Nemotron 3.5 Super VL vs DeepSeek V4 Flash Vision Exp：8つの指標、そしてそのうち製品はただ1つ

Artificial Analysis Intelligence Indexでは、DeepSeek V4 Flash Vision ExpがNVIDIA Nemotron 3.5 Super VLを8.35ポイント上回っている——34.84対26.49、いずれも推定値ではない——しかもそれは、公表されている入力100万トークンあたり0.44ドル、出力1.32ドルで達成されており、一方のNVIDIAは価格を一切公表していない。これがスペックシートを読んだ人が持ち帰る要約であり、そしてそれは行動の根拠とするには誤っている。この2つのモデルは同じ枠を争っているわけではない。NVIDIA Nemotron 3.5 Super VLは一般提供されているモデルで、テクニカルレポート、NIMマイクロサービス、エンタープライズサポート、そしてScale AI、Salesforce、CrowdStrikeを含むポストトレーニングのエコシステムを備えている。DeepSeek V4 Flash Vision Expは、そのファイル名が示すとおり実験であり、V4ファミリー初のマルチモーダルモデルとして、重みと最小限のPyTorchリファレンス実装の形で公開され、そのベンチマークでのスコアはDeepSeekが販売していない構成で測定されたものだ。8ポイントは確かに実際の差である。それは同時に、サービスと研究成果物との間の差でもあり、有益な問いはどちらが勝つかではなく、6か月後にどちらがあなたのコンプライアンス境界の内側に収まっていられるかである。

それぞれが実際に何なのか

NVIDIA Nemotron 3.5 Super VL は 120B パラメータのハイブリッドです。Mamba-2 層、512 のルーティング済みエキスパートを備えた Mixture-of-Experts、およびアテンションで構成され、C-RADIO ビジョンエンコーダを搭載、トークンあたり 12B のアクティブパラメータ、最大 1M トークンのコンテキスト、別途ドラフタを必要としない投機的デコーディング向けのネイティブ Multi-Token Prediction を備えています。入力はテキスト、画像、動画で、出力はテキストです。NVIDIA 自身の評価は OCR、チャートおよび文書推論、動画理解、長コンテキスト作業を網羅しており、ライセンスは商用利用を許可する OpenMDW-1.1 です。技術レポートと、4×H100 または 2×GB200 向けの公開されたデプロイレシピが付属しています。

DeepSeek V4 Flash Vision Exp は DeepSeek-V4-Flash アーキテクチャを基盤とし、視覚モジュールと継続学習を追加しています。このリポジトリには、MIT ライセンスの下で 48 個の safetensors シャード、トークナイザー、OpenAI 形式のメッセージブロックをプロンプトに変換するエンコードモジュール、およびビジョンエンコーダー、アライナー、DFlash アテンション、MoE、Hyper-Connections、DSpark フォワードパスをカバーする最小限の PyTorch 実装が含まれています。設定には、256 個のルーティングエキスパート、トークンあたり 6 エキスパート、最大位置 1,048,576、3 層のマルチトークン予測ヘッドを備えた 43 層の MoE が示されています。モデルカードでは、これが V4 系における DeepSeek 初の実験的なマルチモーダルモデルであること、およびマルチモーダルエージェントタスクにおいて DeepSeek-V4-Flash-0731 を上回りつつ、テキストのみのタスクでは同等の性能を維持していることが明記されています。

• パラメータと形状 — NVIDIA Nemotron 3.5 Super VL：合計120B／アクティブ12B、C-RADIOビジョンを備えたハイブリッドMoE。DeepSeek V4 Flash Vision Exp：合計284B／アクティブ13BのMoE、ルーティングエキスパート256、トークンあたり6。

• Intelligence Index — Super VL は 26.49、提供されている DeepSeek 構成は 34.84。どちらも非推定で、いずれも Artificial Analysis によるものです。

• インデックスタスクあたりの出力トークン数 — 69,174に対して49,174。Super VLは29%少ないトークンでパネルのタスクを完了します。

• 価格 — Super VLについてはどこにも公開レートがない。同じパネルによれば、提供中のDeepSeek構成では100万あたり入力$0.44／出力$1.32。

• ライセンスとコミットメント — Super VL は商用利用可能な OpenMDW-1.1、GA、および NIM サービス。DeepSeek V4 Flash Vision Exp. は MIT ライセンスの重みと参照実装で、実験的と表示。

• モダリティ — NVIDIAのカードによると、Super VL はテキスト、画像、動画を入力。DeepSeek モデルは画像を入力、テキストを出力し、そのモデル自身のベンチマーク表には動画の行がまったくない。

8点差は成り立つが、価格比較は成り立たない。

本当に決着している部分から始めよう。DeepSeekのモデルはより高いスコアを出し、トークンあたりのコストも低い。そしてその差はノイズではない——8.35インデックスポイントは、NVIDIA Nemotron 3.5 Super VLと、22.93に位置するNVIDIA自身の550B NVIDIA Nemotron 3 Ultra 550B A55Bとの間の距離とほぼ等しい。したがって正直に枠組みを定めるなら、中国のラボによる実験的な284Bマルチモーダルリリースが、現在、米国のラボの旗艦オープンビジョンモデルをスコアで上回っており、アクティブパラメータ軸ではおよそ3分の1のサイズで、しかも公表されている料金である。あなたのワークロードがAPI経由で提供される画面とチャートの理解であるなら、それが答えのすべてであり、ここで読むのをやめてよい。

自分で実行しようとした瞬間に、この比較は崩れる。それが、これらのモデルが両方存在する理由である。34.84という数値は、提供されているMax構成に付随するものであり、あなたがデプロイできるチェックポイントに付随するものではない。HubリポジトリはMITの下での本物の重み公開であるが、DeepSeek自身のカードは、それを最小限の推論パスを持つ実験的な成果物として提示している — 研究室が研究者に論文を再現させるために公開する種類のリリースであり、企業契約でサポートする種類のものではない。NVIDIAは逆を行っている。製品と同時に重みを公開し、呼び出し側がホストすることが期待されている。両研究所が公開を選んだベンチマークにおいて、その違いが表れる。DeepSeekはマルチモーダルエージェント作業を強調している — ApexBenchは36.5で、テキスト専用モデルの自社の26.2に対して、Chartographyは64.3、ZeroBenchは35.0 pass@5、Agents' Last Examは27.3。NVIDIAは文書と動画のサーフェスを強調している — OCRBench v2は英語で68.12、MMLongBench-Docは62.82、CharXiv推論は80.82、Video-MME v2は32.85。どちらのセットも他方と比較可能ではなく、両方ともベンダー報告である。

ベンダーの数値が互いに一致しない場合

NVIDIA自身の表には、一段落を割く価値のある細部がある。それはまさに、集計の過程で洗浄されてしまいがちな類のものだ。NVIDIAの比較列にはDeepSeek-V4-Flash0731が含まれており、そのTerminal-Bench 2.1を76.80と報告している。DeepSeek自身のカードは、同じモデル、同じベンチマークについて82.7を報告し、DeepSeek V4 Flash Vision Expについては83.9を報告している。三つの数値、一つのベンチマーク、二つのハーネス、そしてどちら側にも突き合わせがない。これはスキャンダルではない——異なるスキャフォールディングと推論エフォート設定は、エージェント型ベンチマークを数ポイント動かすし、NVIDIAは設定を検査できるようにするために、まさにそのNeMo Gymレシピを公開している。だがそれは、8ポイントのインデックス差を見たとき、信頼できるのはインデックス自体であり、構成要素のベンチマークではないということを意味する。インデックスは、第三者が両方のモデルに適用した単一のハーネスだ。ベンチマークの表は、四つのラボがそれぞれ自前のスキャフォールディングで自分の宿題を採点しているものだ。

同じパネルにおいて、両モデルは負の全知指数を示している。Super VLはマイナス4.22で、精度23.3%、ハルシネーション率35.8%である。この行は、モデルが知らないときに回答を控えるかどうかを測定するもので、この2つのどちらもそれが得意ではない。GDPval-AA — 回答ではなく完成した成果物 — はSuper VLに1,162.41を与え、AA-BriefcaseルーブリックのEloは998.76である。DeepSeekモデルについては、提供構成では同じ行が埋められていない。用途が知識検索であれば、どちらの数値も心強いものではない。文書作成であれば、このペアで測定された唯一の行を持つのはSuper VLである。

どちらか一方を実行する

デプロイこそ、両者の道が完全に分かれる地点だ。NVIDIA Nemotron 3.5 Super VL は、固定された vLLM と SGLang のコンテナを用いて 4×H100 または 2×GB200 上で BF16 を提供し、より小さなフットプリント向けに NVFP4 ビルドを追加、さらに 2 FPS で 256 フレームをサンプリングしプルーニング率 0.5 とする動画パイプラインを文書化している。DeepSeek V4 Flash Vision Exp は、FP8 KV キャッシュ、ブロックサイズ 256、同一チェックポイントから取得した DSpark 投機的デコーディングを備えた単一の 4×GB300 ノード向けの vLLM レシピを公開し、加えて SGLang の経路も示している——売り込みは控えめだが、「自分が何をしているか分かっている」という前提は重い。どちらもデータセンター級のハードウェアを必要とし、ラップトップで動くモデルではない。注目すべきは、両者に共通する唯一の点が、ベンダーによる定価の値下げが実施されたその日に OrcaRouter 上で原価として反映されることだ。なぜなら当社はプロバイダーの価格をそのまま通しているからだ——200 以上のモデルにわたり 0% のマークアップで単一のキーで利用でき、自動フェイルオーバー を使えば、実績のないチェックポイントをトラフィックの一部に流しつつ、実績のあるものに残りを任せることができる。8 ポイントの差と価格の不在によって判断が本当に僅差になるとき、これが実用的な答えだ：両方をルーティングし、自分の入力で測定する——ただし、今日ルーティングできるのは二者のうち一方だけだという但し書き付きで。DeepSeek V4 Flash Vision Exp はすでに当社のカタログに掲載されている。価格は、マークアップされたものではなく、プロバイダーが公表するレートだ。NVIDIA Nemotron 3.5 Super VL はまだ掲載されていない。なぜなら、3 日前のチェックポイントを安定して提供しているところはどこもないからだ。この非対称性は、両方を取り扱っているとほのめかすのではなく、はっきり口に出す価値がある。

選択肢はそれぞれ1行で

選ぶべきはNVIDIA Nemotron 3.5 Super VL — 作業がドキュメント、チャート、スキャンしたページ、動画であり、ライセンスが商用利用を許可していなければならず、1年後もそのチェックポイントについてのサポートチケットに答え続けてくれるベンダーが必要な場合。8.35インデックスポイントを諦め、トークンではなくGPUに支払うことを受け入れたうえで、次に選ぶのがDeepSeek V4 Flash Vision Exp — 作業がAPI経由のチャートと画面の理解であり、100万トークンあたり$0.44と$1.32が予算ラインであり、実験的リリースというベータ品質の位置づけが許容できる場合。提供される構成はチェックポイントではなく、チェックポイントはサポート対象外であることを受け入れたうえで。両方の挙動を必要とするチームは通常、2つの異なるワークロードを動かしており、2つの異なるワークロードこそが、フェイルオーバー付きの単一エンドポイントの出番です。