Xing 4.0 29B-A4B vs Nemotron 3.5 Lightning 30B-A3B: Zelfde vorm, andere licentie

Zet Xing 4.0 29B-A4B en Nemotron 3.5 Lightning 30B-A3B op dezelfde regel en de specificaties komen bijna overeen: 29 miljard parameters tegenover 30 miljard, vier miljard actief per token tegenover drie, een sparse mixture-of-experts-indeling aan beide kanten, en een expliciet ontwerpdoel van agentisch en tool-gebruikend werk in beide modelkaarten. Ze kwamen zelfs vijf weken na elkaar uit in dezelfde zomer — NVIDIA's algemene beschikbaarheid op 11 augustus 2026, China Telecoms gewichten op 16 september 2026, met een aanroepbaar eindpunt dat medio oktober volgde. De convergentie is echt en maakt dit de meest direct vergelijkbare combinatie in deze reeks. Het is ook waar de gelijkenis ophoudt, want de twee releases zetten tegengestelde weddenschappen in op contextlengte, op attention-architectuur, en bovenal op licenties — en een van die drie is een beslissing die je juridische team neemt, niet je ML-team.

Waar de specificaties echt overeenkomen

• Totaal aantal parameters — N​emotron 3.5 Lightning 30B totaal vs Xing 4.0 29B. Een verschil van één miljard parameters op een model van dertig miljard stelt niets voor.

• Actieve parameters — N​emotron 3B per token versus Xing 4B per token. Dit is het getal dat je doorvoer bepaalt, en het verschil is veel kleiner dan het verschil in naamgeving ("A3B" tegenover "A4B") doet vermoeden: ongeveer een derde meer rekenwerk per token voor Xing.

• Form — beide sparse MoE, beide Apache-achtige volledig open artefacten in de zin dat de gewichten downloadbaar zijn en de servingrecepten gepubliceerd zijn, beide met gekwantiseerde builds van de leverancier en de community.

• Ontwerpopdracht — beide kaarten zijn geschreven voor agents. Die van Xing 4.0 noemt meerstapsplanning, het aanroepen van tools en redeneerketens; die van N​emotron wordt geleverd naast NeMo Switchyard, een open-source routeringsbibliotheek die bepaalt welk model de volgende stap binnen een agent-loop afhandelt. Twee labs, dezelfde conclusie over waar kleine open modellen hun bestaansrecht verdienen.

• Publicatie — Nemotron 3.5 Lightning bereikte GA op 11 augustus 2026, met NVFP4- en basisvarianten die in de daaropvolgende dagen verschenen. De repository van Xing 4.0 werd aangemaakt op 16 september 2026, de gekwantiseerde builds verschenen op 13 oktober, en een endpoint met verbruiksmeting verscheen op 15–16 oktober.

Waar ze niet meer overeenkomen: context, en hoe je die verkrijgt

Dit is de grootste praktische kloof tussen de twee, en die is allesbehalve klein.

• Contextvenster — N​emotron 3.5 Lightning: tot 1M tokens. Xing 4.0: 256K native, volgens opgave uitbreidbaar tot 512K.

• Wat dat in de praktijk betekent — N​VIDIA's eigen kaart geeft openlijk toe dat het venster van een miljoen tokens geheugengebonden is en dat 256K het gevalideerde cijfer is op één enkele 80GB H100. De eerlijke vergelijking op implementatieniveau is dus 256K tegen 256K, waarbij N​emotron een gedocumenteerde, door de leverancier gevalideerde route naar vier keer dat aantal heeft en Xing op zijn kaart een claim van twee keer dat aantal heeft.

• Aandacht voor ontwerp — Nemotron 3.5 Lightning is een hybride: Mamba-2 state-space-lagen afgewisseld met attention en MoE-routing. Xing 4.0 is volledig MLA — gecomprimeerde latente key-value-state, de aanpak uit de DeepSeek-lijn — plus manifold-beperkte hyper-connection-residustromen. Dit zijn twee verschillende strategieën voor hetzelfde KV-cache-probleem, en geen van beide is een vergissing.

• Speculatief decoderen — Xing 4.0 heeft meer-tokenvoorspelling in het checkpoint getraind. De gepubliceerde artefacten van N​emotron 3.5 Lightning bevatten varianten van het draft-model in de gekwantiseerde familie, die een vergelijkbaar doel dienen, maar MTP is een eigenschap van Xings gewichten in plaats van een begeleidend bestand.

• Precisie — N​VIDIA publiceert het BF16-checkpoint als een referentie op volledige precisie, expliciet bedoeld voor aanpassing en post-training, met NVFP4-builds voor productie-inference. Xing 4.0 publiceert BF16, FP8, w8a8 en GGUF. Als je van plan bent te fine-tunen, zijn beide even goed bediend; als je van plan bent te serveren, willen beide dat je op het gekwantiseerde artefact zit.

Het licentieverschil is de echte beslissing

Nemotron 3.5 Lightning wordt uitgebracht onder de OpenMDW-licentieovereenkomst, versie 1.1 — NVIDIA's eigen open-model-licentie, die buiten het bedrijf wordt beheerd. Xing 4.0 wordt uitgebracht onder Apache 2.0.

Beide staan commercieel gebruik toe. Het zijn geen gelijkwaardige documenten, en het verschil komt naar voren in de onderdelen van een deployment die ingenieurs zelden lezen. Apache 2.0 is een volwassen, door OSI goedgekeurde licentie waarover veelvuldig is geprocedeerd, met een vertrouwde octrooiverlening en een decennium aan juridische precedenten uit het bedrijfsleven achter zich; bij de meeste grote organisaties is deze al vooraf goedgekeurd. OpenMDW is nieuwer en minder vertrouwd, wat betekent dat de eerste commerciële deployment van een Nemotron-model in een gereguleerde of enterprise-omgeving waarschijnlijker door een juridische beoordeling zal gaan dan de equivalente Xing 4.0-deployment. Dat is geen argument dat OpenMDW beperkend is — het is een argument dat onbekendheid kosten met zich meebrengt, en die kosten worden betaald in weken in plaats van dollars. Als je louter op technische merites tussen deze twee kiest, negeer je de helft van de beslissing die je juridische team toekomt.

Beide benchmarktabellen zijn leverancierstabellen.

Dit is het deel van de vergelijking waarbij een lezer even op de rem moet trappen. Geen van beide modellen heeft een onafhankelijke evaluatie op een harness die door iemand anders dan de leverancier is gekozen.

• SWE-bench Verified — Xing 4.0 75,00 vs. Nemotron 3.5 Lightning 51,56.

• SWE-bench Multilingual — Xing 4.0 66,00 tegen Nemotron 3.5 Lightning 39,33.

• Terminal-Bench 2.1 — Xing 4.0 57,50 versus N​emotron 3.5 Lightning 24,58.

• Instructieopvolging — Xing 4.0 IFBench 69,67 versus Nemotron 3.5 Lightning IFBench 71,88, gerapporteerd op de losse instelling.

• Algemeen redeneren — Nemotron 3.5 Lightning MMLU Pro 81.94, GPQA Diamond 75.44, HLE 11.72, SciCode 32.60, AA-Omniscience 17.50. De modelkaart van Xing 4.0 bevat geen vergelijkbare rij.

• Lange context — Xing 4.0 AA.LCR 61.00 vs N​emotron 3.5 Lightning AA-LCR 52.00. Xing wint de enige lange-contextrij waarin beide cijfers voorkomen, een enigszins verrassend resultaat gezien N​emotrons veel grotere opgegeven venster.

• Agentisch browsen en ophalen — N​emotron 3.5 Lightning BrowseComp 36,97, PinchBench 85,37, τ³-bench (Banking) 9,28, GDPval-AA-V2 832. Xing 4.0 Claw-Eval 76,55, Tau3-Bench 64,63, DeepresearchBII 60,80. Deze suites overlappen elkaar helemaal niet, dus een vergelijking is niet mogelijk en elke tabel die ze naast elkaar zet, verzint er een.

De herkomst erachter verschilt op één interessante manier. N​VIDIA stelt dat zijn resultaten zijn gemeten met een consistente interne testopstelling en waarschuwt dat ze "kunnen afwijken van cijfers die leveranciers zelf rapporteren" — en in de tabel die het publiceert staan concurrentiekolommen voor Qwen 3.6 35B A3B, Gemma 4 26B A4B en G​PT-OSS 20B, wat N​VIDIA's eigen hertesten van die modellen zijn. De tabel van China Telecom doet hetzelfde in de tegenovergestelde richting, door zichzelf te benchmarken tegen zijn eigen hertesten van G​emma 4 en Q​wen. Elk lab meet zijn concurrenten met zijn eigen testopstelling en publiceert het resultaat als vergelijkingskolom. Geen van beide doet iets oneerlijks, en geen van beide kolommen moet worden gelezen als het cijfer van de concurrent zelf.

Kosten en portie

Het 1M-tokenvenster van Nemotron 3.5 Lightning heeft een reëel operationeel gevolg dat ingenieurs op de harde manier ontdekken: het is geheugengebonden, en een verzoek dat de beschikbare KV-cachecapaciteit overschrijdt, mislukt bij de provider in plaats van netjes te degraderen. Dat is de vorm van falen die een router hoort op te vangen — OrcaRouter probeert opnieuw tegen gezonde fallbackcapaciteit voordat het antwoord begint, zodat een upstream out-of-memory of een 429 bij een long-contextaanroep niet als fout bij de gebruiker opduikt. Wij routeren meer dan 200 gehoste modellen achter één API met 0% opslag, de listprijs van de provider wordt doorgegeven zonder iets toe te voegen, en dit is de faalmodus waarin de failoverketen ophoudt een mooi diagram te zijn en de reden wordt dat je agent zijn taak afmaakt.

Noch N​emotron 3.5 Lightning, noch Xing 4.0 staat vandaag in onze catalogus, dus wij zijn geen route naar een van beide modellen en dit stuk zal dat ook niet suggereren. Hoe de cijfers eruitzien als je ze zelf draait: de 4-bits kwantisering van Xing 4.0 wordt geclaimd op ongeveer 15GB VRAM, wat het op een enkele RTX 3090 of 4090 zou zetten; het geheugenafhankelijke gedrag van N​emotron 3.5 Lightning op een enkele 80GB H100 is gedocumenteerd voor het gevalideerde 256K-venster, wat het veeleisendere doel van de twee is. Xing 4.0 is het goedkopere model om te hosten; N​emotron 3.5 Lightning is degene met een gedocumenteerd pad naar een veel langere context als je de hardware ervoor hebt.

Hoe te kiezen

Kies Nemotron 3.5 Lightning 30B-A3B als de contextlengte de beperkende factor is, als je al binnen NVIDIA's stack zit en NeMo Switchyard een natuurlijke fit is voor je agent-loop, of als je organisatie OpenMDW al heeft goedgekeurd voor commercieel gebruik. Het ruimere venster, de gepubliceerde route via het basismodel voor maatwerk, en het feit dat de evaluatietabel veertien benchmarks beslaat in plaats van negen, wijzen allemaal in dezelfde richting.

Kies Xing 4.0 29B-A4B als de snelheid van licentieclearance ertoe doet, als je werk software-engineering en agenttaken in terminalvorm is in plaats van het ophalen van lange documenten, of als het argument van doorvoer per kaart is wat je eigenlijk koopt. De agentische marges in zijn eigen tabel zijn de grootste in deze gewichtsklasse, zijn licentie is degene die elke advocaat al kent, en zijn langecontextrij — de enige plek waar beide modellen een vergelijkbaar cijfer publiceerden — ging naar Xing.

Wat het antwoord zou veranderen, is hetzelfde als wat het in elke vergelijking in deze reeks zou veranderen: één onafhankelijke evaluatie van beide modellen, uitgevoerd door een derde partij, op één harness. NVIDIA en China Telecom hebben elk een tabel gepubliceerd die hun eigen model gunstig laat afsteken tegen re-runs van de generatie van de ander. Wanneer iemand de eerste tabel publiceert die geen van beide heeft geschreven, wordt de hierboven genoemde SWE-bench-kloof van 23 punten ofwel het belangrijkste getal in deze gewichtsklasse, ofwel een artefact van twee verschillende agent-harnesses. Van buitenaf valt niet te zeggen welke van de twee.

Niets daarvan is hypothetisch: de gedocumenteerde AI-fouten en agent-incidenten achter releases zoals deze zijn verzameld in the OrcaRouter AI Incident Archive, waar elke vermelding zijn eigen bronnen, ernst, betrouwbaarheidsgraad en markering voor betwisting bevat.