ed è una questione di volume, non di qualità. Al di sotto di una certa capacità di elaborazione, l'API open-weight a consumo è semplicemente più economica dell'elettricità e dell'ammortamento dell'hardware, anche se entrambi i modelli sono aperti. Al di sopra di una certa capacità di elaborazione, il costo fisso si inverte e il checkpoint self-hosted vince sul costo a prescindere da quale dei due ottenga un punteggio più alto su Terminal-Bench. Il punto di incrocio dipende dal tuo utilizzo, non dall'uno o dall'altro fornitore.

E così arriviamo alla questione del routing: se preferisci non far girare affatto il cluster, DeepSeek V4 Pro è raggiungibile su OrcaRouter al prezzo di listino del fornitore, trasferito senza alcun ricarico per token — 0,66 $ e 1,98 $, gli stessi numeri che DeepSeek pubblica, perché non vi aggiungiamo nulla. Una variazione di prezzo del fornitore diventa effettiva da noi lo stesso giorno, anziché al successivo rinnovo contrattuale. Nemotron 3.5 Super non è sulla nostra chiave; instradiamo poco più di duecento modelli e questo non è uno di essi, quindi se ti serve proprio quel checkpoint, i canali del fornitore stesso e il pull locale sono la via da seguire.

Cosa fare concretamente

Se il tuo input è testo e il tuo carico di lavoro è agentico — lunghe catene di strumenti, modifiche su scala di repository, sessioni terminale — DeepSeek V4 Pro è il modello migliore e anche il più economico, e il checkpoint NVIDIA non è un serio contendente contro di esso sulle righe pubblicate dal fornitore stesso. Esegui prima il carico di lavoro su V4 Pro, ottieni un costo reale per unità di lavoro, e solo allora decidi se un cluster è giustificato.

Se il tuo input consiste in immagini, video o documenti lunghi, il confronto si riduce a un'unica domanda sul volume, perché V4 Pro non può accettare l'input in alcun modo. Al di sotto di qualche migliaio di pagine al mese, mantienilo ospitato. Al di sopra, il checkpoint a 4 bit su una singola scheda da 96 GB è un pezzo credibile di infrastruttura — con due avvertenze che vale la pena ripetere: la versione che la maggior parte delle persone eseguirà non ha alcuna valutazione pubblicata, e i default di campionamento del runtime stesso sono ottimizzati per la metà testuale di ciò che il fornitore pubblicizza come modello visivo.

E se metti un checkpoint vecchio di quattro giorni dietro un percorso di richiesta, metti anche un fallback dietro di esso. L'assicurazione più economica disponibile per un modello senza storico operativo è un secondo modello sulla stessa chiamata.