Nemotron 3.5 Bolt vs Qwen 3.8 Max: Ambos estes modelos assistem a vídeos

Não existem muitos pares de modelos em que a parte surpreendente seja uma capacidade que ambos compartilham. Tanto o NVIDIA Nemotron 3.5 Bolt 74B-A9B 24GB quanto o Qwen 3.8 Max aceitam vídeo como entrada, e ambos retornam texto. O Qwen 3.8 Max, publicado pela Alibaba em 3 de agosto de 2026, é um modelo multimodal hospedado com contexto de 1.000.000 de tokens, servido por interfaces compatíveis com OpenAI, compatíveis com Anthropic e nativas do DashScope a partir de cinco regiões, com preço de US$ 2,00 por milhão de tokens de entrada e US$ 6,00 por milhão de tokens de saída, com leituras em cache a US$ 0,25. O Nemotron 3.5 Bolt, lançado pela NVIDIA em 15 de outubro de 2026, é um arquivo de pesos abertos de 24GB com um codificador de visão C-RADIO v4-H, uma janela de 262.144 tokens e nenhum preço.

Dois modelos que podem ambos receber uma gravação de tela, separados por nada além de onde rodam e quanto isso custa. Essa é uma comparação mais limpa do que a maioria dos confrontos diretos costuma ter, e ela se resolve rapidamente quando você para de perguntar qual é o mais inteligente.

Dois stacks multimodais, um envelope de memória

A multimodalidade do Bolt é herdada, e não construída para ele. A NVIDIA comprimiu seu modelo Nemotron 3.5 Super VL 120B-A12B para 74B-A9B com uma busca guiada por roteador que ela chama de Star Elastic, depois levou o resultado a 2,0625 bits por peso de especialista em um formato IQ2_XXS com destilação ciente de quantização. A torre de visão — um codificador C-RADIO v4-H — veio junto com a compressão, e o alternador de modo de raciocínio é o mesmo que o cliente Super VL expõe: um sinalizador enable_thinking no template de chat. Total de parâmetros 74B, ativos por token 9B, backbone um híbrido de Mamba-2 e Transformer que o fornecedor chama de LatentMoE, licença OpenMDW-1.1 para uso comercial e não comercial.

O Qwen 3.8 Max é um tipo diferente de artefato. É o nível de maior capacidade da Alibaba, nativamente multimodal, e existe apenas como endpoint. Não há checkpoint para baixar, nem build quantizado para executar numa estação de trabalho, nem uma versão cujo custo marginal seja a conta de luz. O que ele tem, em vez disso, é alcance: três formatos de comunicação, de modo que um SDK da Anthropic ou uma integração com o DashScope já existentes funcionem sem reescrita, e cinco regiões atendidas na Ásia, Europa e América do Norte que fazem da questão da latência uma questão tanto de geografia quanto de engenharia.

A consequência prática é que o comportamento multimodal do Bolt é limitado pelos mesmos 24 GB que contêm o cache KV, o histórico da conversa e os resultados das ferramentas. O do Qwen 3.8 Max é limitado por tudo o que o endpoint provisiona, o que não é problema seu.

O que você paga, e a quem

O Qwen 3.8 Max é cobrado por uso, e as tarifas são baixas para o que ele oferece. Um prompt de 20.000 tokens com uma resposta de 3.000 tokens custa $0.04 na entrada e $0.18 na saída, cerca de $0.22 por chamada — e leituras em cache a $0.25 por milhão fazem com que um prompt de sistema estável ou um documento repetido saiam praticamente de graça na segunda passagem. Seu tempo p50 até o primeiro token no nosso catálogo é de 3,22 segundos, com p95 de 10,00 segundos, e ele transportou 41,3 milhões de tokens de tráfego roteado nos últimos sete dias.

Nemotron 3.5 Bolt não tem tabela de preços porque não há nada para medir. Não há endpoint hospedado, nem API de fornecedor, nem plataforma de terceiros que o disponibilize e à qual possamos encaminhá-lo. A Artificial Analysis lista tanto a sua velocidade quanto o seu custo por tarefa do Intelligence Index como N/A exatamente por esse motivo. Se você o executar, o custo é uma GPU, um consumo de energia e um período de amortização, e o preço marginal do próximo milhão de tokens é zero. Para uma tarefa noturna que lê o mesmo corpus todos os dias, isso não é um desconto — é um modelo contábil diferente, e o ponto de equilíbrio depende inteiramente da frequência com que você o executa.

A janela, e a capacidade de usá-la

O contexto é o eixo em que esses dois parecem mais próximos no papel e se separam mais rapidamente na prática.

• Janela declarada — Qwen 3.8 Max 1.000.000 de tokens contra Nemotron 3.5 Bolt 262.144. Aproximadamente quatro para um, e é a proporção que decide se uma tarefa de base de código inteira ou de arquivo completo é sequer possível em uma única requisição.

• Recall dentro da janela — A Artificial Analysis registra um número de recall de contexto longo de 80,3 para o Qwen 3.8 Max. Não há um número independente equivalente para o Bolt, e sua janela já é menor desde o início, o que torna isto uma comparação entre uma capacidade medida e uma não medida.

• O que mais compartilha o espaço — os 262.144 tokens do Bolt vivem dentro dos mesmos 24 GB que os pesos, os quadros de vídeo e o cache KV. Um prompt de vídeo longo e uma conversa longa competem pela mesma memória. A janela do Qwen 3.8 Max é provisionada pelo operador, portanto a restrição é o preço, e não o hardware.

• Controle de raciocínio — Qwen 3.8 Max expõe um alternador enable_thinking, ou reasoning.effort na Responses API. O equivalente no Bolt é um interruptor de template de chat na mesma família de flags, herdado do cliente Super VL. Nenhum dos dois é incomum; ambos permitem que você pare de pagar por deliberação em chamadas rotineiras.

Medido contra não medido

Artificial Analysis atribui ao Qwen 3.8 Max uma pontuação de 45,4 no seu Intelligence Index, décimo quinto entre 145 modelos avaliados — dentro dos 10% melhores, sem estar no topo. As suas métricas de apoio são fortes onde uma carga de trabalho agêntica precisa delas: um AA Coding Index de 76,2, em nono entre 138, 88,8 no Terminal-Bench 2.1 e 92,8 no GPQA Diamond. A sua fraqueza comparativa é aquele recall de contexto longo de 80,3, que é respeitável, e não excepcional, para um modelo de um milhão de tokens.

Os números do Bolt são mais restritos em escopo. Ele pontua 21 no mesmo índice, quarto de 67 em sua classe filtrada por footprint contra uma mediana da classe de 8, e a Artificial Analysis o descreve como entre os principais modelos de pesos abertos de tamanho semelhante. Sua velocidade e custo medidos estão em branco. Todo o resto — a pontuação de 50,98 no Terminal-Bench 2.1, 86,43 no GPQA Diamond, 66,75 no BrowseComp, 50,86 no WebArena vision, 41,02 no SciCode — vem do próprio cartão de modelo da NVIDIA, onde cada linha de base é outro modelo com um terço do tamanho. Essas linhas não são desonestas; elas respondem a uma pergunta sobre eficiência, não sobre capacidade de fronteira, e lê-las como um confronto contra um flagship hospedado é interpretar mal o documento.

A lacuna de velocidade merece o mesmo cuidado. A Artificial Analysis não consegue medir o throughput do Bolt porque não há nada para chamar. A NVIDIA relata uma meta de projeto de pelo menos 80 tokens por segundo de decodificação, 84 no AIPerf SPEED-Bench no RTX Spark, e 83,99 em uma execução do llama.cpp em um Surface Laptop Ultra com 128GB, tudo isso sem reprodução. Os 3,22 segundos até o primeiro token do Qwen 3.8 Max são medidos e públicos. Planeje com base no número medido e trate o outro como aspiração.

A questão de roteamento, que não é simétrica aqui

O Qwen 3.8 Max está no nosso catálogo como qwen/qwen3.8-max, roteado ao preço de tabela do provedor da Alibaba com 0% de margem adicionada — $2,00 e $6,00 por milhão de tokens, os mesmos números na nossa página e na do fornecedor, o que significa que uma mudança de preço do lado do fornecedor chega aos nossos usuários no mesmo dia, e não na renovação do contrato. Ele fica atrás da mesma chave que mais de 200 outros modelos, com failover automático entre provedores upstream quando um deles se degrada, e uma DSL de roteamento para compor vários modelos em uma única requisição.

Nemotron 3.5 Bolt não está no nosso catálogo, e não o servimos. Não existe endpoint Bolt, nenhum identificador para apontar uma solicitação, e nada neste texto constitui uma oferta para hospedar o checkpoint da NVIDIA. A forma honesta do conselho de roteamento aqui é uma divisão, e não uma escolha: o modelo multimodal hospedado dá conta das solicitações de janela longa, dos corpora de vídeo grandes demais para 24 GB de memória compartilhada, e de qualquer coisa que precise ser chamável de qualquer lugar; o arquivo local dá conta das passagens de alta frequência em que os dados não devem sair do edifício e em que o volume faria a cobrança por token doer. A fusão de modelos é a variante que vale a pena conhecer se as chamadas caras forem as de maior impacto — um painel de modelos responde em conjunto ao mesmo prompt e você fica com o consenso, o que é uma forma barata de comprar confiança numa decisão que você não consegue reverter facilmente.

Como este se resolve

O ponto em comum é o vídeo, e é por isso que vale a pena comparar esses dois — a maioria dos modelos locais nesse porte não consegue enxergar de jeito nenhum, e a maioria dos modelos hospedados não pode receber uma gravação de tela sem uma etapa de extração de quadros que perde aquilo que você estava tentando mostrar a ele.

Além dessa sobreposição, eles divergem em todos os eixos. O Qwen 3.8 Max vence na janela ampla, na latência medida, no conjunto de entradas mais rico e, por uma margem ampla, na inteligência avaliada de forma independente. O Nemotron 3.5 Bolt vence o único eixo que nenhum modelo hospedado pode contestar: ele roda onde seus dados já estão, com ou sem rede, a um custo marginal zero.

A decisão geralmente não é uma preferência. Se o vídeo nunca sai do prédio, a opção hospedada nunca esteve disponível e a comparação se reduz a um único candidato. Se o corpus é um milhão de tokens de texto, a opção local nunca esteve disponível pelo mesmo motivo, inversamente. Onde é genuinamente equilibrado — volumes modestos, dados que poderiam legalmente viajar, trabalho que é majoritariamente chamadas curtas de ferramentas com leituras longas ocasionais — o critério de desempate é o único número que falta nesta comparação: quão rápido o checkpoint de 24GB realmente roda no seu hardware, que ninguém fora da NVIDIA ainda mediu.