생성된 타이틀 카드에는 'Qwen4-Max vs Nemotron 3.5 Super'가 표시되고, 부제는 '하나는 토큰 단위로 임대하고, 하나는 기가바이트 단위로 구매하세요'이며, 세 개의 수치 카드에는 '지수에서 43 vs 14', '작업당 $3.27 vs $0.56', '248.94 GB BF16 오픈 가중치'가 표시됩니다. 푸터에는 '오픈 가중치: NVIDIA 기준; 점수: Artificial Analysis Intelligence Index v5.0.1 기준; 호스팅 요금: Artificial Analysis 기준.'이 표시됩니다. 흰색 배경에 파란색과 청록색 그라데이션 액센트를 사용한 플랫 벡터 스타일이며, OrcaRouter 마크가 오른쪽 아래에 합성되어 있습니다.
Guides & Insights

Qwen4-Max vs Nemotron 3.5 Super: 하나는 토큰 단위로 임대하고, 하나는 기가바이트 단위로 구매한다

작성자

jinhao.song

게시일

최신 모델 · 20모든 모델 보기 →
벤치마크: Artificial Analysis · 매일 업데이트
모든 게시물로 돌아가기

이 비교에 등장하는 두 모델은 같은 예산 항목을 두고 경쟁하는 것이 아닙니다. Qwen4-Max는 2026년 11월 16일부터 싱가포르에서 100만 입력 토큰당 $1.50, 100만 출력 토큰당 $4.50으로 토큰 단위 과금되며, 폐쇄형입니다. 가중치는 없고, 다운로드도 없고, 자체 호스팅은 영구히 불가능합니다. NVIDIA Nemotron 3.5 Super VL은 2026년 10월 12일부터 OpenMDW-1.1에 따라 248.94 GB BF16 체크포인트 또는 75.06 GB NVFP4 체크포인트로 다운로드할 수 있으며, 1,200억 개 파라미터 중 120억 개가 활성입니다. 독립 트래커가 측정한 이 모델의 호스팅 정가 목록은 100만 토큰당 입력 $0.20, 출력 $0.50입니다. 지수에서 Qwen4-Max는 43점으로 Nemotron 3.5 Super VL의 14점을 앞섭니다. 완료된 작업당 비용은 트래커 기준 $3.27 대 $0.56입니다. 이 네 숫자를 함께 읽으면 29점의 능력 격차, 오픈 모델에 유리한 92%의 가격 격차, 그리고 정말로 엔드포인트를 원하는지 파일을 원하는지에 관한 결정이 드러납니다.

라이선스는 마지막 행이 아니라 첫 번째 행입니다.

중국의 클로즈드 플래그십과 NVIDIA의 오픈 릴리스 간 비교 대부분은 라이선스를 각주 정도로 취급한다. 하지만 여기서는 라이선스가 나머지 행들이 애초에 무엇을 의미할 수 있는지를 결정한다.

• 가중치 — Qwen4-Max: 공개된 것은 없으며, Alibaba는 이 등급에 대해 어떤 가중치도 공개하겠다고 밝히지 않았고, 동일 계보의 더 작은 Qwen4 모델만 오픈소스로 공개하겠다고 했습니다. Nemotron 3.5 Super VL: Hugging Face에 BF16 및 NVFP4 빌드가 있으며, 2026년 10월 12일 최초 생성되었고 NVIDIA의 자체 발표는 10월 15일에 이어졌습니다.

• 라이선스 — NVIDIA 측은 OpenMDW-1.1로, 상업적 사용과 자체 데이터에 대한 포스트 트레이닝을 허용합니다. Alibaba 측은 토큰당 과금되는 상용 API 계약으로, 서비스 약관 외에는 동의할 것이 없습니다.

• 파인튜닝 — Nemotron 3.5 Super VL에서는 가능하며, NVIDIA의 카드에는 맞춤화와 도메인 적응이 의도된 용도로 명시되어 있습니다. Qwen4-Max에서는 어떤 가격에도 제공되지 않습니다. 해당 기능 목록에 파인튜닝 엔드포인트가 없습니다.

• 배포 형태 — 하나는 6개 리전에 있는 호스팅 엔드포인트로, 네 가지 통신 형식을 통해 접근합니다. 다른 하나는 GPU를 확보해야 하는 가중치 세트에 추론 스택, 그리고 둘 모두에 수반되는 운영 작업까지 더한 것입니다.

• 두 가지 모두에서 할 수 없는 일 — Qwen4-Max의 가중치를 사거나, NVIDIA가 내년에도 Nemotron 3.5 Super VL을 계속 서빙할 것이라고 가정한 채 호출하는 것. 두 번째는 이미 가지고 있는 가중치는 누구도 회수할 수 없다는 점에서 부정적으로 표현된 오픈 가중치의 이점이다.

그 비대칭성 때문에 여기서 단순한 지수 비교는 거의 쓸모가 없습니다. 43 대 14의 격차는 역량에 값을 매긴 것이고, 빠져 있는 행은 선택권에 값을 매긴 것이며, 선택권은 바로 오픈 모델이 실제로 팔고 있는 것입니다.

14를 26과 대조해 읽기: 이 모델에서 지수가 움직였다

짚고 넘어갈 만한 점이 하나 있는데, 오늘의 수치를 10월 보도와 비교하는 사람이라면 누구나 혼란스러워할 것이기 때문입니다. Artificial Analysis는 Nemotron 3.5 Super VL을 처음 평가했을 때 26점을 주었고, Intelligence Index v5.0.1의 현재 항목에는 14로 적혀 있습니다. 두 수치 모두 추적기 자체 페이지에 있지만, 지수 개정이 모델 아래에서 바뀌었기 때문에 서로 비교할 수 있는 값이 아닙니다. 독자가 여기서 얻어야 할 것은 좁고 분명합니다. v5.0.1 안에서는 Nemotron 3.5 Super VL의 14와 Qwen4-Max의 43이 하나의 리비전에서 하나의 하네스로 측정된 값이므로 같은 선상에 놓을 수 있습니다. 26은 다른 평가 기준에 따른 역사적 산물이며, 마치 모델이 12점 하락한 것처럼 두 수치를 나란히 인용하는 것은 잘못입니다.

트래커의 Nemotron 항목에서 나머지 부분은 오픈 모델치고 유난히 정보가 많습니다. 호스팅 가격이 존재하기 때문입니다. 이 항목에는 100만 토큰당 $0.20 및 $0.50, 95% 캐시 할인, 초당 274토큰의 출력 속도, 첫 응답 토큰까지 13.44초, 인덱스 작업당 5.0분, 100만 토큰의 컨텍스트, 그리고 1억 1,900만 생성 출력 토큰 기준 완료된 인덱스 작업당 평균 $0.56이 기록되어 있습니다. 설명은 장단점을 모두 솔직하게 밝힙니다: 비슷한 규모의 오픈 가중치 모델 중 지능이 앞서는 모델에 들지만, 작업당 속도는 평균보다 느리고, 매우 장황합니다.

Qwen4-Max의 열에는 속도, 지연 시간, 작업당 시간이 없으며 성능 카드에는 N/A로 표시됩니다. 점수는 43점, 순위는 81개 중 38위이고, $1.50과 $4.50, 출력 토큰 1억 2700만 개를 기록했습니다. 장황함은 Nemotron과 비슷한 수준이라, 작업당 비용 차이는 거의 전적으로 행동 차이가 아니라 가격 차이입니다. 출력의 토큰당 요금이 약 9분의 1인 이 오픈 모델은 29점 더 낮은 점수를 받으면서도 6분의 1 비용으로 작업을 완료합니다.

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.'

120B에 12B 활성으로 실제로 얻을 수 있는 것

Nemotron 3.5 Super VL은 총 1,200억 개 파라미터와 토큰당 120억 개의 활성 파라미터를 갖춘 전문가 혼합(MoE) 모델로, 직접 호스팅할 때 추론 비용을 좌우하는 수치는 바로 이 활성 파라미터 수다. 이 모델은 텍스트와 이미지를 입력받아 텍스트를 반환한다. 언어 백본은 텍스트 전용 모델인 Nemotron 3 Super Base에서 초기화되었으며, 비전 경로는 나중에 추가되었다. 즉, C-RADIO 인코더와 커넥터가 기초 학습, 증류, 인도어(Indic) 지속 사전 학습, 장문맥 확장, 소프트웨어 엔지니어링 중간 학습이 모두 완료된 후 별도의 학습 단계로 설치되었다. Qwen4-Max는 정반대 구성이다. 토큰당 710억 개가 활성화되는 2.4조 파라미터 백본, 처음부터 갖춘 네이티브 비전, 곱셈이 아니라 조회되는 3,280억 개의 추가 N-gram 임베딩 파라미터, 그리고 각 Qwen Sparse Attention 계층마다 이력을 압축하는 세 개의 Gated DeltaNet 계층 위에 구축된 컨텍스트 경로를 갖는다.

그 아키텍처 중 하나는 이미지를 중심으로 설계되었습니다. 다른 하나는 이미지를 나중에 덧붙인 형태였습니다. 그 차이가 여러분의 워크로드에서 드러나는지는 경험적으로 확인해야 할 질문이지만, 위험의 방향은 알 수 있습니다. 후장착된 비전 경로는 문서 추출 파이프라인이 첫 번째 회귀를 발견하는 지점이며, 벤더 자체의 카드도 같은 방향을 암시합니다. 느슨한 프롬프트에서 IFBench 점수는 70.86인 반면, 더 큰 Nemotron 3 Ultra는 82.9입니다.

호스팅 산술은 나머지 절반이다. NVIDIA는 두 개의 체크포인트를 공개한다: BF16 248.94GB와 NVFP4 75.06GB, 약 3분의 1의 스토리지 및 메모리 풋프린트를 위한 173.88GB의 차이다. NVFP4 빌드는 클러스터가 아니라 최신 가속기 한 노드에 들어가는 쪽이며, 타사 양자화가 아닌 NVIDIA 자체 체크포인트라는 점은 벤더가 공개한 수치를 재현하려는 경우 중요하다. 토큰당 120억 개의 활성 파라미터를 사용하면, 처리량 문제는 요금표가 아니라 배치 크기와 GPU의 문제가 된다 — 이는 오픈 라이선스가 사 주는 바로 그 자유이자, 그것이 치르게 하는 바로 그 작업이다.

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.

29점 격차가 더 이상 결정적 수치가 아닐 때

세 가지 워크로드에서는 Qwen4-Max의 3분의 1에도 못 미치는 점수에도 불구하고 오픈 모델이 더 나은 구매 선택이 된다.

• 규제를 받거나 에어갭 환경인 배포 — 여기서 문제는 가격이 아니라 데이터가 건물 밖으로 나갈 수 있는지이며, 임대형 엔드포인트는 인덱스를 참조하기도 전에 자격이 박탈됩니다. 75.06 GB NVFP4의 Nemotron 3.5 Super VL은 그럴듯한 온프레미스 모델이고, Qwen4-Max는 온프레미스 형태가 없습니다.

• 대용량 분류, 라우팅 및 추출 — 일반 인덱스에서 14점으로도 충분할 수 있고, 출력 길이는 스키마에 의해 고정되며, 백만 입력당 $0.20에 초당 274토큰은 프런티어 요율로 과금되는 그 어떤 것보다도 10배 더 저렴합니다.

• 귀하의 데이터를 학습해야 하는 모든 것 — 자체 이미지와 문서에 대한 파인튜닝은 한쪽에서는 가능하지만 다른 쪽에서는 어떤 예산으로도 불가능하며, 도메인 어휘가 귀하만의 것일 때는 아무리 많은 프롬프트 엔지니어링도 그것을 대체할 수 없습니다.

그리고 Qwen4-Max를 결국 올바른 답으로 만드는 세 가지가 있습니다. 점수 격차가 곧 다단계 작업 실패로 직결되는 장기 과제형 에이전트 작업, 수십만 토큰을 넘나들며 청킹 없이 단일 요청 컨텍스트가 필요한 요청, 그리고 다음 분기의 추론 스택이 아니라 오늘 엔드포인트에서 구조화된 출력, 병렬 도구 호출, 캐싱을 원하는 모든 팀입니다. Qwen4-Max는 또한 두 가지 입력 상한을 공개합니다 — 비사고 모드에서 991,808 토큰, 사고 모드에서 983,616 토큰 — 이는 자체 호스팅 팀이 일주일 걸려 알아내는 종류의 숫자입니다.

이 둘 중 어느 것도 아닌 것, 그리고 실제로 라우팅 가능한 것

두 모델 모두 2026년 11월 16일 기준 OrcaRouter 카탈로그에 없습니다. Qwen4-Max는 Alibaba 자체의 Model Studio API와 여러 타사 플랫폼을 통해 접근할 수 있으며, Nemotron 3.5 Super VL은 다운로드 가능한 가중치와 소수의 호스팅 제공업체가 전부입니다. 둘 중 하나가 API 키 하나만 있으면 이용할 수 있다고 암시하는 비교 페이지는 그에 드는 노력에 대해 거짓을 말하는 셈일 것입니다.

여기서 라우팅되는 것은 클로즈드 진영의 이전 세대입니다: qwen/qwen3.8-max, 백만 토큰당 입력 $2.00 및 출력 $6.00, 0% 마크업으로 그대로 적용된 공급업체 정가, 나머지 카탈로그와 동일한 키 및 동일한 OpenAI 호환 엔드포인트에서 제공됩니다. 이 맞대결을 평가하는 팀에게 이는 유용한 중간 위치입니다 — 오늘 호출할 수 있는 라우팅된 Qwen 플래그십에 워크로드를 측정하고, 그 수치를 사용해 Qwen4-Max로의 상향이 두 번째 계약에 걸맞은지 결정하십시오. 증거를 확보하기 전에 통합을 구매하는 대신에 말입니다.

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.

실제로 이를 결정하는 경로는 전혀 플래그십이 아닙니다. 대용량 파이프라인은 보통 분할됩니다. 저렴한 모델이 정렬과 추출을 담당하고, 강력한 모델이 최종 패스를 수행하며, 주 모델의 상태가 좋지 않은 날을 위한 폴백이 있습니다. OrcaRouter의 라우팅 DSL이 존재합니다 — 그 분할을 세 번의 통합이 아니라 한 번의 호출로 표현하기 위해서이며, 자동 장애 조치가 존재합니다 — 저렴한 절반을 안전하게 의존할 수 있도록 하기 위해서입니다. 이 글의 두 모델 중 어느 것도 아직 그 경로에 있지 않습니다. 이 패턴은 알아둘 가치가 있습니다. 이런 대결은 보통 여기에 귀결되기 때문입니다.

결판을 내는 시험, 그리고 그 대가

둘 다에 당신 자신의 가장 어려운 작업 200개를 돌려보세요. 벤더 벤치마크도, 인덱스도 아닌 — 당신의 작업을, 당신의 출력 길이로.

Qwen4-Max 쪽은 측정된 토큰 기준 100만 개당 $1.50 및 $4.50으로 가격을 산정하고, 이 모델에는 공개된 속도가 없으므로 지연 시간을 직접 측정하거나 알 수 없는 제품을 사고 있다는 점을 받아들여야 한다고 밝혀라. Nemotron 쪽은 두 가지 방식으로 가격을 산정하라. 저렴한 비교를 원한다면 호스팅 요금 $0.20 및 $0.50으로, 자체 호스팅을 진지하게 고려한다면 자체 GPU 시간당 비용을 서비스한 토큰 수로 나눈 값으로 산정하라. 호스팅 요금은 다른 누군가의 활용률 곡선이며 당신의 곡선이 되지는 않기 때문이다. 그런 다음 평균이 아니라 실패 사례를 보라. 29포인트의 지수 격차는 조금 더 나쁘게 완료되는 작업이 아니라 전혀 완료되지 않는 작업으로 나타나기 때문이다.

대부분의 팀이 도달하는 답은 하나의 승자가 아니라 분할입니다. 대량 처리와 규제 대상 데이터에는 오픈 모델을, 부분적인 답이 무용지물인 작업에는 종량제 플래그십을 쓰는 것입니다. 이는 어느 한쪽을 단독으로 선택하는 것보다 더 비싼 아키텍처지만, 보통은 올바른 선택입니다 — 라이선스 행을 먼저 읽고 인덱스 행을 두 번째로 읽어야 하는 이유이기도 하며, 아무도 퇴역시킬 필요가 없는 모델의 $0.20 호스팅 요금이 이 비교에서 가장 흥미로운 숫자인 이유이기도 합니다.

이 글에서 비교한 모델1

이 글에서 자동 인식 · 벤치마크: Artificial Analysis · 매일 업데이트