Nemotron 3.5 Super vs Claude Opus 5.5: 12 bilhões de parâmetros ativos contra um medidor

Aqui está o número que decide esta comparação, e ele não está em nenhuma das tabelas de benchmark. N​VIDIA N​emotron 3.5 Super — publicado pela N​VIDIA sob o nome mais completo N​VIDIA N​emotron 3.5 Super VL, e listado na biblioteca Ollama como nemotron-3.5-super/ — ativa cerca de 12 bilhões de seus 120 bilhões de parâmetros para cada token que gera. Claude Opus 5.5 não publica nenhuma contagem de parâmetros e cobra $4 por milhão de tokens de entrada e $20 por milhão de tokens de saída. Um desses modelos, portanto, tem um custo marginal por token que é uma função da eletricidade, e o outro tem um custo marginal por token que é um item de linha. Ambos os números são reais. Nenhum deles diz qual modelo é mais barato de operar, porque eles são precificados em moedas diferentes.

A razão pela qual vale a pena escrever sobre isto agora: os pesos da NVIDIA foram publicados no Hugging Face em 12 de outubro de 2026, discretamente, num repositório chamado NVIDIA-Nemotron-3.5-Super-VL-120B-A12B-BF16, três dias antes de a própria publicação da sala de imprensa da NVIDIA, em 15 de outubro, o tornar oficial. Antes desse anúncio, a única confirmação pública de que Nemotron 3.5 Super existia como algo executável era um conjunto de artefactos de registo — e o facto de parte das especificações nesses artefactos não corresponder às especificações no cartão do fornecedor. O que é possível saber a partir do repositório é uma quantidade real: contagens de bytes, formatos de quantização, um controlo de versão, uma licença. O que não é possível saber a partir de nenhum repositório é como se comporta em comparação com um modelo de fronteira alojado na sua carga de trabalho. Essa lacuna é o tema desta página.

O que o repositório realmente contém, antes de qualquer outra coisa

Três checkpoints utilizáveis foram publicados com sessenta segundos de diferença entre si a 12 de outubro: os pesos de referência BF16, uma variante Base e uma build NVFP4. Um repositório separado do drafter LiLiCorr tinha sido publicado um dia antes, a 11 de outubro, o que constitui o registo público mais antigo da categoria. A ficha descreve uma mistura de especialistas híbrida de Mamba-2 e Transformer com 512 especialistas roteados por camada MoE, um codificador de visão C-RADIO e um conector visão-linguagem, 120 mil milhões de parâmetros totais com 12 mil milhões ativos, contexto até 1 milhão de tokens, entrada de texto, imagem e vídeo com saída de texto, e descodificação especulativa nativa através de uma cabeça Multi-Token Prediction. A licença é OpenMDW-1.1, que permite uso comercial. A implantação é especificada como quatro H100s ou duas GB200s para BF16.

A listagem do Ollama é a versão que a maioria das pessoas encontrará primeiro, e é onde a especificação começa a divergir. Ela expõe nove tags. Quatro delas — :latest/, :120b/, :120b-a12b/ e :120b-a12b-q4_K_M/ — apontam para a mesma camada q4_K_M, então o pull padrão é uma quantização de 4 bits e o nome "120b" não é o arquivo que você recebe. Toda tag, incluindo a menor, carrega um projetor de visão de 1,6 GiB, porque o caminho de imagem não é opcional. A amostragem padrão fornecida é temperatura 1,0 com top_p 0,95, que é a recomendação para texto do card — a configuração de visão do card é temperatura 0,6. E o gate de runtime é aplicado: a configuração declara requires: 0.40.5/, então em um Ollama mais antigo o pull não funciona de forma alguma.

Nada disso é um defeito. É a lacuna comum entre as notas de versão de um fornecedor e o empacotamento delas feito pela comunidade, e é o motivo para ler os dois documentos, e não apenas um.

A aritmética honesta de 12B ativos

A ativação esparsa é todo o argumento comercial para este modelo, e vale a pena ser preciso sobre o que ela oferece e o que não oferece.

O que isso rende: na inferência, um token toca aproximadamente um décimo da rede. A taxa de transferência em hardware fixo fica, portanto, muito mais próxima de um modelo denso de 12B do que de um de 120B, e o consumo de memória é o único lugar onde os 120 bilhões de parâmetros completos aparecem. A ficha técnica da própria N​VIDIA afirma taxa de transferência até 5x mais rápida que outros da mesma classe e, servido na pilha Dynamo do fornecedor, até 8x mais usuários simultâneos com 85% menos latência. Esses são números do fornecedor, produzidos em hardware do fornecedor, e são uma especificação, não uma auditoria — mas a direção da afirmação é consequência direta da arquitetura, o que é, no mínimo, uma história coerente.

O que isso não garante: os pesos ainda precisam estar residentes por completo. A camada BF16 GGUF é 230,4 GiB. O padrão q4_K_M é 82,3 GiB mais o projetor. Nenhum dos números diminui porque apenas 12 bilhões de parâmetros são ativados por token. Assim, o piso de hardware é definido pela memória, enquanto a taxa de transferência é definida pela ativação — e é por isso que uma única placa de 96 GB consegue comportar o modelo de 4 bits com folga e ainda produzir tokens a uma taxa que envergonharia um modelo denso do mesmo tamanho total, e também por que a mesma placa não consegue comportar o modelo de precisão total de forma alguma.

Agora coloque o Opus 5.5 ao lado disso. O modelo da Anthropic tem 1 milhão de tokens de contexto, 128.000 tokens de saída máxima, aceita entrada de texto, imagem e arquivo, e tem preço de tabela de US$ 4/US$ 20, com leituras de cache a US$ 0,20 por milhão. Não há download, nenhuma decisão de quantização, nenhum padrão de amostragem para corrigir e nenhuma versão para fixar. Também é um modelo bem auditado: está no topo do painel de terceiros que a maioria das pessoas usa para comparar essas coisas, muito acima desse patamar do Nemotron.

Então a comparação não é "qual é melhor". Em capacidade geral medida, o modelo principal hospedado vence, e fingir o contrário seria um desserviço a um leitor que está prestes a tomar uma decisão de compra. A comparação é onde as duas curvas de custo se cruzam.

Onde o modelo aberto de 120 bilhões de parâmetros conquista seu lugar

Três lugares, e são específicos.

• Volume com uma fatura fixa. Um checkpoint auto-hospedado converte custo marginal em custo fixo. Com tráfego baixo, a cobrança por consumo vence com folga — quatro H100 custam mais por mês do que a maioria das equipes gasta em tokens. Com tráfego alto e estável, o custo fixo se amortiza, e a cobrança por consumo não. O ponto de virada é o único cálculo que importa aqui, e é uma função do seu volume de tokens, não da qualidade de qualquer um dos dois modelos.

• Trabalho de visão em que a contagem de páginas é o fator determinante de custo. A placa da N​VIDIA reporta 62,82 no MMLongBench-Doc, 78,16 no MathVision, 80,82 no raciocínio do CharXiv e 68,12 no OCRBench v2 em inglês contra 59,15 em chinês, todos reportados pelo fabricante. No O​pus 5.5, essas mesmas entradas são cobradas por token, e uma página de um relatório digitalizado consome muitos tokens. Se sua carga de trabalho for de milhares de páginas de documentos por dia, a aritmética muda mais rápido do que qualquer diferença de qualidade.

• Pinning. Um checkpoint em um disco que você controla não muda sob seus pés. Isso vale dinheiro de verdade em um pipeline regulado, e é uma propriedade que o modelo hospedado não pode oferecer a preço algum.

Há dois casos em que ele não justifica seu lugar, e ambos merecem ser ditos em voz alta. O primeiro é o trabalho agêntico de horizonte longo: a placa da NVIDIA reporta 66,70 no Terminal-Bench 2.1, 71,10 no SWE-bench Verified e 51,78 no SWE-bench Pro — respeitável, não reproduzido e atrás da fronteira dos modelos hospedados. O segundo é qualquer coisa em que uma requisição malsucedida seja cara, porque um modelo cujos pesos têm quatro dias de idade tem quatro dias da atenção do mundo por trás de si e nenhum histórico operacional.

Os números em que você ainda não deve confiar, e por quê

Toda a tabela de benchmarks publicada para o Nemotron 3.5 Super é do próprio fornecedor, coletada por meio do harness NeMo Gym da NVIDIA. GPQA-Diamond 89,52. Humanity's Last Exam somente texto 31,79. LiveCodeBench v6 88,22. IFBench 70,86. tau2-bench 69,24 varejo, 76,50 companhias aéreas, 73,19 telecomunicações. BrowseComp 78. Proxy do LMArena v3 52,67. Cada uma delas é uma alegação do fornecedor com uma receita reproduzível anexada, o que é melhor do que uma mera alegação, mas ainda não é uma medição independente.

O panorama independente é muito mais escasso, e isso, por si só, é o fato mais útil nesta página. O painel de terceiros que pontua esses modelos coloca este checkpoint em um Índice de Inteligência na casa dos vinte e poucos — cerca de 26 — contra aproximadamente 58 do O​pus 5.5. Esse painel também registra um consumo excepcionalmente alto de tokens de saída para a execução do índice, o que interpreta como verbosidade, e a verbosidade é uma linha de custo, não uma nota de rodapé, em qualquer implantação em que se paga por token ou se espera por token. Um ponto de dados independente não é um veredito, mas é o único que não foi produzido pela empresa que vende o modelo.

O que ninguém publicou: como a quantização de 4 bits altera essas pontuações. A tag padrão do Ollama é q4_K_M. Todos os números publicados são para BF16 ou NVFP4. Portanto, o número que a maioria das pessoas realmente experimentará não foi medido, e é ele que deve ser observado nas próximas semanas.

O que você pode e o que não pode chamar hoje

Vale dizer de forma direta, porque é o equívoco mais comum em páginas como esta. O Nemotron 3.5 Super não está no OrcaRouter. Roteamos um pouco mais de duzentos modelos e não há nenhuma entrada NVIDIA Nemotron entre eles, então, se você precisa desse checkpoint específico, as suas rotas são os canais próprios de build e distribuição do fornecedor e o pull no runtime local — não nós.

O Opus 5.5, em contrapartida, está na nossa chave, ao preço de tabela do provedor repassado sem nenhuma margem por token, o que significa que uma mudança de preço do fornecedor passa a valer do nosso lado no mesmo dia, em vez de na próxima renovação de contrato. Essa assimetria é genuinamente útil para a decisão que está diante de você: o primeiro movimento barato é pegar a carga de trabalho que você ia rodar em quatro H100s e rodá-la primeiro contra o modelo hospedado, em uma única API, sem processo de compras. Se o modelo hospedado der conta do recado a um preço tolerável, você poupou o cluster. Se não der — e ler errado um documento técnico denso em escala é uma forma plausível de isso acontecer — agora você tem evidências em vez de uma tabela de benchmarks, e pode gastar o download nos casos que sobreviveram.

Quanto custa, concretamente, a receita de implantação

A própria receita vLLM do cartão vale a pena ser lida como um documento de orçamento. Paralelismo de tensores de 4, utilização de memória da GPU de 0,85, um máximo de 32 sequências simultâneas, uma imagem e um vídeo por prompt, poda de vídeo em 0,5 e decodificação especulativa através do head MTP com três tokens especulativos. Quatro H100s com utilização de 0,85 e um limite de 32 sequências não é um serviço grande — é uma implantação séria de nó único, e o teto de concorrência diz o que o fornecedor espera que uma única réplica suporte.

Dois detalhes nessa receita importam mais do que parecem. A configuração de vídeo aceita um vídeo por prompt com poda à metade da taxa, o que é uma forte pista sobre onde o orçamento de visão é gasto em entradas longas. E o parser de raciocínio se chama nemotron_v3/, enquanto o parser de chamadas de ferramentas é qwen3_coder/ — o fornecedor está reutilizando um formato de chamada de ferramentas que não inventou, o que é uma boa notícia para quem já tem código de chamada de ferramentas e vale a pena saber antes de escrever uma nova lógica de parsing.

Em contrapartida, a superfície operacional do modelo hospedado é uma chave de API. A comparação entre "quatro H100s e uma receita de vLLM" e "uma chave e um medidor" não chega perto em esforço. Só chega perto em custo, e apenas em volume.

Mais uma coisa que dá para saber a partir de um repositório e é fácil de passar despercebida: a amostragem recomendada varia conforme a modalidade. Texto pede temperatura 1.0 com top_p 0.95; visão pede 0.6 com 0.95. Uma implantação que define um par globalmente e depois processa gráficos e páginas digitalizadas está executando a metade de visão de um modelo de visão com as configurações da metade de texto. Se sua primeira impressão deste modelo em documentos for ruim, esse é o primeiro parâmetro a verificar — antes de concluir qualquer coisa sobre o checkpoint.

Então, qual deles?

Se o seu trabalho é codificação agêntica de longo horizonte, ou qualquer coisa em que o raciocínio precise ser de nível de fronteira já na primeira tentativa, o Claude Opus 5.5 é a resposta, e o nível N​emotron não é substituto para ele. Isso não é uma disputa acirrada, e as próprias linhas agênticas publicadas pelo fornecedor não afirmam o contrário.

Se o seu trabalho envolve compreensão de documentos e imagens em grande volume, em que o fator de custo é o número de páginas, e não a dificuldade do raciocínio, este é um dos checkpoints abertos mais interessantes a surgir este ano: 120 bilhões de parâmetros, com 12 bilhões ativos, uma licença permissiva, um caminho de visão genuinamente presente em vez de adicionado de última hora, e um padrão de 4 bits que cabe em uma única placa de 96 GB. O porém é que a versão que todos realmente vão executar — o padrão q4_K_M — não tem nenhuma avaliação publicada em lugar algum, o modelo tem quatro dias de idade, e a especificação publicada pelo runtime não corresponde inteiramente à especificação publicada pelo fornecedor.

Ambas são razões para experimentá-lo, não razões para confiar nele. Coloque primeiro a carga de trabalho no modelo hospedado para descobrir se a carga de trabalho é daquelas que um modelo de fronteira resolve e um de gama média não. Depois, decida se os casos que sobreviverem justificam um cluster, um download ou uma noite de configuração. E, se você colocar mesmo um checkpoint com quatro dias num caminho de requisição, encaminhe-o por trás de um fallback, porque o seguro mais barato contra um modelo sem histórico operacional é um segundo modelo atrás da mesma chamada.

O que os números não podem lhe dizer é se algo disso deu errado em campo: os incidentes documentados de IA e as falhas de agentes envolvendo modelos desta classe estão reunidos no OrcaRouter AI Incident Archive, em que cada entrada traz suas próprias fontes, grau de gravidade, nível de confiança e sinalização de contestação.