Nemotron 3.5 Super VL vs DeepSeek V4 Flash Vision Exp: Acht indexpunten, en slechts één daarvan is een product

Op de Artificial Analysis Intelligence Index, DeepSeek V4 Flash Vision Expverslaat NVIDIA Nemotron 3.5 Super VL met 8,35 punten — 34,84 tegen 26,49, beide niet-geschat — en doet dat tegen een gepubliceerde prijs van $0,44 per miljoen inputtokens en $1,32 output, terwijl NVIDIA helemaal geen prijs heeft gepubliceerd. Dat is de samenvatting die een lezer van een specsheet meeneemt, en het is de verkeerde om op te handelen. De twee modellen concurreren niet om dezelfde plek. NVIDIA Nemotron 3.5 Super VL is een algemeen beschikbaar model met een technisch rapport, een NIM-microservice, enterprise-ondersteuning en een post-training-ecosysteem met Scale AI, Salesforce en CrowdStrike. DeepSeek V4 Flash Vision Exp is, afgaande op zijn eigen bestandsnaam, een experiment: het eerste multimodale lid van de V4-familie, geleverd als gewichten plus een minimale PyTorch-referentie-implementatie, en op dat panel gescoord in een configuratie die DeepSeek niet verkoopt. Acht punten is een reëel verschil. Het is ook een verschil tussen een dienst en een onderzoeksartefact, en de nuttige vraag is niet wie wint, maar welke binnen zes maanden binnen uw compliancegrens kan staan.

Wat elk ervan eigenlijk is

NVIDIA Nemotron 3.5 Super VL is een 120B-parameter-hybride — Mamba-2-lagen, mixture-of-experts met 512 gerouteerde experts en attention — met een C-RADIO-visionencoder, 12B actieve parameters per token, tot 1M tokens context en native Multi-Token Prediction voor speculatieve decoding zonder een aparte drafter. De inputs zijn tekst, afbeeldingen en video; de output is tekst. NVIDIA's eigen evaluatie bestrijkt OCR, grafiek- en documentredenering, videobegrip en longcontext-werk, en de licentie is OpenMDW-1.1, die commercieel gebruik toestaat. Er is een technisch rapport en een gepubliceerd deploymentrecept voor 4×H100 of 2×GB200.

DeepSeek V4 Flash Vision Exp bouwt voort op de DeepSeek-V4-Flash-architectuur, met toevoeging van visuele modules en voortgezette training. De repository bevat 48 safetensors-shards onder MIT, een tokenizer, een coderingsmodule die OpenAI-achtige berichtblokken omzet in prompts, en een minimale PyTorch-implementatie die de visie-encoder, aligner, DFlash-attentie, MoE, Hyper-Connections en het DSpark-forwardpad omvat. De configuratie toont een MoE met 43 lagen, 256 gerouteerde experts, 6 experts per token, 1.048.576 maximale posities en een multi-token-prediction-head met drie lagen. De modelkaart vermeldt expliciet dat dit DeepSeeks eerste experimentele multimodale model in de V4-lijn is, en dat het beter presteert dan DeepSeek-V4-Flash-0731 op multimodale agenttaken, terwijl het vergelijkbare prestaties levert op taken met alleen tekst.

• Parameters en vorm — NVIDIA Nemotron 3.5 Super VL: 120B totaal / 12B actief hybride MoE met C-RADIO vision. DeepSeek V4 Flash Vision Exp: 284B totaal / 13B actief MoE, 256 gerouteerde experts, 6 per token.

• Intelligence Index — 26,49 voor Super VL, 34,84 voor de geserveerde DeepSeek-configuratie. Beide niet-geschat, beide volgens Artificial Analysis.

• Uitvoertokens per indextaak — 49.174 tegen 69.174. Super VL voltooit de taken van het panel met 29% minder tokens.

• Prijs — nergens een gepubliceerd tarief voor Super VL; $0,44 in / $1,32 uit per miljoen voor de geleverde DeepSeek-configuratie, volgens hetzelfde paneel.

• Licentie en verbintenis — OpenMDW-1.1 met commercieel gebruik, GA en een NIM-service voor Super VL; MIT-gewichten en een referentie-implementatie, gemarkeerd als experimenteel, voor DeepSeek V4 Flash Vision Exp.

• Modaliteiten — tekst, afbeelding en video in voor Super VL volgens NVIDIA's kaart; afbeelding in, tekst uit voor het DeepSeek-model, waarvan de eigen benchmarktabel helemaal geen videorijen heeft.

Het verschil van acht punten houdt stand; de prijsvergelijking niet.

Begin met het deel dat echt vaststaat. Het model van DeepSeek scoort hoger en kost minder per token, en het verschil is geen ruis — 8,35 indexpunten is ongeveer de afstand tussen NVIDIA Nemotron 3.5 Super VL en NVIDIA's eigen 550B NVIDIA Nemotron 3 Ultra 550B A55B, die op 22,93 staat. De eerlijke framing is dus dat een experimentele 284B multimodale release van een Chinees lab momenteel hoger scoort dan het vlaggenschip open visiemodel van een Amerikaans lab, bij ongeveer een derde van de omvang op de as van actieve parameters en tegen een gepubliceerd tarief. Als je workload bestaat uit het begrijpen van schermen en grafieken die via een API worden geleverd, dan is dat het hele antwoord en kun je stoppen met lezen.

De vergelijking valt uiteen op het moment dat je het zelf wilt draaien, wat de reden is dat beide modellen bestaan. Het getal 34,84 hoort bij de geserveerde Max-configuratie, niet bij een checkpoint dat je kunt deployen. De Hub-repository is een echte release van gewichten onder MIT, maar de eigen modelkaart van DeepSeek presenteert die als een experimenteel artefact met een minimaal inferentiepad — het soort release dat een lab publiceert om onderzoekers een paper te laten reproduceren, niet het soort dat het met een enterprisecontract ondersteunt. NVIDIA doet het tegenovergestelde: gewichten publiceren op hetzelfde moment als het product, waarbij de aanroeper wordt geacht te hosten. Op de benchmarks die de twee labs ervoor kiezen te publiceren, wordt het verschil zichtbaar. DeepSeek benadrukt multimodaal agentwerk — ApexBench 36,5 tegenover zijn eigen 26,2 voor het tekst-only-model, Chartography 64,3, ZeroBench op 35,0 pass@5, Agents' Last Exam 27,3. NVIDIA benadrukt document- en video-oppervlakken — OCRBench v2 op 68,12 in het Engels, MMLongBench-Doc 62,82, CharXiv-redenering 80,82, Video-MME v2 32,85. Geen van beide sets is vergelijkbaar met de andere, en beide zijn door de leverancier gerapporteerd.

Waar de leveranciersnummers onderling niet overeenkomen

Er is een detail in NVIDIA's eigen tabel dat een paragraaf waard is, omdat het precies het soort ding is dat bij aggregatie wordt verdoezeld. NVIDIA's vergelijkingskolom bevat DeepSeek-V4-Flash0731 en rapporteert Terminal-Bench 2.1 op 76,80 daarvoor. DeepSeek's eigen modelkaart rapporteert 82,7 voor hetzelfde model op dezelfde benchmark, en 83,9 voor DeepSeek V4 Flash Vision Exp. Drie getallen, één benchmark, twee harnesses, en geen reconciliatie aan beide zijden. Dit is geen schandaal — verschillende scaffolding- en reasoning-effort-instellingen verschuiven agentische benchmarks met enkele punten, en NVIDIA publiceert zijn NeMo Gym-recepten juist zodat de instellingen kunnen worden geïnspecteerd. Maar het betekent dat wanneer je een kloof van acht punten in de index ziet, de index zelf het betrouwbare deel is en de componentbenchmarks niet. De index is een enkele harness die door een derde partij op beide modellen wordt toegepast. De benchmarktabellen zijn vier labs die hun eigen huiswerk nakijken op hun eigen scaffolding.

Op hetzelfde paneel hebben beide modellen een negatieve alwetendheidsindex. Super VL staat op min 4,22 met 23,3% nauwkeurigheid en een hallucinatiepercentage van 35,8%; die rij meet of een model weigert te antwoorden wanneer het iets niet weet, en geen van deze twee is daarin goed. GDPval-AA – voltooide deliverables in plaats van antwoorden – geeft Super VL 1.162,41 en de AA-Briefcase-rubric een Elo van 998,76. Voor het DeepSeek-model zijn dezelfde rijen niet ingevuld in de aangeboden configuratie. Als jouw use case kennisretrieval is, is geen van beide cijfers bemoedigend. Als het documentproductie is, heeft Super VL de enige gemeten rij in het tweetal.

Een van beide uitvoeren

Bij deployment scheiden de paden zich definitief. NVIDIA Nemotron 3.5 Super VL serveert BF16 op 4×H100 of 2×GB200 met gepinde vLLM- en SGLang-containers, voegt een NVFP4-build toe voor compactere footprints, en documenteert een videopipeline die 256 frames bemonstert bij 2 fps met een pruningratio van 0,5. DeepSeek V4 Flash Vision Exp publiceert een vLLM-recept voor één 4×GB300-node met FP8-KV-cache, blokgrootte 256 en DSpark speculatieve decoding uit dezelfde checkpoint, plus een SGLang-pad — lichter aan de verkoopkant, zwaarder op de aanname dat je weet wat je doet. Beide hebben hardware van datacenterklasse nodig; geen van beide is een laptopmodel. Opvallend is dat het enige dat ze gemeen hebben, is dat een door een leverancier doorgevoerde prijsverlaging naar de adviesprijs dezelfde dag dat die beschikbaar komt tegen kostprijs op OrcaRouter verschijnt, omdat wij providerprijzen doorgeven tegen 0% opslag op meer dan 200 modellen met één sleutel, en automatische failover laat je een onbewezen checkpoint op een deel van het verkeer zetten, terwijl een bewezen checkpoint de rest vasthoudt. Dat is het praktische antwoord wanneer de kloof van acht punten en de ontbrekende prijs de beslissing echt nipt maken: routeer beide, meet op je eigen inputs, en laat het verkeer het beslechten — met de kanttekening dat slechts één van de twee vandaag kan worden gerouteerd. DeepSeek V4 Flash Vision Exp staat al in onze catalogus, tegen het tarief dat zijn provider publiceert in plaats van een tarief met opslag; NVIDIA Nemotron 3.5 Super VL staat er nog niet, omdat niemand een drie dagen oude checkpoint betrouwbaar serveert. Die asymmetrie is het waard om hardop te zeggen in plaats van te suggereren dat we beide aanbieden.

Elke keuze in één regel

Kies NVIDIA Nemotron 3.5 Super VLwanneer het werk bestaat uit documenten, grafieken, gescande pagina's en video, wanneer de licentie commercieel gebruik moet toestaan, en wanneer je een leverancier nodig hebt die over een jaar nog steeds supporttickets over het checkpoint beantwoordt — met de wetenschap dat je 8,35 indexpunten opgeeft en betaalt voor GPU's in plaats van tokens. Kies DeepSeek V4 Flash Vision Expwanneer het werk bestaat uit het begrijpen van grafieken en schermen via een API, wanneer $0,44 en $1,32 per miljoen tokens de budgetlijn zijn, en wanneer de bèta-achtige positionering van een experimentele release acceptabel is — met de wetenschap dat de geserveerde configuratie niet het checkpoint is en het checkpoint niet wordt ondersteund. Teams die beide gedragingen nodig hebben, draaien meestal twee verschillende workloads, en twee verschillende workloads is precies waar één endpoint met failover voor bedoeld is.