Wygenerowana karta tytułowa zatytułowana „Qwen4-Max vs Nemotron 3.5 Bolt 74B” z banerem o treści „Nie istnieje wspólny niezależny benchmark”, lewa karta wymieniająca Qwen4-Max jako hostowane API z kontekstem 1 000 000 tokenów, ceną 1,50 USD za wejście i 4,50 USD za wyjście za milion tokenów, Intelligence Index wynoszącym 43 i niepublikowanymi wagami, oraz prawa karta wymieniająca Nemotron 3.5 Bolt 74B jako checkpoint do pobrania z kontekstem 262 144 tokenów, rozmiarem 24 GB przy 2,06 bita, Intelligence Index równym N/A i licencją OpenMDW-1.1.
Guides & Insights

Qwen4-Max vs Nemotron 3.5 Bolt 74B: W tym porównaniu brakuje jednej liczby

Autor

jinhao.song

Data publikacji

Najnowsze modele · 20Zobacz wszystkie modele →
Benchmarki: Artificial Analysis · aktualizowane codziennie
Powrót do wszystkich wpisów

Postaw Qwen4-Max i NVIDIA Nemotron 3.5 Bolt 74B-A9B 24GB obok siebie, a pierwszą rzeczą, jaką zauważysz, jest to, że serwisy porównawcze nie mają czego porównywać. BenchLM mówi to wprost — brak wspólnych wyników benchmarków — a następnie zachęca, by zamiast tego spojrzeć na cenę. Powód jest strukturalny, a nie tymczasowy: Qwen4-Max uzyskuje 43 punkty w Artificial Analysis Intelligence Index v5.0.1, a Nemotron 3.5 Bolt 74B-A9B 24GB nie ma w ogóle wyniku Intelligence Index. Nie niskiego. N/A na liście rankingowej, która obsługuje modele od czasów przed premierą któregokolwiek z nich, ponieważ model nie ma publicznie dostępnego API, a niezależne środowisko testowe nie ma czego wywołać.

Ta pojedyncza nieobecność reorganizuje wszystko inne w tym zestawieniu. Nie można uszeregować checkpointu o 74 miliardach parametrów, który mieści się w 24 gigabajtach, względem hostowanego modelu o 2,4 biliona parametrów, umieszczając ich liczby w sąsiednich komórkach, ponieważ tylko jeden z nich ma liczby. Można natomiast — czego strony agregatorów nie robią — rozdzielić twierdzenia każdego dostawcy, odnotować, kto je zmierzył, i ustalić, od której kolumny faktycznie zależy decyzja. Okazuje się, że chodzi mniej o możliwości, a bardziej o to, czy kupujesz plik, czy wynajmujesz usługę.

Jeden to plik, drugi to miernik.

NVIDIA Nemotron 3.5 Bolt 74B-A9B 24GB został udostępniony 15 października 2026 r. i jest dostępny na Hugging Face jako wagi do pobrania na licencji OpenMDW-1.1, która pozwala na użycie komercyjne. To hybrydowy model typu mixture-of-experts Mamba-Transformer: łącznie 74 miliardy parametrów, 9 miliardów aktywnych na token. „24GB” w nazwie jest sednem całego przedsięwzięcia. NVIDIA zbudowała go, kompresując swojego rodzica 120B-A12B za pomocą sterowanego routerem frameworka wyszukiwania, który nazywa Star Elastic, zmniejszając top-K ekspertów z 22 do 9, a następnie stosując destylację z uwzględnieniem kwantyzacji, dzięki czemu warstwy ekspertów mają 2,0625 bita. Towarzyszy mu spekulatywny drafter o 1,13 miliarda parametrów, ze średnimi długościami akceptacji 4,68 przy dekodowaniu zachłannym i 4,25 przy próbkowaniu. Zalecanym środowiskiem uruchomieniowym jest vLLM na Ampere, Hopper lub Blackwell, przy rozmiarze równoległości tensorowej równym jeden.

Qwen4-Max to konstrukcja przeciwna i nie tylko ze względu na rozmiar. Flagowy model Alibaby czwartej generacji stał się powszechnie dostępny 16 listopada 2026 r. w Singapurze w cenie 1,50 USD za milion tokenów wejściowych i 4,50 USD za milion tokenów wyjściowych, z oknem kontekstu wynoszącym 1 000 000 tokenów, natywnym wejściem obrazu i wideo oraz trzema konfigurowalnymi poziomami rozumowania. Nie opublikowano żadnego checkpointu. Dostrajanie, wdrażanie modelu i wnioskowanie wsadowe są wymienione jako nieobsługiwane w dokumentacji Model Studio. Każdy punkt końcowy, który go obsługuje, obsługuje wdrożenie Alibaby.

Zatem te dwa modele nie konkurują o to samo miejsce w Twojej architekturze. Jeden z nich to coś, co uruchamiasz; drugi to coś, co wywołujesz. Każde porównanie, które nie zaczyna się od tego założenia, mierzy niewłaściwą rzecz.

Tabela dostawcy porównuje Bolt z Qwen, który nie jest tym Qwen.

Tabela benchmarków samego NVIDIA to najlepiej udokumentowany zestaw liczb po obu stronach i warto ją uważnie przeczytać ze względu na to, czego nie zawiera. W jej kolumnach porównawczych znajdują się Qwen3.6-35B-A3B w BF16, Gemma 4 26B-A4B-IT w BF16 oraz Nemotron 3.5 Lightning 30B-A3B. Qwen4-Max nie ma w tabeli. Qwen mierzony w tabeli to model o otwartych wagach z 35 miliardami parametrów sprzed dwóch generacji, a powód jest oczywisty, gdy go podać: zestaw porównawczy jest określany przez zapotrzebowanie na pamięć, a hostowane API z 2,4 biliona parametrów nie ma zapotrzebowania na pamięć, które można by porównać.

To, co tabela faktycznie ustala — choć wszystko to dane zgłoszone przez dostawcę i nieodtworzone — to że plik 24 GB jest konkurencyjny wobec znacznie większych lokalnych opcji w zadaniach agentowych. Na wierszach, które NVIDIA wybrała:

• BrowseComp — Nemotron 3.5 Bolt 74B 66,75 w porównaniu z 48,74 dla Qwen3.6-35B-A3B i 26,30 dla Gemma 4 26B-A4B

• Terminal-Bench 2.1 — 50,98 wobec 44,38 i 37,22

• WebArena w trybie wizyjnym — 50,86 wobec 36,60 i 38,20

GPQA Diamond — 86,43 w porównaniu z 83,40 i 79,61

• HLE bez narzędzi — 25,30 w porównaniu z 19,56 i 17,42

• GDPVal-AA-V2 — 28,47 wobec 25,75 i 15,33

• MCP-Atlas — 52,20 wobec 51,20 i 48,4

• Tau3 Banking — 17,01 wobec 10,52 i 14,02

Screenshot of the Hugging Face model card for NVIDIA-Nemotron-3.5-Bolt-74B-A9B-24GB captured 19 November 2026, showing the 15 October 2026 release date, the 74B total and 9B active parameter configuration, a context length of up to 256K tokens, the OpenMDW-1.1 licence, and the vendor benchmark table comparing Bolt against Qwen3.6-35B-A3B, Gemma 4 26B-A4B-IT and Nemotron 3.5 Lightning 30B-A3B.

Dwa wiersze, w których przegrywa, warto wymienić, ponieważ tabele dostawców rzadko je zawierają. W przypadku dokładności AA-Omniscience Gemma 4 26B-A4B uzyskuje 22,17 wobec 16,90 Bolt; w przypadku niehalucynacji AA-Omniscience Nemotron 3.5 Lightning prowadzi z 68,81 wobec 61,27 Bolt. Najsłabszą ujawnioną cechą Bolt jest świadomość tego, kiedy nie wie.

Przypis ma takie samo znaczenie jak wiersze. NVIDIA odnotowuje MCP-Atlas na poziomie 51,20 dla Qwen3.6-35B-A3B, zauważając jednocześnie, że sam Qwen podaje 62,8 w tym samym benchmarku, mierzonym na 500 publicznych zadaniach. Dwa laboratoria, jeden benchmark, różnica jedenastu i pół punktu. To nie skandal; tak wyglądają liczby podawane przez dostawców, gdy nikt pośrodku nie uruchamia harnessu dla obu stron. Co jest dokładnie rolą, jaką Intelligence Index odgrywa dla Qwen4-Max i jakiej nie może odegrać dla Bolt.

Screenshot of the Artificial Analysis page for Nemotron 3.5 Bolt 74B-A9B captured 19 November 2026, showing the Intelligence Index, time per task, cost per task and verbosity panels reading N/A, 'No publicly available API' across the provider charts, and technical specifications listing 74B total parameters, 9B active, a 262k context window and the OpenMDW-1.1 licence.

Co niezależna rada mówi o Qwen4-Max — i dlaczego to niczego nie rozstrzyga

Niezależny dorobek Qwen4-Max jest skromny, ale realny. Artificial Analysis przyznaje mu 43 punkty w Intelligence Index v5.0.1 i plasuje go na 51. miejscu spośród 96 modeli w tej wersji rankingu. Koszt obliczeń na jedno zadanie indeksowe wynosi 3,27 USD, model utrzymuje się, generując 127 milionów tokenów wyjściowych w całym przebiegu wobec mediany 65,1 miliona, a na jedno zadanie potrzebuje 31,3 minuty wobec mediany 12,4. Prędkość generowania wynosi 56 tokenów na sekundę; czas do pierwszego tokena odpowiedzi to 146 sekund. Okno kontekstu modelu w rankingu widnieje jako 984 tys., co jest zaokrąglonym limitem wejścia w trybie myślenia wynoszącym 983 616, a nie innym modelem.

Screenshot of the Artificial Analysis page for Qwen4 Max captured 19 November 2026, showing an Intelligence Index v5.0.1 score of 43 at rank 51 of 96, time to first answer token of 146.14 seconds, output speed of 56 tokens per second, 31.3 minutes per index task, $3.27 cost per task, 127M output tokens from the index run, and $1.50/$4.50 per million token pricing with a 984k context window.

Czytaj te wiersze jako profil wdrożenia, a nie jako wyrok. Model, który myśli przez pół godziny na zadanie i generuje dwukrotnie więcej tokenów niż mediana, nie jest wolny dlatego, że jest źle obsługiwany; jest wolny dlatego, że wykonuje więcej pracy na zadanie i wystawia ci rachunek za tę pracę. W przeliczeniu na zadanie 3,27 USD to uczciwy koszt odpowiedzi Qwen4-Max i to właśnie tę liczbę należy przenieść do każdego porównania z modelem hostowanym samodzielnie, gdzie koszt krańcowy zadania to prąd i czas oczekiwania w kolejce.

Teraz spróbuj postawić 24 GB Bolta obok tego. Masz tabelę dostawcy, która mówi, że bije 35B otwartozasobowego Qwena w przeglądaniu agentowym, oraz niezależny ranking, który mówi, że hostowany Qwen, z którym faktycznie się go porównuje, zdobywa 43 punkty i kosztuje 3,27 USD na zadanie. Te dwa fakty się nie stykają. Nikt nie przepuścił Nemotron 3.5 Bolt 74B przez Intelligence Index, a dopóki ktoś tego nie zrobi, każdy wykres umieszczający te dwa modele na osi możliwości rysuje linię między punktem zmierzonym a założonym.

Tam, gdzie porównanie jest rozstrzygalne: pamięć, opóźnienie i rachunek

Trzy wiersze można porównać rzetelnie, ponieważ obie strony je publikują i żadna z nich nie wymaga udziału strony trzeciej.

• Pamięć — Nemotron 3.5 Bolt 74B-A9B 24GB wymaga 24 gigabajtów pamięci lokalnej przy 2,0625-bitowej kwantyzacji ekspertów; Qwen4-Max nie wymaga jej wcale, ponieważ nigdy nie przechowujesz wag. Kompromis polega na tym, że limit pamięci modelu hostowanego staje się limitem kontekstu: 262 144 tokeny dla checkpointu NVIDIA, 1 000 000 dla Qwen4-Max, z limitem wejścia wynoszącym 983 616 tokenów w trybie myślenia i 262 144 współdzielonymi między rozumowaniem a odpowiedzią.

• Szybkość — NVIDIA twierdzi, że dekodowanie osiąga co najmniej 80 tokenów na sekundę, a z drafterem podaje 84; Artificial Analysis mierzy Qwen4-Max na 56 tokenów na sekundę, przy 146 sekundach do pierwszego tokenu odpowiedzi. Model lokalny jest szybszy na token i zaczyna odpowiadać wcześniej. Model hostowany może jednak wciąż szybciej ukończyć zadanie, ponieważ wykonuje inną ilość rozumowania.

• Cena — zadanie Qwen4-Max kosztuje 3,27 USD w niezależnym środowisku testowym albo 1,50 USD i 4,50 USD za milion tokenów w rozliczeniu za zużycie. Nemotron 3.5 Bolt 74B nie ma w ogóle publikowanej ceny rozliczanej za zużycie, ponieważ nie ma dostawcy, który by go sprzedawał. Jego koszt to tyle, ile kosztuje cię GPU: karta 24 GB, która już znajduje się w stacji roboczej, amortyzowana przez dowolną liczbę zadań miesięcznie, jakie przez nią przepuścisz.

Ten ostatni wiersz to miejsce, w którym tak naprawdę rozstrzyga się decyzja, i dlatego rama „który jest mądrzejszy” wciąż zawodzi. Jeśli Twoje obciążenie to milion krótkich tur agenta miesięcznie, lokalny checkpoint wygrywa pod względem ekonomiki jednostkowej przewagą, której nie przezwycięży żaden wiersz benchmarku, a kontekst 262k to ograniczenie, wokół którego się projektuje. Jeśli Twoje obciążenie to kilka tysięcy zadań długiego horyzontu z wideo na wejściu i dołączonym dokumentem o 900 000 tokenów, żaden checkpoint 24 GB w ogóle nie odpowiada na to pytanie, a $3.27 za zadanie w Qwen4-Max to najtańsza dostępna odpowiedź, a nie droga.

Dlaczego uczciwa odpowiedź brzmi „oba, do różnych zadań”

Kuszącym rozwiązaniem jest ogłoszenie zwycięzcy, a SERP jest pełen stron, które robią dokładnie to, nie mając wspólnych danych. Użyteczniejszym rozwiązaniem jest to, że te dwa modele zbiegają się ku tej samej idei architektonicznej z przeciwnych kierunków. Qwen4-Max to rzadki model typu mixture-of-experts, który aktywuje 71 miliardów ze swoich 2,4 biliona parametrów na token i stawia na efektywność tokenową — własne, nieodtworzone twierdzenie producenta mówi, że przewyższa Qwen3.8-Max, zużywając do około 50% mniej tokenów, przy czym średni koszt na zadanie spada z 4,43 USD do 1,67 USD. Nemotron 3.5 Bolt 74B to rzadki model typu mixture-of-experts, który aktywuje 9 miliardów ze swoich 74 miliardów i stawia na kompresję, uzyskując zajętość 24 GB dzięki 2-bitowym wagom ekspertów i małemu spekulatywnemu modelowi szkicującemu. Oba są odpowiedzią na to samo pytanie: jak niewielką część modelu można dotknąć na token, zanim jakość się załamie?

To ujęcie ma praktyczną konsekwencję. Zespoły, które wyciągną najwięcej z jednego lub drugiego, to te mierzące tokeny na ukończone zadanie, a nie tokeny na sekundę. Po stronie lokalnej oznacza to obserwowanie długości akceptacji w drafterze, ponieważ dekoder spekulatywny, który akceptuje 4,68 tokenu na krok przy dekodowaniu zachłannym i 4,25 przy próbkowaniu, jest źródłem Twojej przepustowości, a ustawienia próbkowania to zmieniają. Po stronie hostowanej oznacza to rejestrowanie łącznych sum tokenów myślenia i odpowiedzi względem limitu 262,144 tokenów, ponieważ wysiłek rozumowania domyślnie wynosi high, a klient w stylu OpenAI proszący o medium po cichu otrzymuje high. Żaden z tych pomiarów nie wymaga benchmarku, a oba niosą więcej informacji niż jeden.

Co by to rozstrzygnęło?

Brakującym elementem jest jeden przebieg harnessu. Gdyby Nemotron 3.5 Bolt 74B-A9B 24GB przepuścić przez Intelligence Index v5.0.1 w kwantyzacji, w jakiej jest dostarczany, oba modele stałyby się porównywalne na jedynej osi, na której można zmierzyć obie strony, a każda strona agregatora, która obecnie mówi „jeszcze brak wspólnych wyników benchmarków”, miałaby co wydrukować. NVIDIA opublikowała checkpoint, środowiskiem uruchomieniowym jest vLLM, a narzędzia istnieją. Dopóki to nie nastąpi, użytecznym posunięciem jest przestać traktować to jako starcie, a zacząć traktować jako decyzję build-versus-buy z udokumentowanym kosztem po jednej stronie i udokumentowanym zużyciem zasobów po drugiej.

Po naszej stronie bilansu, mówiąc precyzyjnie o dostępności: OrcaRouter nie kieruje ruchu do żadnego z tych modeli. Nemotron 3.5 Bolt 74B to model do pobrania, który obsługujesz samodzielnie, a Qwen4-Max jest wynajmowany od Alibaba lub za pośrednictwem platform partnerskich w obecnym okresie bezpłatnego dostępu. Modelem z rodziny Qwen w naszym katalogu jest Qwen3.8-Max, w cenie $2.00 za wejście i $6.00 za wyjście za milion tokenów, z kontekstem 1 mln tokenów, który jest naturalną opcją rezerwową, jeśli chcesz jednego klucza do mieszanego stosu i ceny, która podąża za własnym cennikiem dostawcy, a nie za odsprzedażą z narzutem. W przypadku decyzji takiej jak ta — gdy dwaj kandydaci znajdują się na przeciwnych końcach spektrum buduj kontra kup — przydatną rzeczą, jaką daje router, nie jest wskazanie zwycięzcy. Jest nią możliwość utrzymania otwartej ścieżki hostowanej, dopóki nie dowiesz się, czego nie potrafi ścieżka lokalna.

Jeśli wybierasz w tym miesiącu, wybieraj według ograniczenia, którego nie możesz ruszyć. Kontekst, modalność i płatność za zadanie to ograniczenia, które musi spełnić Qwen4-Max. Pamięć, działanie offline i zerowy koszt krańcowy na żądanie to ograniczenia Nemotron 3.5 Bolt 74B. Różnica w wynikach benchmarków między nimi jest realna, ale to nie ta różnica zdecyduje o twojej architekturze — i żadna liczba tworzonych obok siebie tabel porównawczych jej nie zniweluje, zanim ktoś nie uruchomi harnessu.

Porównane w tym artykule1

Wykryto na podstawie tego artykułu · Benchmarki: Artificial Analysis · aktualizowane codziennie