Nemotron 3.5 Super vs Claude Opus 5.5: 12 miljard actieve parameters tegen een meter

Hier is het getal dat deze vergelijking beslist, en het staat in geen van beide benchmarktabellen. NVIDIA Nemotron 3.5 Super — door NVIDIA gepubliceerd onder de vollere naam NVIDIA Nemotron 3.5 Super VL, en in de Ollama-bibliotheek vermeld als nemotron-3.5-super/ — activeert ongeveer 12 miljard van zijn 120 miljard parameters voor elk token dat het genereert. Claude Opus 5.5 publiceert helemaal geen parameteraantal en rekent $4 per miljoen invoertokens en $20 per miljoen uitvoertokens. Een van deze modellen heeft dus marginale kosten per token die een functie van elektriciteit zijn, en het andere heeft marginale kosten per token die een begrotingspost zijn. Beide getallen zijn echt. Geen van beide vertelt je welk model goedkoper te gebruiken is, omdat ze in verschillende valuta's zijn geprijsd.

De reden dat dit nu de moeite van het opschrijven waard is: de N​VIDIA-gewichten zijn op 12 oktober 2026 op Hugging Face verschenen, in stilte, in een repository met de naam N​VIDIA-N​emotron-3.5-Super-VL-120B-A12B-BF16, drie dagen voordat het eigen nieuwsbericht van N​VIDIA op 15 oktober het officieel maakte. Vóór die aankondiging was de enige publieke bevestiging dat N​emotron 3.5 Super bestond als iets uitvoerbaars een reeks registry-artefacten — en het feit dat een deel van de specificatie op die artefacten niet overeenkomt met de specificatie op de kaart van de leverancier. Wat uit de repository te weten valt, is een flinke hoeveelheid: byteaantallen, kwantisatieformaten, een versievereiste, een licentie. Wat uit geen enkele repository te weten valt, is hoe het zich gedraagt tegenover een gehost frontier-model op jouw workload. Dat gat is waar deze pagina over gaat.

Wat de repository daadwerkelijk bevat, vóór al het andere.

Drie bruikbare checkpoints verschenen binnen zestig seconden van elkaar op 12 oktober: de BF16-referentiegewichten, een Base-variant en een NVFP4-build. Een aparte LiLiCorr-drafter-repository was een dag eerder online gegaan, op 11 oktober, wat de vroegste publieke voetafdruk van de tier is. De kaart beschrijft een hybride Mamba-2- en Transformer-mixture of experts met 512 routed experts per MoE-laag, een C-RADIO vision encoder en een vision-language connector, 120 miljard totale parameters met 12 miljard actief, context tot 1 miljoen tokens, tekst, beeld en video in met tekst uit, en native speculative decoding via een Multi-Token Prediction-head. De licentie is OpenMDW-1.1, die commercieel gebruik toestaat. Implementatie is gespecificeerd als vier H100's of twee GB200's voor BF16.

De Ollama-vermelding is de versie die de meeste mensen het eerst zullen tegenkomen, en dit is waar de specificatie begint af te wijken. Het toont negen tags. Vier daarvan — :latest/, :120b/, :120b-a12b/ en :120b-a12b-q4_K_M/ — verwijzen naar dezelfde q4_K_M-laag, dus de standaard pull is een 4-bits kwantisatie en de naam "120b" is niet het bestand dat je krijgt. Elke tag, ook de kleinste, bevat een 1,6 GiB vision-projector, omdat het afbeeldingspad niet optioneel is. De meegeleverde standaardsampling is temperatuur 1.0 met top_p 0.95, wat de tekstaanbeveling van de kaart is — de vision-instelling van de kaart is temperatuur 0.6. En de runtime-gate wordt afgedwongen: de config verklaartrequires: 0.40.5/, dus op een oudere Ollama werkt de pull helemaal niet.

Niets daarvan is een defect. Het is de gebruikelijke kloof tussen de release-opmerkingen van een leverancier en een communityverpakking daarvan, en het is de reden om beide documenten te lezen in plaats van één.

De eerlijke rekensom van 12B actief

Sparse activatie is het hele commerciële argument voor dit model, en het is de moeite waard om precies te zijn over wat het wel en niet oplevert.

Wat het oplevert: bij inferentie raakt een token ongeveer een tiende van het netwerk aan. De doorvoer op vaste hardware ligt daardoor veel dichter bij een 12B dense model dan bij een 120B-model, en de geheugenvoetafdruk is de enige plek waar de volledige 120 miljard parameters opduiken. NVIDIA's eigen kaart claimt tot 5x snellere doorvoer dan anderen in zijn klasse en, geserveerd op de Dynamo-stack van de leverancier, tot 8x meer gelijktijdige gebruikers bij 85% lagere latentie. Dat zijn cijfers van de leverancier, geproduceerd op hardware van de leverancier, en dat is een specificatie, geen audit — maar de richting van de claim is een direct gevolg van de architectuur, wat op zijn minst een coherent verhaal is.

Wat het niet oplevert: de gewichten moeten nog steeds volledig in het geheugen aanwezig zijn. De BF16 GGUF-laag is 230,4 GiB. De q4_K_M-standaard is 82,3 GiB plus de projector. Geen van beide getallen krimpt omdat er per token slechts 12 miljard parameters worden geactiveerd. De ondergrens van de hardware wordt dus bepaald door geheugen, terwijl de doorvoer wordt bepaald door activatie — daarom kan één enkele kaart van 96 GB het 4-bitmodel comfortabel bevatten en toch tokens produceren in een tempo dat een dense model van dezelfde totale omvang zou beschamen, en daarom kan dezelfde kaart het model in volledige precisie helemaal niet bevatten.

Zet nu Opus 5.5 daarnaast. Het model van Anthropic heeft 1 miljoen tokens context, 128.000 tokens maximale output, accepteert tekst-, afbeeldings- en bestandsinvoer, en heeft een lijstprijs van $4/$20, met cache-reads tegen $0,20 per miljoen. Er is geen download, geen kwantisatiebeslissing, geen standaard sampling-instelling om te corrigeren, en geen versie om vast te pinnen. Het is ook een goed geauditeerd model: het staat bovenaan het panel van derden dat de meeste mensen gebruiken om dit soort dingen te vergelijken, ver boven deze Nemotron-klasse.

Dus de vergelijking is niet "wat beter is". Op het gebied van gemeten algemene capaciteit wint het gehoste vlaggenschip, en doen alsof het anders is, zou een lezer die op het punt staat een aankoopbeslissing te nemen, tekortdoen. De vergelijking gaat erom waar de twee kostencurves elkaar kruisen.

Waar het open model met 120 miljard parameters zijn plek verdient

Drie plekken, en ze zijn specifiek.

• Volume met een vaste factuur. Een self-hosted checkpoint zet marginale kosten om in vaste kosten. Bij weinig verkeer wint de meter zonder meer — vier H100's kosten per maand meer dan de meeste teams aan tokens uitgeven. Bij veel en gelijkmatig verkeer worden de vaste kosten afgeschreven en de meter niet. Het omslagpunt is de enige berekening die hier telt, en het is een functie van je tokenvolume, niet van de kwaliteit van een van beide modellen.

• Vision-werk waarbij het aantal pagina's de kostenfactor is. De kaart van N​VIDIA rapporteert 62,82 op MMLongBench-Doc, 78,16 op MathVision, 80,82 op CharXiv-redenering en 68,12 op OCRBench v2 Engels tegen 59,15 Chinees, allemaal volgens opgave van de leverancier. Bij O​pus 5.5 wordt diezelfde invoer per token gefactureerd, en één pagina van een gescand rapport is een hoop tokens. Als je werklast duizenden documentpagina's per dag omvat, verandert de rekensom sneller dan welk kwaliteitsverschil dan ook.

• Vastzetten. Een checkpoint op een schijf die je zelf beheert, verandert niet onder je vandaan. Dat is echt geld waard in een gereguleerde pipeline, en het is een eigenschap die het gehoste model tegen geen enkele prijs kan bieden.

Twee plekken waar het zijn plaats niet verdient, en beide zijn het waard om hardop te zeggen. De eerste is agentisch werk met een lange horizon: de kaart van NVIDIA rapporteert 66,70 op Terminal-Bench 2.1, 71,10 op SWE-bench Verified en 51,78 op SWE-bench Pro — respectabel, niet gereproduceerd en achter de gehoste frontier. De tweede is alles waarbij een mislukte aanvraag duur is, want een model waarvan de gewichten vier dagen oud zijn, heeft vier dagen wereldwijde aandacht achter zich en helemaal geen operationele geschiedenis.

De cijfers die je nog niet moet vertrouwen, en waarom

De volledige gepubliceerde benchmarktabel voor N​emotron 3.5 Super is die van de leverancier zelf, verzameld via het NeMo Gym-testharnas van N​VIDIA. GPQA-Diamond 89,52. Humanity's Last Exam alleen tekst 31,79. LiveCodeBench v6 88,22. IFBench 70,86. tau2-bench 69,24 retail, 76,50 airline, 73,19 telecom. BrowseComp 78. LMArena v3-proxy 52,67. Elk daarvan is een leveranciersclaim met een reproduceerbaar recept erbij, wat beter is dan een kale claim, en nog steeds geen onafhankelijke meting.

Het onafhankelijke beeld is veel dunner, en dat is op zichzelf het nuttigste feit op deze pagina. Het panel van derden dat deze modellen beoordeelt, plaatst deze checkpoint op een Intelligence Index in de midden twintig — rond 26 — tegenover ongeveer 58 voor O​pus 5.5. Dat panel registreert ook een ongewoon hoog outputtokenverbruik voor de indexrun, wat het als breedsprakigheid interpreteert, en breedsprakigheid is een kostenpost in plaats van een voetnoot in elke deployment waar je per token betaalt of per token wacht. Eén onafhankelijk gegevenspunt is geen vonnis, maar het is het enige dat niet is geproduceerd door het bedrijf dat het model verkoopt.

Wat niemand heeft gepubliceerd: hoe de 4-bitskwantisatie die scores verschuift. De standaardtag van Ollama is q4_K_M. Elk gepubliceerd cijfer is voor BF16 of NVFP4. Het cijfer dat de meeste mensen daadwerkelijk zullen ervaren, is daarom niet gemeten, en dat is het cijfer om de komende weken in de gaten te houden.

Wat je vandaag wel en niet kunt bellen

Het is de moeite waard om het ronduit te zeggen, want dit is het meest voorkomende misverstand op pagina's zoals deze. N​emotron 3.5 Super staat niet op OrcaRouter. We routeren iets meer dan tweehonderd modellen en er is geen N​VIDIA N​emotron-vermelding bij, dus als je deze specifieke checkpoint nodig hebt, zijn je routes de eigen build- en distributiekanalen van de leverancier en de lokale runtime-pull — niet wij.

Opus 5.5 daarentegen staat op onze sleutel, tegen de lijstprijs van de provider, doorgegeven zonder markup per token, wat betekent dat een prijswijziging van de leverancier dezelfde dag aan onze kant ingaat in plaats van bij de volgende contractverlenging. Die asymmetrie is echt nuttig voor de beslissing die voor je ligt: de goedkope eerste stap is om de workload die je op vier H100's van plan was te draaien, eerst tegen het gehoste model te draaien, via één API, zonder tussenkomst van inkoop. Als het gehoste model het werk doet tegen een acceptabele prijs, heb je jezelf het cluster bespaard. Als dat niet het geval is — en het op grote schaal verkeerd interpreteren van een compact technisch document is een plausibele manier waarop dat kan gebeuren — heb je nu bewijs in plaats van een benchmarktabel, en kun je de download besteden aan de gevallen die het hebben overleefd.

Wat het deploymentrecept concreet kost

Het eigen vLLM-recept van de kaart is de moeite waard om als budgetdocument te lezen. Tensor-parallelisme van 4, GPU-geheugengebruik 0,85, maximaal 32 gelijktijdige sequenties, één afbeelding en één video per prompt, videopruning op 0,5, en speculatieve decoding via de MTP-head met drie speculatieve tokens. Vier H100's op 0,85 bezetting met een limiet van 32 sequenties is geen grote service — het is een serieuze single-node-implementatie, en het gelijktijdigheidsplafond vertelt je wat de leverancier verwacht dat één replica aankan.

Twee details in dat recept zijn belangrijker dan ze lijken. De videoconfiguratie accepteert één video per prompt met pruning tegen halve snelheid, wat een sterke aanwijzing is over waar het vision-budget naartoe gaat bij lange inputs. En de reasoning-parser heet nemotron_v3/ terwijl de tool-call-parser qwen3_coder/ heet — de leverancier hergebruikt een tool-call-formaat dat hij niet zelf heeft bedacht, wat goed nieuws is voor iedereen met bestaande tool-calling-code en de moeite waard om te weten voordat je nieuwe parsing-logica schrijft.

Daar staat tegenover dat het operationele oppervlak van het gehoste model een API-sleutel is. Wat inspanning betreft, liggen "vier H100's en een vLLM-recept" en "een sleutel en een meter" niet dicht bij elkaar. Alleen qua kosten liggen ze dicht bij elkaar, en dan alleen bij volume.

Nog één ding dat uit een repository te weten valt en gemakkelijk over het hoofd wordt gezien: de aanbevolen sampling verschilt per modaliteit. Tekst wil temperatuur 1,0 met top_p 0,95; vision wil 0,6 met 0,95. Een deployment die één paar globaal instelt en vervolgens grafieken en gescande pagina's verwerkt, draait de vision-helft van een vision-model op de instellingen van de teksthelft. Als je eerste indruk van dit model op documenten slecht is, is dat de eerste knop om te controleren — voordat je iets concludeert over de checkpoint.

Dus welke

Als je werk agentische codering met een lange horizon is, of iets waarbij het redeneren bij de eerste poging van frontier-kwaliteit moet zijn, dan is Claude Opus 5.5 het antwoord en is het N​emotron-niveau geen vervanging daarvoor. Dat is geen twijfelgeval, en de eigen gepubliceerde agentische rijen van de leverancier beweren niet het tegendeel.

Als je werk bestaat uit grootschalige document- en beeldinterpretatie waarbij de kostenfactor het aantal pagina's is in plaats van de moeilijkheidsgraad van de redenering, dan is dit een van de interessantere open checkpoints die dit jaar zijn verschenen: 120 miljard parameters met 12 miljard actieve, een permissieve licentie, een visiepad dat er echt is in plaats van er later op te zijn geschroefd, en een 4-bits standaardinstelling die op één enkele kaart van 96 GB past. Het addertje onder het gras is dat de versie die iedereen daadwerkelijk zal gebruiken — de q4_K_M-standaard — nergens een gepubliceerde evaluatie heeft, het model vier dagen oud is, en de specificatie die door de runtime is gepubliceerd niet volledig overeenkomt met de specificatie die door de leverancier is gepubliceerd.

Beide zijn redenen om het te proberen, geen redenen om het te vertrouwen. Zet de werklast eerst op het gehoste model om erachter te komen of het een werklast is die een frontiermodel wel oplost en een middenklassemodel niet. Beslis dan of de overgebleven gevallen een cluster, een download of een avond configureren waard zijn. En als je toch een vier dagen oude checkpoint in een requestpad zet, leid hem dan via een fallback, want de goedkoopste verzekering tegen een model zonder operationele geschiedenis is een tweede model achter dezelfde aanroep.

Wat de cijfers je niet kunnen vertellen, is of er in de praktijk iets mis is gegaan: de gedocumenteerde AI-incidenten en agent-fouten rond modellen in deze klasse zijn verzameld in het OrcaRouter AI Incident Archive, waar elke vermelding zijn eigen bronnen, ernstniveau, betrouwbaarheidsgraad en betwistingsmarkering heeft.