NVIDIA Nemotron 3.5 Super VL 120B vs DeepSeek V4 Pro: ピクセルはテキストより40倍コストがかかる、そしてその計算はこちら

DeepSeek V4 Pro costs $0.66 per million input tokens. Whatever a page of a scanned contract costs you to push through N​VIDIA N​emotron 3.5 Super VL 120B A12B, it is not 66 cents per million, and the reason is that you are not renting it — you are buying GPUs. That single asymmetry is the whole shape of this comparison between DeepSeek V4 Pro, D​eepSeek's 1.6-trillion-parameter text-only flagship listed since April 2026, and N​VIDIA N​emotron 3.5 Super VL 120B A12B, the open-weights vision-language model N​VIDIA uploaded to Hugging Face on 12 October 2026 with no announced price on any serving path. Comparing their benchmark scores is easy and mostly useless. Comparing what each one costs you to operate on the same document is the exercise that actually decides anything.

手短に言えば

入力がテキストで、予算が明細の一行なら、DeepSeek V4 Pro はどのオープンモデルも埋められない差で勝利する — 第三者パネルは、1000トークンあたり1セントの何分の一かのコストで、Super VL より9.5インデックスポイント先行しているとしている。入力に画像、動画、ページスキャンが含まれるなら、まったく比較にならない。DeepSeek V4 Pro はそれらを見ることができないからだ。この2つのモデルは、ほとんどのチームが実際に気にする軸では重なっていない。

各モデルが何であるかを一通り

DeepSeek V4 Pro is a 1.6T-parameter mixture of experts with 49B active per token, a 1M-token context window, up to 384K output tokens, and text as its only input and output modality. It has been generally available since 24 April 2026 through D​eepSeek's own API and third-party platforms, priced at $0.66 per million input and $1.98 per million output, with cache reads at $0.022. Independent measurement through the Artificial Analysis panel, last evaluated 13 August 2026, puts it at 36.0 on the Intelligence Index — 41st of 147 models.

N​emotron 3.5 Super VL 120B A12B is a Mamba-2/Transformer hybrid with 512 routed experts per MoE layer, 120B total parameters and 12B active per token, a C-RADIO vision encoder, native Multi-Token Prediction, and 1M tokens of context. Inputs are text, images and video; output is text. It is open under OpenMDW-1.1 with commercial use permitted, shipped in BF16, base-BF16 and NVFP4 builds, and runs on 4× H100 or 2× GB200 in BF16 or a single H200, single GB200, 2× H100 or one DGX Spark in NVFP4. Independent measurement puts it at 26.49 on the same panel, which is the number to hold onto as the conversation moves.

Where the input cost actually lives

誰も公表していない計算がこれだ。200ページのスキャン済み契約書一式を例に取ろう。DeepSeek V4 Pro 経由の場合、それは届く前に OCR とテキスト抽出を済ませる必要があり、その後モデルは抽出されたテキストに対して入力トークン100万あたり$0.66を請求する。Super VL 経由なら、ページは画像のまま、GPU時間単位ですでに支払っているモデルに一度だけ投入される。

• リスト価格でのDeepSeek V4 Pro — 入力$0.66、出力$1.98、キャッシュ読み取り$0.022（100万トークンあたり）。200ページの抽出は十分に安価で、呼び出しごとのコストは予算レビューで取り上げられることもない。

• Super VLのインフレコスト — BF16では H100 4基または GB200 2基、NVFP4では H200 1基 / GB200 1基 / DGX Spark 1台。これは、ドキュメントが到着するかどうかにかかわらず発生し続ける賃料または設備投資です。

• クロスオーバー —— すなわち、Super VLのセルフホスティングがOCR＋V4-Proよりも安くなる時点 —— は、ドキュメント量と、GPU上で維持できる稼働率によって決まる。誰もそれを公表しておらず、低ボリュームのチームにとっては、まず間違いなく永遠に訪れない。

• What is not in either column — the OCR pipeline D​eepSeek's path requires. That is a second system, a second failure mode, and the place where most document pipelines actually break: the table that OCR mangles, the chart that vanishes in extraction, the stamp over the signature block.

これがビジョンモデルを採用する本当の理由であり、ベンチマークの話ではない。それは、抽出ステップが消えるということだ。ページは存在するままの形でモデルに届き、モデルは、それらを平坦化した近似を受け取るのではなく、グラフや表、扱いにくいレイアウトに対処しなければならない。Super VLのビジョンが、GPUを保有することを正当化するほど十分に優れているかどうかは、あなたのドキュメントに関する問いであり、それに正直に答える唯一の方法は、自分のセットを単一のH200上でNVFP4ビルドに通し、エラーを数えることだ。

存在するベンチマーク行と、それらが誰のものであるか

ここでは2種類の異なる数が関わっており、それらはラベルなしで同じ文の中で引用されるべきではない。

パネル測定値、Artificial Analysis提供。DeepSeek V4 Proが最後に評価されたのは2026年8月13日：

• Intelligence Index — DeepSeek V4 Pro 36.0 vs N​emotron 3.5 Super VL 26.49.

• Humanity's Last Exam — DeepSeek V4 Pro 41.0。パネルには Super VL の行は含まれていません。

• 長コンテキスト想起 — AA-LCR スケールで DeepSeek V4 Pro の 80.3 に対し Super VL は 0.69 で、これは本記事で最も大きな比率差です。

• SciCode — DeepSeek V4 Pro 51.0 対 Super VLの行はパネルに未公開。

• Terminal-Bench 4.0 — DeepSeek V4 Pro 14.1 対 Super VL 0.0.

• τ²-bench — DeepSeek V4 Pro 96.2, a number D​eepSeek leads with, and the panel publishes no Super VL equivalent.

Vendor-reported, from N​VIDIA's own NeMo Gym evaluation of Super VL, which N​VIDIA ran on its own model against baselines it chose:

• エージェント性能 — SWE-bench Verified 71.10、SWE-bench Multilingual 67.72、SWE-bench Pro 51.78、tau2-bench 小売 69.24、航空 76.50、BrowseComp 78.91、GraphWalks 89.71（100万トークン超の設定時）。

• 推論 — GPQA-Diamond 89.52、HLE はツールなしで31.79、別の内部ハーネス上でツールを使用すると46.01に上昇。

• ビジョン — CharXiv-RQ 80.82、MathVision 78.16、V* 85.60、OCR-Reasoning 65.08、OCRBench-v2 は英語 68.12、中国語 59.15、MMLongBench-Doc 62.82、OSWorld 52.14、Video-MME-v2 32.85。

The two documents do not share a single row, which is why the index comparison above is the only clean ranking available. And a reader should notice the thing that is easy to miss: Super VL's SWE-bench Verified 71.10 is a strong number and it is N​VIDIA's own, and the panel gave the same model 0.0 on Terminal-Bench 4.0. Those can both be true. An agentic-coding score measured on a vendor harness and a terminal score measured by a third party are not the same kind of evidence, and the honest reading is that Super VL's agentic profile is asserted rather than established.

なぜロングコンテキストの行こそが心配すべきものなのか

A 1M-token context window is on both spec sheets. In practice the panel measures long-context recall at 80.3 for DeepSeek V4 Pro and 0.69 for Super VL, and N​VIDIA's own counter-argument is GraphWalks 89.71 at the over-1M-token setting — a vendor number, on a vendor harness, on a task where Super VL is being asked to walk a graph rather than recall a passage.

これらは同じものを測定しているわけではなく、まさにそれが判断を下す人にとっての問題です。あなたのワークロードが「この90万トークンの提出書類から該当条項を見つける」ことであるなら、パネルの数値の方があなたのタスクに近く、しかもそれは近いとは言えません。あなたのワークロードが「この一連のリンクされた文書をたどり、何が何に依存しているかを報告する」ことであるなら、ベンダーの数値の方が近く、それでもなお主張として扱うべきです。独立した誰かがチェックポイントに対して両方のタスクを実行するまでは、安全な計画上の想定は、Super VLの実効コンテキストがスペックシートに書かれているよりも実質的に短いというものです。

2つのルート、1つの鍵、そして明白な価格差

DeepSeek V4 Pro is in the OrcaRouter catalogue at DeepSeek's published $0.66 and $1.98 with zero markup — the provider list price passed straight through, so a D​eepSeek price change is live here the same day rather than at the next billing cycle. Across the last seven days of requests through the gateway, V4 Pro shows a p50 time-to-first-token of 1.89 seconds at 81.9 output tokens per second, and it carried 480.3 million tokens of traffic in that window. Those are measurements of real calls, not vendor benchmarks, and they are the numbers a cost model should be built on.

N​emotron 3.5 Super VL 120B A12B is not on our catalogue. N​VIDIA has published no per-token price for it on any path, including its own NIM microservice, so there is nothing for us to pass through and this article will not pretend otherwise — it is a checkpoint you host yourself, on the hardware in the recipe above.

この組み合わせでゲートウェイが実際にもたらしてくれるのは、パイプラインの両半分が二つの統合ではなくなる、ということだ。抽出とトリアージの呼び出しは自前の Super VL デプロイメントへ送られ、推論、コーディング、そして安価で大量のテキスト呼び出しは、同じエンドポイントと同じキーを使う DeepSeek V4 Pro へ送られる——そしてその分割は、アプリケーションコード内の条件分岐ではなくルーティングルールとして表現される。画像ルーティングが決め手となる場合、DSL はプロンプトが画像添付を伴うかどうかで判定できる——これは、どのコードパスが何をするかを覚えておくよりも、境界を維持するためのよりクリーンな方法だ。プロバイダー間の自動フェイルオーバーはルーティングされたモデルの下に位置するため、テキスト呼び出しにおける上流の 429 は、ユーザーではなくフォールバックに到達する。

自分が線のどちら側にいるのかを見極めること

• 画像がないなら — それ以上の分析は不要、DeepSeek V4 Pro。インデックス9.5ポイント先行、入力100万トークンあたり0.66ドル、初回トークンまでのp50は1.89秒、そして運用するものは何もない。

• 画像はあるが処理量が少ない場合 — 抽出によるエラー率がGPUを使うよりもコスト高になるまで、OCRとDeepSeek V4 Proを使う。まず抽出エラーを測定すること。分岐点を決めるのは、ベンチマークの差ではなく、その数値だ。

• 画像があり、それをどこにも送信できないなら、Super VL が唯一の選択肢となり、どのチェックポイントを選ぶかが判断になります。ファインチューニングするつもりなら BF16、サービングするつもりなら NVFP4 です。

• 長文コンテキストの想起がワークロードの核心なのであれば、導入を決める前にテストしてください。パネルの0.69対80.3は、1Mトークンの仕様表を1Mトークンの能力の証拠と見なすには十分すぎるほどの差です。

• If you want the model to improve on your domain — V4 Pro gives you no path. Super VL gives you weights, and N​VIDIA published the post-training datasets and NeMo Gym RL environments alongside it, which is the more reusable half of that release.

何がこの記事を変えるのか

答えをどれだけ動かすかの順に、三つ。

A price for Super VL, from N​VIDIA or from anyone serving it. The moment a per-token figure exists, the first section of this piece becomes arithmetic instead of a framework, and the crossover discussion collapses into a comparison of two numbers.

A second independent dataset on the model. N​VIDIA has one third-party score, and it does not include a long-context or a coding-agent row. A panel re-run that publishes those rows would settle the two questions this article has to leave open.

And the Terminal-Bench 2.1 discrepancy in N​VIDIA's own paperwork — 66.70 on the model card against 60.67 in the technical report's summary table, with everything else in those documents agreeing. One of two primary sources is wrong. Until somebody re-runs the recipes, both values are unsafe to quote, and the fact that the discrepancy exists at all is a reason to treat every other single-sourced row in that report as provisional.

ベンチマークは古び、価格は動くが、失敗の記録は動かない。このクラスのモデルの背後にある、記録に残されたAIインシデントとエージェントの失敗はOrcaRouter AI Incident Archiveに集められており、各エントリには独自の情報源、重大度、信頼度グレード、係争中フラグが付いている。