Nemotron 3.5 Super VL vs Qwen3.8-Max: la fascia open-weight contro la frontiera a consumo

Chi sta pianificando una pipeline di elaborazione documentale questo trimestre ha esattamente due forme tra cui scegliere, e non sono la stessa forma. NVIDIA Nemotron 3.5 Super VL è un checkpoint visione-linguaggio da 120B parametri, 12B attivi, sotto OpenMDW-1.1, i cui pesi sono stati resi disponibili il 12 ottobre 2026, tre giorni prima dell'annuncio di NVIDIA del 15 ottobre: lo scarichi, lo ospiti, paghi in GPU ed elettricità. Qwen3.8-Max è il flagship proprietario di Alibaba — un mixture-of-experts da 2,4 trilioni di parametri con 95B parametri attivi, input visivo, una finestra di contesto di 1M token e fatturazione per token a $2 per milione di input e $6 per milione di output con uno sconto cache dell'88%. Uno è spesa in conto capitale con pieno controllo; l'altro è una spesa operativa con un listino prezzi. Tutto il resto in questo confronto discende da questa divisione.

Due modelli di business travestiti da confronto benchmark

È allettante metterli a confronto sulle capacità e dichiarare un vincitore. Questa impostazione nasconde la decisione reale, che riguarda chi possiede la modalità di guasto. Con Super VL, se il throughput ti delude, riaddestri, riquantizzi o acquisti hardware diverso — il tetto puoi alzarlo tu. Con Qwen3.8-Max, se il throughput ti delude, cambi la stringa del modello o negozi; il tetto appartiene ad Alibaba, e così anche la roadmap.

Questa differenza è leggibile in ciò che ciascun fornitore ha pubblicato. NVIDIA ha distribuito un rapporto tecnico, ricette di addestramento, dataset aperti, ambienti RL e tre percorsi separati di decodifica speculativa per la famiglia — l'apparato di un modello pensato per essere distribuito e modificato. Qwen ha distribuito un'API con un listino prezzi e uno sconto sulla cache, che è l'apparato di un modello pensato per essere consumato.

Cosa ti offre Super VL che un endpoint ospitato non può darti

NVIDIA Nemotron 3.5 Super VL è un ibrido: layer Mamba-2 interlacciati, un mixture-of-experts con 512 esperti instradati per layer MoE e layer di attenzione selezionati, uniti a un encoder visivo C-RADIO e a un connettore visione-linguaggio. In ingresso testo, immagini e fotogrammi video; in uscita testo. Il suo backbone linguistico è stato inizializzato da Nemotron 3 Super Base, distillato per un trilione di token da Nemotron 3 Ultra Base, poi sottoposto a un'estensione di 35 miliardi di token fino a 1M di contesto, a mid-training di ingegneria del software e a una fase di recupero del contesto lungo. La Multi-Token Prediction nativa fornisce decodifica speculativa senza un drafter separato. Viene eseguito in BF16 su 4×H100 o 2×GB200, con una build NVFP4 e un microservizio NIM per il deployment in produzione.

• Ciò che possiedi — i pesi, il tokenizzatore, l'encoder visivo, la pipeline di post-addestramento e la traccia di audit. Ogni prompt resta all'interno del tuo perimetro, il che, per il lavoro in ambito assicurativo, creditizio, sanitario o della difesa, non è una preferenza ma un requisito.

• Ciò che paghi — acceleratori. Quattro H100 a piena precisione sono il biglietto d'ingresso, e la curva dei costi è l'utilizzo: costoso quando inattivo, quasi gratuito a saturazione.

• A cosa rinunci — un listino prezzi. Al 16 ottobre 2026 nessuno ha pubblicato un prezzo per Super VL, quindi qualsiasi confronto sul costo totale che elabori oggi si basa sulle tue misurazioni di throughput, non su un dato di un fornitore.

Cosa ti offre Qwen3.8-Max che un checkpoint non può darti

Qwen3.8-Max attiva 95B parametri per token da un pool di 2,4 trilioni di parametri, accetta immagini oltre al testo e mantiene per impostazione predefinita una finestra di contesto appena sotto il milione di token. Su Artificial Analysis ha un Intelligence Index di 45, che è diciannove punti sopra il 26 registrato da NVIDIA Nemotron 3.5 Super VL sullo stesso indice — e a differenza della maggior parte dei numeri presenti in questa pagina, entrambi sono misurazioni di terze parti anziché dichiarazioni del fornitore.

• Cosa ottieni — un generalista di livello frontier, visione inclusa, chiamabile questo pomeriggio con una chiave API. Niente hardware, niente ops, niente pianificazione della capacità.

• Quanto paghi — 2 $ in input e 6 $ in output per milione di token, con uno sconto dell'88% sull'input in cache, il che cambia l'economia di qualsiasi carico di lavoro con un ampio prefisso stabile: un lungo prompt di sistema, un documento fisso, uno schema degli strumenti persistente.

• Quello a cui rinunci — i pesi. Non c'è alcun download, nessun deployment locale, nessun fine-tuning del modello di serving e nessuna possibilità di mantenere i dati sul proprio hardware.

Lo sconto sulla cache merita una nota specifica perché è il numero più comunemente modellato in modo errato in entrambe le colonne. Una riduzione dell'88% sull'input in cache non significa una bolletta più economica dell'88%; significa che la parte ripetuta del prompt costa circa un nono del prezzo di listino, e il beneficio cresce in proporzione a quanto di ogni richiesta è realmente identico alla precedente. Le pipeline che reinviano un grande preambolo statico ne traggono un beneficio enorme. Le pipeline che inviano un documento nuovo a ogni chiamata non ne traggono quasi alcun beneficio.

La linea di prezzo, gestita con onestà

L'istinto è calcolare un punto di crossover — a quanti token conviene il self-hosting? Quel calcolo produce un numero, e quel numero di solito è sbagliato, perché omette i due costi che dominano: il tempo di ingegneria necessario per mantenere aggiornato uno stack di inferenza self-hosted, e il costo-opportunità di un modello più piccolo sui casi difficili.

Una versione più utile: esegui il tuo profilo di traffico reale rispetto alle tariffe pubblicate di Qwen3.8-Max e ottieni una cifra mensile esatta, perché quel lato ha un listino prezzi. Poi chiedi quale frazione di quel traffico un modello con 12B attivi può gestire secondo i tuoi standard, e calcola in GPU solo quella frazione. Nella maggior parte delle pipeline di estrazione di documenti, la risposta è che la maggior parte del volume è meccanica — fatture, moduli, grafici, layout ripetuti — e una piccola coda richiede il giudizio. La massa è dove vince l'hosting in proprio; la coda è dove vince un modello di frontiera come Qwen3.8-Max.

Questa separazione è ciò a cui esiste il nostro livello di routing, e i fatti rilevanti sono abbastanza circoscritti da poter essere enunciati chiaramente. Qwen3.8-Max è nel nostro catalogo come qwen/qwen3.8-max/ al prezzo di listino di Alibaba con 0% di ricarico — qualunque cosa addebiti il fornitore, è quello che paghi, e un taglio di prezzo del fornitore arriva lo stesso giorno invece che al ciclo di fatturazione successivo. NVIDIA Nemotron 3.5 Super VL non è nel nostro catalogo e non lo sarà mai sotto forma di endpoint, perché è un checkpoint che ospiti tu, non un servizio che qualcuno possa rivenderti. Ciò che sta tra i due è la composizione: il DSL di routing consente a una singola chiamata di diramarsi, così le pagine meccaniche possono andare verso qualunque modello economico tu gli indichi, mentre quelle che richiedono giudizio vengono escalate, e il failover automatico sposta una richiesta verso un upstream sano quando quello a cui era diretta peggiora. Una chiave per la metà ospitata, le tue GPU per l'altra, una policy che decide quale richiesta va dove.

Un esempio concreto piuttosto che un'ipotesi: la stessa pipeline può inviare un modulo di una pagina a un piccolo modello di testo attraverso il catalogo, indirizzare un rapporto annuale ricco di grafici a un modello di visione, e tenere Qwen3.8-Max in riserva per la minoranza di documenti in cui l'estrazione è davvero ambigua. Il modello di riserva costa $6 per milione di token di output e nulla quando non viene utilizzato, il che è una soluzione di gran lunga migliore rispetto al provisioning di una quarta H100 per un carico di lavoro che presenta picchi due volte al mese.

Chi dovrebbe fare cosa, a partire da questa settimana

Se il tuo lavoro coinvolge dati regolamentati — qualsiasi categoria in cui inviare una pagina a una terza parte richiede una revisione legale — la decisione è già presa per te ed è Super VL, requisiti hardware minimi inclusi. Se il tuo lavoro è la comprensione di documenti e schermate ad alto volume in una normale postura di privacy, la risposta corretta più economica per la maggior parte dei team al momento è il modello frontier a consumo, perché funziona già oggi e il suo prezzo è noto. Se ti trovi da qualche parte nel mezzo, che è dove si colloca la maggior parte delle pipeline reali, i due non sono affatto concorrenti: Qwen3.8-Max per la coda difficile e un Super VL self-hosted per il volume, con un router che decide richiesta per richiesta.

La cosa che cambierebbe questa pagina è una tariffa pubblicata per Super VL da qualsiasi fornitore di servizio. Nel momento in cui un checkpoint Nemotron compare dietro un endpoint a consumo, l'obiezione della soglia minima di deployment svanisce, il confronto diventa prezzo contro prezzo, e la domanda interessante si sposta da quale modello a quale fornitore. Fino ad allora, le due colonne continuano a rispondere a domande diverse — e la risposta onesta a "quale sia migliore" è che un modello con un prezzo e un modello con una licenza non sono lo stesso tipo di oggetto.