NVIDIA Nemotron 3.5 Super VL Chega: 120B de Pesos Abertos, uma Alegação de 5x e uma Pegadinha de 249 GB

O NVIDIA Nemotron 3.5 Super VL foi lançado, e a especificação que deveria decidir se você deve mexer nele não é a que o anúncio destaca em primeiro lugar. O modelo é um sistema de visão e linguagem de 120 bilhões de parâmetros, com 12 bilhões de parâmetros ativos, contexto de 1M tokens, decodificação especulativa nativa e suporte a texto, imagens, documentos e vídeo. O post de lançamento da NVIDIA é datado de 15 de outubro de 2026 e o apresenta como o modelo agêntico aberto mais rápido de sua categoria — "até 5x mais throughput em comparação com outros modelos de sua categoria", medido no ranking Artificial Analysis Intelligence Index. O que o post não coloca diante de você é que o lançamento são dois checkpoints, que a diferença entre eles é de 174 GB de VRAM e que o menor paga por essa economia de forma desigual.

O que realmente foi enviado em 15 de outubro

Duas coisas aconteceram em dias diferentes, e a diferença importa se você está datando uma implantação. Os pesos chegaram ao Hugging Face em 12 de outubro às 15:32 UTC. O anúncio veio em seguida, em 15 de outubro. O próprio model card da NVIDIA informa o lançamento como 10/15/2026 na versão 1.0 GA, então o fornecedor considera o dia 15 a data de lançamento; os carimbos de data e hora do repositório dizem o contrário. Nenhuma das datas tem mais de uma semana, e ambas são recentes o suficiente para que nada sobre este lançamento tenha tido tempo de ser reproduzido de forma independente.

O lançamento é mais amplo do que o modelo que dá nome ao anúncio:

• Nemotron 3.5 Super VL — o carro-chefe, 120B no total / 12B ativos, em uma build BF16 e uma build NVFP4, ambas publicadas em 12 de outubro.

• Nemotron 3.5 Super VL Base — o checkpoint que antecede o pós-treinamento, publicado juntamente com a versão instruct, o que é importante porque a licença permite que você execute o seu próprio pós-treinamento.

• Nemotron 3.5 Bolt 74B-A9B 24GB — um modelo de borda que cabe em 24 GB por meio de quantização nativa de 2 bits, publicado em 7 de outubro.

• Nemotron 3.5 Bolt E4B 4GB — o menor da família, datado de 23 de outubro.

A arquitetura é um Mixture-of-Experts híbrido de Mamba-2/Transformer com Multi-Token Prediction, 512 especialistas roteados por camada MoE, um codificador de visão C-RADIO e um conector de visão-linguagem. O tratamento multimodal abrange OCR, tabelas, gráficos, documentos de várias páginas e ancoragem visual; o vídeo é aceito como MP4 de até dois minutos, amostrado a 2 FPS e até 256 quadros, ou 1 FPS e 128 quadros em 1080p. A licença é a OpenMDW-1.1, que, segundo o cartão do modelo, está pronta para uso comercial ou não comercial — um conjunto de termos genuinamente permissivo, e parte real do motivo pelo qual este lançamento chamou atenção.

Dois checkpoints, e os 174 GB entre eles

É aqui que o lançamento fica interessante para quem precisa pagar por GPUs. A NVIDIA publicou o mesmo modelo duas vezes, em duas precisões, e as duas builds não têm tamanhos próximos. Os dois valores abaixo são lidos das listagens de arquivos do repositório do Hugging Face, que informam os tamanhos dos shards de pesos individuais:

• Checkpoint BF16 — 248,94 GB distribuídos em 63 fragmentos. O cabeçalho do safetensors indica que a contagem de parâmetros é de 124,45 bilhões.

• Checkpoint NVFP4 — 75,06 GB distribuídos em 88 shards. A inferência é executada em W4A4 no Blackwell e em W4A16 em qualquer hardware mais antigo.

• Hardware, precisão total — A lista de placas da NVIDIA inclui 4× H100 ou 2× GB200 para texto, imagem e vídeo.

• Hardware, quantizado — 1× H200, 2× H100, 1× GB200, ou um único DGX Spark, sendo que o percurso do Spark exige um drafter LiLiCorr para decodificação especulativa.

• A economia — 173,88 GB, ou cerca de 3,3× menor em disco, e a diferença entre um nó de quatro GPUs e um único acelerador.

Leia isso como uma questão econômica, porque é exatamente disso que se trata. Passar de quatro H100s para um H200 não é uma decisão de ajuste; é a diferença entre um modelo que você pode colocar por trás de um produto neste trimestre e um que não pode. A receita de quantização que a NVIDIA usou também é mais cuidadosa do que o habitual: o codificador de visão, o conector, as convoluções Mamba e os embeddings permanecem em BF16, o roteador MoE permanece em FP32, e o restante é produzido por destilação ciente de quantização a partir do modelo BF16, com 200 iterações de destilação baseada em SFT por cima.

O que a build quantizada deixa de lado

A NVIDIA publicou uma tabela pareada comparando os dois checkpoints com todas as outras configurações mantidas estáticas, o que é a maneira honesta de fazer essa comparação e mais rara do que deveria ser. Os pares abaixo são números da própria NVIDIA, do model card do NVFP4, e nem todos apontam na mesma direção.

Onde a build quantizada perde:

• Terminal-Bench 2.1 — 66,70 em BF16 contra 60,80 em NVFP4. Uma queda de 5,9 pontos, a maior regressão isolada da tabela.

• WebVoyager, offline — 77,72 contra 66,31. Uma queda de 11,4 pontos no trabalho com agentes de navegador.

• DeepSWE, offline — 24,65 contra 18,20.

• MMLU-ProX — 76,91 contra 73,76.

• tau3-bench banking — 18,88 contra 17,78.

Onde ganha, ou se mantém:

• GPQA-Diamond — 89,52 contra 89,90.

• Pré-seleção APEX — 88,36 contra 89,36.

• Taxa de alucinação do AA-Omniscience — 30,0 contra 27,7, ou seja, a versão quantizada alucina um pouco menos na própria métrica da NVIDIA.

• tau2-bench telecom — 73,19 de ambos os lados, idênticos.

• OCRBench v2 EN — 68,12 contra 68,34.

• MMLongBench-Doc — 62,82 em ambos os lados.

O padrão é legível sem um estatístico. As cargas de trabalho de documentos, OCR e recuperação de conhecimento quase não mudam, e algumas delas até melhoram. As cargas de trabalho agênticas de horizonte longo mudam muito. Se a sua aplicação lê documentos oficiais, recibos ou imagens de páginas e retorna saída estruturada, o checkpoint de 75 GB é o que você deveria estar servindo, e você está abrindo mão de quase nada. Se a sua aplicação é um agente que executa um terminal ou controla um navegador por dezenas de etapas consecutivas, você está trocando aproximadamente nove por cento do Terminal-Bench por três quartos da sua conta de GPU, e essa é uma decisão que vale a pena testar na sua própria avaliação, em vez de numa tabela de fornecedor.

O 5x, e contra o que é medido

A manchete da NVIDIA é a vazão, e esta merece ser lida com precisão em vez de descartada ou repetida. A alegação é "vazão até 5 vezes mais rápida em comparação com outros modelos de sua classe", e a classe não é definida no post. A medição é da NVIDIA, no stack de serving da NVIDIA, com qualquer concorrência e mistura de sequências que a receita escolheu — as próprias tabelas de implantação do model card especificam 32 sequências concorrentes e 5 ou 3 tokens de rascunho especulativos, dependendo do hardware, e a vazão em um proxy agêntico de 20 turnos é um número muito diferente da vazão em prompts de turno único.

Nada disso torna a afirmação falsa. Isso a torna uma afirmação do fornecedor sobre uma carga de trabalho configurada pelo fornecedor, que é exatamente o que o rótulo diz. O que vale a pena notar é que, nesta versão, não há contrapeso: nenhuma medição independente de throughput desses checkpoints foi publicada, portanto os únicos números em circulação são os da NVIDIA. Um valor de throughput sem um modelo de referência nomeado, um nível de concorrência declarado e uma configuração de hardware declarada não é algo que você possa usar para planejar capacidade. Se o 5x for determinante para sua decisão, reproduza-o com seu próprio tráfego antes de assinar uma reserva de GPU.

Onde o modelo é forte, segundo a própria tabela da NVIDIA

O cartão do modelo único também lista como o checkpoint BF16 se compara com seus pares, e vale a pena ler as colunas à direita das da própria NVIDIA, porque elas também são da NVIDIA. Contra Qwen3.5-122B-A10B, Qwen3.8-Flash-Next, DeepSeek-V4-Flash, Nemotron 3 Ultra, Inkling-Small e GLM-5.3-Flash:

• Video-MME v2 — 32.85, contra Qwen3.8-Flash-Next com 45.1 e GLM-5.3-Flash com 14.8. No meio do grupo, e a maior amplitude de todas as linhas.

• OCRBench v2 EN — 68,12, mais ou menos ao nível do Qwen3.8-Flash-Next, com 67,9, e do Qwen3.5-122B-A10B, com 68,3.

• Raciocínio CharXiv — 80,82, atrás de ambos os modelos Qwen.

• MathVision — 78,16, atrás do Qwen3.8-Flash-Next, com 87,5.

• MMLU-ProX — 76,91, atrás de todas as colunas de concorrentes naquela linha.

• Taxa de alucinação do AA-Omniscience — 30,0, contra Qwen3.5-122B-A10B com 84,5 e DeepSeek-V4-Flash com 95,9. Nesta linha, quanto menor, melhor, e a margem não é pequena.

• Terminal-Bench 2.1 — 66,70, contra Qwen3.8-Flash-Next com 85,8 e GLM-5.3-Flash com 82,7.

• SWE-bench Verified — 71,10, contra o GLM-5.3-Flash com 79,10.

• OSWorld-Verified — 51,14, em comparação com o GLM-5.3-Flash, com 14,78.

O formato disso é consistente com aquilo para que a NVIDIA diz que o modelo serve. Ele não é líder em raciocínio bruto ou programação, e não afirma ser — o anúncio o posiciona contra o seu próprio maior modelo, com cerca de um quinto do número de parâmetros, não contra a fronteira. Ele é forte em disciplina contra alucinações, extração de documentos e trabalho com agentes de desktop, mediano em vídeo, e fica atrás nos benchmarks agênticos de terminal mais difíceis. Se você veio a este lançamento porque "compreensão de vídeo" estava na primeira linha do anúncio, os números de vídeo são os que devem ser analisados de perto.

Quanto custa executar

Não há preço de tabela, e isso não é uma omissão por parte da NVIDIA — é a natureza de um lançamento de pesos abertos. A NVIDIA não vende este modelo por token a uma tarifa publicada; ela publica os pesos sob a OpenMDW-1.1 e um contêiner NIM com configurações validadas, e você paga pelas GPUs. Portanto, a questão do custo é uma questão de horas de GPU, e as duas respostas aceitáveis são 4× H100 para BF16, ou uma H200, ou um único DGX Spark para NVFP4.

Essa é a parte da aritmética em que a maioria das equipes erra ao comparar um modelo aberto com uma API hospedada. O lado hospedado cita uma tarifa por token que já contém a curva de utilização de outra pessoa. O lado aberto cita um checkpoint e uma lista mínima de hardware, e o número real depende inteiramente de você conseguir manter a GPU ocupada. Um único H200 executando um checkpoint de 75 GB que atende um fluxo de trabalho interno algumas centenas de vezes por dia é enormemente mais caro por chamada do que o mesmo checkpoint em uma implantação compartilhada. Alugue antes de comprar, e meça tokens por segundo nos seus próprios prompts, em vez de em uma carga de trabalho proxy.

Experimentar antes de apostar um produto nisso

O primeiro passo honesto com um modelo cuja documentação tem um dia é uma avaliação, não uma migração, e é aí que um gateway faz trabalho real, e não trabalho retórico. Uma única chave para mais de 200 modelos pelo preço de tabela do provedor com 0% de markup significa que a comparação que você realmente quer — Nemotron 3.5 Super VL contra o modelo de texto ou de visão que você usa hoje — é uma mudança em uma string de modelo, e não um segundo relacionamento com fornecedor, e o failover automático entre provedores significa que uma carga de trabalho que você está apenas testando pode rodar ao lado do tráfego de produção sem que nenhum dos dois dependa do outro. Isso importa mais aqui do que o habitual: os dois checkpoints se comportam de maneira suficientemente diferente em trabalho agêntico para que o experimento útil não seja "este modelo é bom", mas "qual destas duas builds, em qual benchmark meu, a que custo de GPU".

A sequência que evita desperdiçar um mês de GPU: escolha primeiro a carga de trabalho com formato de documento, porque é aí que a diferença entre BF16 e NVFP4 é menor e onde os próprios números do modelo são melhores. Execute-a com o checkpoint menor. Pontue-a com base numa avaliação que você mesmo escreveu. Só então decida se as cargas de trabalho agênticas — aquelas em que o build quantizado perde 5,9 pontos no Terminal-Bench e 11,4 no WebVoyager — justificam o build de 249 GB e quatro GPUs.

O que ainda está sem resposta?

Vale a pena ficar atento a três lacunas, porque elas mudam a decisão, e não o marketing.

A primeira é a avaliação independente. Todos os números neste artigo que vêm da NVIDIA estão rotulados como tal e, neste lançamento, são todos eles. Nenhum terceiro publicou uma medição de throughput, uma reprodução de acurácia ou uma comparação de harness de avaliações para nenhum dos dois checkpoints. A alegação de throughput 5x e a tabela de quantização emparelhada são internamente consistentes e claramente produzidas com cuidado, e continuam sendo relatadas pelo fornecedor e não reproduzidas. Trate-as como um limite superior até que alguém fora da NVIDIA publique os mesmos experimentos.

O segundo é o caminho de vídeo. O modelo aceita MP4 e o anúncio abre com compreensão de vídeo, mas, no único benchmark de vídeo na própria tabela da NVIDIA, ele fica em 32,85, enquanto o Qwen3.8-Flash-Next fica em 45,1. Os dados de treinamento abrangeram vídeo de 10.000 a um milhão de horas, o que é uma faixa ampla e não diz nada sobre densidade ou domínio. Se vídeo é o seu caso de uso, esta é a linha a ser testada primeiro e a linha com maior probabilidade de decepcionar uma apresentação de compras baseada no anúncio.

O terceiro é o checkpoint base. Sua publicação sob a mesma licença é a parte deste lançamento com a cauda mais longa, porque permite que uma equipe com dados próprios faça pós-treinamento em vez de contornar os dados do fornecedor por meio de prompts. O próprio corpus de pós-treinamento da NVIDIA para esta família também é aberto, e os tamanhos de efeito no relatório da NVIDIA chegam à casa das dezenas de pontos dentro do harness da NVIDIA. Ninguém publicou ainda um ajuste fino independente crível a partir dessa base. Quando alguém o fizer, isso dirá mais sobre o teto real deste modelo do que o post de lançamento.

Os pesos podem ser descarregados hoje e a licença permite utilizá-los comercialmente. As duas coisas que não pode descarregar são um benchmark independente e um valor de throughput com uma baseline nomeada — e ambas são aquilo de que precisaria antes de comprometer um caminho de produção com um modelo que tem atualmente quatro dias.