Nemotron 3.5 Super VL vs DeepSeek V4 Flash Vision Exp: Osiem punktów indeksu, a tylko jeden z nich jest produktem

W rankingu Artificial Analysis Intelligence Index, DeepSeek V4 Flash Vision Exp pokonuje NVIDIA Nemotron 3.5 Super VL o 8,35 punktu — 34,84 do 26,49, przy czym oba wyniki nie są szacowane — i osiąga to przy publikowanej cenie 0,44 USD za milion tokenów wejściowych i 1,32 USD za milion tokenów wyjściowych, podczas gdy NVIDIA nie opublikowała żadnej ceny. To jest podsumowanie, z którym odchodzi czytelnik karty specyfikacji, i jest to niewłaściwe podsumowanie, na którym nie należy się opierać. Te dwa modele nie konkurują o to samo miejsce. NVIDIA Nemotron 3.5 Super VL to model ogólnodostępny, z raportem technicznym, mikrousługą NIM, wsparciem korporacyjnym i ekosystemem post-training obejmującym Scale AI, Salesforce i CrowdStrike. DeepSeek V4 Flash Vision Exp jest, sądząc po samej nazwie pliku, eksperymentem: pierwszym multimodalnym członkiem rodziny V4, udostępnionym jako wagi plus minimalna referencyjna implementacja PyTorch, i ocenianym na tym panelu w konfiguracji, której DeepSeek nie sprzedaje. Osiem punktów to realna różnica. To także różnica między usługą a artefaktem badawczym, a użyteczne pytanie nie brzmi, kto wygrywa, lecz który z nich może znaleźć się w twoim obszarze zgodności za sześć miesięcy.

Czym każdy z nich właściwie jest

NVIDIA Nemotron 3.5 Super VL to hybryda o 120 mld parametrów — warstwy Mamba-2, mieszanka ekspertów z 512 ekspertami routowanymi oraz mechanizm uwagi — z enkoderem wizyjnym C-RADIO, 12 mld aktywnych parametrów na token, kontekstem do 1 mln tokenów i natywnym Multi-Token Prediction do dekodowania spekulacyjnego bez osobnego modelu draftującego. Jej dane wejściowe to tekst, obrazy i wideo; dane wyjściowe to tekst. Własna ewaluacja NVIDIA obejmuje OCR, rozumienie wykresów i dokumentów, rozumienie wideo oraz pracę z długim kontekstem, a licencja to OpenMDW-1.1, która pozwala na użycie komercyjne. Towarzyszy jej raport techniczny i opublikowana recepta wdrożeniowa dla 4×H100 lub 2×GB200.

DeepSeek V4 Flash Vision Exp opiera się na architekturze DeepSeek-V4-Flash, dodając moduły wizualne i kontynuowane trenowanie. Repozytorium zawiera 48 shardów safetensors na licencji MIT, tokenizer, moduł kodowania, który konwertuje bloki wiadomości w stylu OpenAI na prompty, oraz minimalną implementację PyTorch obejmującą enkoder wizyjny, aligner, attention DFlash, MoE, Hyper-Connections i ścieżkę forward DSpark. Konfiguracja pokazuje MoE o 43 warstwach z 256 ekspertami routowanymi, 6 ekspertami na token, 1 048 576 maksymalnymi pozycjami i trójwarstwową głowicą przewidywania wielu tokenów. Karta wyraźnie stwierdza, że jest to pierwszy eksperymentalny model multimodalny DeepSeek w linii V4 i że poprawia wyniki DeepSeek-V4-Flash-0731 w multimodalnych zadaniach agentowych, zachowując porównywalną wydajność w zadaniach tylko tekstowych.

• Parametry i struktura — NVIDIA Nemotron 3.5 Super VL: łącznie 120B / 12B aktywnych, hybrydowy MoE z wizją C-RADIO. DeepSeek V4 Flash Vision Exp: łącznie 284B / 13B aktywnych, MoE, 256 ekspertów routowanych, 6 na token.

• Indeks Inteligencji — 26,49 dla Super VL, 34,84 dla obsługiwanej konfiguracji DeepSeek. W obu przypadkach wartości nie są szacowane, oba według Artificial Analysis.

• Tokeny wyjściowe na zadanie indeksowania — 49 174 w porównaniu do 69 174. Super VL kończy zadania panelu, zużywając o 29% mniej tokenów.

• Cena — nigdzie nie opublikowano stawki dla Super VL; 0,44 USD za wejście / 1,32 USD za wyjście za milion w przypadku obsługiwanej konfiguracji DeepSeek, według tego samego panelu.

• Licencja i zobowiązanie — OpenMDW-1.1 z komercyjnym wykorzystaniem, GA i usługą NIM dla Super VL; wagi na licencji MIT i implementacja referencyjna, oznaczona jako eksperymentalna, dla DeepSeek V4 Flash Vision Exp.

• Modalności — tekst, obraz i wideo na wejściu dla Super VL zgodnie z kartą produktową NVIDIA; obraz na wejściu, tekst na wyjściu dla modelu DeepSeek, którego własna tabela benchmarków w ogóle nie zawiera wierszy dotyczących wideo.

Ośmiopunktowa różnica się utrzymuje; porównanie cen już nie.

Zacznij od tej części, która jest naprawdę rozstrzygnięta. Model DeepSeek uzyskuje wyższy wynik i kosztuje mniej za token, a przewaga nie jest szumem — 8,35 punktu indeksu to w przybliżeniu odległość między NVIDIA Nemotron 3.5 Super VL a własnym modelem 550B NVIDIA Nemotron 3 Ultra 550B A55B firmy NVIDIA, który plasuje się na poziomie 22,93. Uczciwe ujęcie jest więc takie, że eksperymentalne wydanie multimodalne 284B chińskiego laboratorium obecnie uzyskuje wyższy wynik niż flagowy otwarty model wizyjny amerykańskiego laboratorium, przy rozmiarze około jednej trzeciej na osi aktywnych parametrów i po opublikowanej stawce. Jeśli twoim obciążeniem jest rozumienie ekranu i wykresów dostarczane przez API, to cała odpowiedź i możesz przestać czytać.

Porównanie przestaje mieć sens w momencie, gdy chcesz uruchomić to samodzielnie — i to jest powód, dla którego istnieją oba te modele. Wartość 34,84 odnosi się do udostępnianej konfiguracji Max, a nie do punktu kontrolnego, który możesz wdrożyć. Repozytorium Hub to autentyczne wydanie wag na licencji MIT, ale własna karta DeepSeek przedstawia je jako artefakt eksperymentalny z minimalną ścieżką wnioskowania — taki rodzaj wydania, jaki laboratorium publikuje, aby badacze mogli odtworzyć artykuł, a nie taki, jaki wspiera kontraktem korporacyjnym. NVIDIA robi odwrotnie: publikuje wagi w tym samym czasie co produkt, przy czym to wywołujący ma hostować. Na benchmarkach, które oba laboratoria decydują się publikować, różnica jest widoczna. DeepSeek kładzie nacisk na multimodalną pracę agentową — ApexBench 36,5 w porównaniu z własnym 26,2 dla modelu wyłącznie tekstowego, Chartography 64,3, ZeroBench na poziomie 35,0 pass@5, Agents' Last Exam 27,3. NVIDIA kładzie nacisk na obszary dokumentów i wideo — OCRBench v2 na poziomie 68,12 w języku angielskim, MMLongBench-Doc 62,82, rozumowanie CharXiv 80,82, Video-MME v2 32,85. Żaden z tych zestawów nie jest porównywalny z drugim, a oba są raportowane przez dostawców.

Gdy numery dostawców nie zgadzają się ze sobą

W tabeli samej NVIDIA jest szczegół, który wart jest akapitu, ponieważ jest dokładnie tym rodzajem rzeczy, który bywa rozmywany w agregacji. Kolumna porównawcza NVIDIA obejmuje DeepSeek-V4-Flash0731 i podaje dla niego wynik Terminal-Bench 2.1 na poziomie 76,80. Karta samego DeepSeek podaje 82,7 dla tego samego modelu w tym samym benchmarku oraz 83,9 dla DeepSeek V4 Flash Vision Exp. Trzy liczby, jeden benchmark, dwa środowiska testowe i żadnego uzgodnienia po żadnej ze stron. To nie skandal — różne ustawienia scaffoldingu i wysiłku rozumowania przesuwają benchmarki agentowe o kilka punktów, a NVIDIA publikuje swoje receptury NeMo Gym właśnie po to, by można było sprawdzić te ustawienia. Oznacza to jednak, że gdy widzisz ośmiopunktową różnicę w indeksie, wiarygodny jest sam indeks, a nie benchmarki składowe. Indeks to jedno środowisko testowe zastosowane do obu modeli przez stronę trzecią. Tabele benchmarków to cztery laboratoria oceniające własne zadania domowe na własnym scaffoldingu.

Na tym samym panelu oba modele mają ujemny wskaźnik wszechwiedzy. Super VL plasuje się na minus 4,22 przy dokładności 23,3% i współczynniku halucynacji 35,8%; ten wiersz mierzy, czy model odmawia odpowiedzi, gdy czegoś nie wie, i żaden z tych dwóch nie jest w tym dobry. GDPval-AA — gotowe produkty końcowe, a nie odpowiedzi — daje Super VL 1 162,41, a rubryka AA-Briefcase Elo na poziomie 998,76. W przypadku modelu DeepSeek te same wiersze nie są wypełnione w udostępnianej konfiguracji. Jeśli Twoim przypadkiem użycia jest wyszukiwanie wiedzy, żadna z tych liczb nie napawa optymizmem. Jeśli jest to tworzenie dokumentów, Super VL ma jedyny zmierzony wiersz w tej parze.

Uruchamianie któregokolwiek z nich

Wdrożenie to moment, w którym ścieżki rozchodzą się na dobre. NVIDIA Nemotron 3.5 Super VL obsługuje BF16 na 4×H100 lub 2×GB200 z przypiętymi kontenerami vLLM i SGLang, dodaje wersję NVFP4 o mniejszym zapotrzebowaniu na zasoby i dokumentuje potok wideo próbkujący 256 klatek przy 2 FPS ze współczynnikiem przycinania 0,5. DeepSeek V4 Flash Vision Exp publikuje przepis na vLLM dla pojedynczego węzła 4×GB300 z pamięcią podręczną KV FP8, rozmiarem bloku 256 i dekodowaniem spekulacyjnym DSpark pochodzącym z tego samego checkpointu, a do tego ścieżkę SGLang — lżejszą po stronie sprzedaży, cięższą w założeniu, że wiesz, co robisz. Oba wymagają sprzętu klasy centrum danych; żaden nie jest modelem na laptopa. Co ciekawe, jedyne, co je łączy, to fakt, że obniżka ceny katalogowej przez dostawcę pojawia się po kosztach w OrcaRouter tego samego dnia, w którym wchodzi, ponieważ przekazujemy ceny dostawców z 0% narzutem w ponad 200 modelach na jednym kluczu, a automatyczne przełączanie awaryjne pozwala umieścić niesprawdzony checkpoint na części ruchu, podczas gdy sprawdzony obsługuje resztę. To jest praktyczna odpowiedź, gdy ośmiopunktowa różnica i brakująca cena sprawiają, że decyzja jest naprawdę bliska: skieruj ruch do obu, zmierz na własnych danych wejściowych, i pozwól ruchowi to rozstrzygnąć — z zastrzeżeniem, że dziś można kierować ruch tylko do jednego z nich. DeepSeek V4 Flash Vision Exp jest już w naszym katalogu, w stawce publikowanej przez jego dostawcę, a nie w podwyższonej; NVIDIA Nemotron 3.5 Super VL jeszcze go tam nie ma, ponieważ nikt niezawodnie nie obsługuje checkpointu sprzed trzech dni. Tę asymetrię warto powiedzieć wprost, zamiast sugerować, że mamy oba.

Każdy wybór w jednej linii

Wybierz NVIDIA Nemotron 3.5 Super VL, gdy praca dotyczy dokumentów, wykresów, zeskanowanych stron i wideo, gdy licencja musi pozwalać na użycie komercyjne i gdy potrzebujesz dostawcy, który za rok nadal będzie odpowiadał na zgłoszenia wsparcia dotyczące checkpointu — akceptując, że rezygnujesz z 8,35 punktu indeksu i płacisz za GPU zamiast za tokeny. Wybierz DeepSeek V4 Flash Vision Exp, gdy praca polega na rozumieniu wykresów i ekranu przez API, gdy 0,44 USD i 1,32 USD za milion tokenów to pozycja budżetowa i gdy akceptowalne jest określanie eksperymentalnego wydania jako wersji beta — akceptując, że serwowana konfiguracja nie jest checkpointem, a checkpoint nie jest obsługiwany. Zespoły, które potrzebują obu zachowań, zwykle uruchamiają dwa różne obciążenia, a właśnie do dwóch różnych obciążeń służy jeden punkt końcowy z przełączaniem awaryjnym.