Nemotron 3.5 Super vs DeepSeek V4 Pro: a tabela de benchmarks que a NVIDIA não publicou

Abra o model card da NVIDIA para NVIDIA Nemotron 3.5 Super VL — o checkpoint aberto de 120 bilhões de parâmetros que o fornecedor também lista como NVIDIA Nemotron 3.5 Super e que o Ollama distribui como nemotron-3.5-super — e role até a tabela de avaliação. Você encontrará cerca de quarenta benchmarks e sete colunas de baseline. Uma dessas colunas é a DeepSeek: ela está rotulada como DeepSeek-V4-Flash0731. O nível mais barato da própria DeepSeek. DeepSeek V4 Pro, o carro-chefe de 1,6 trilhão de parâmetros que substituiu a prévia de abril na revisão 0813, não aparece em lugar nenhum da tabela.

Essa ausência é o fato mais útil nesta comparação, e não é um descuido. O V4 Pro ativa 49 bilhões de parâmetros por token. Colocá-lo na mesma tabela que um modelo com 12 bilhões de parâmetros ativos produziria um conjunto de números que não favorecem ninguém nem informam ninguém, porque os dois modelos não são o mesmo produto. O que o fornecedor fez, em vez disso, é a versão honesta do exercício: comparar com a categoria que você realmente pretende substituir.

Portanto, esta página faz duas coisas. Ela analisa a comparação publicada pela NVIDIA — Nemotron 3.5 Super contra a linha flash da DeepSeek — e depois é explícita, nos pontos em que os dois modelos realmente competem, sobre o que pode e o que não pode ser concluído a respeito do modelo topo de linha.

Os dois artefactos, lado a lado

• Parâmetros totais e ativos — Nemotron 3.5 Super VL 120B no total, com 12B ativos por token, 512 especialistas roteados por camada MoE, híbrido de Mamba-2 e Transformer · DeepSeek V4 Pro 1.6T no total, com 49B ativos, somente texto.

• Contexto e limite de saída — 1.048.576 tokens de contexto para o Super VL sem limite de saída publicado · 1.048.576 tokens de contexto para o V4 Pro com 384.000 tokens de saída máxima.

• Modalidade — texto, imagem e vídeo como entrada com texto como saída, através de um codificador de visão C-RADIO e de um conector de visão-linguagem · texto como entrada, texto como saída. Nenhum caminho de imagem.

• Pesos e licença — OpenMDW-1.1 no checkpoint da NVIDIA, uso comercial permitido · A DeepSeek também publica os seus próprios pesos e permite uso comercial.

• Preço em endpoint medido — nenhum publicado; o modelo é apenas auto-hospedado · $0.66 por milhão de tokens de entrada e $1.98 por milhão de saída, com leituras de cache a $0.022.

• Pegada do lançamento — pesos no Hugging Face em 12 de outubro de 2026, anúncio do fornecedor em 15 de outubro de 2026 · V4 Pro atuando como carro-chefe, com a revisão datada de 0813 disponível para chamadores que precisam fixar.

Duas dessas linhas decidem a maioria das implantações reais. A primeira é a modalidade: se sua entrada é uma captura de tela, um contrato digitalizado, um gráfico ou um quadro de vídeo, metade desta comparação acaba antes de começar, porque o DeepSeek V4 Pro não tem caminho para imagens nem plano anunciado para ter um. A segunda é a linha de preço, e é mais interessante do que parece — a NVIDIA não publica nenhuma tarifa para esse modelo, o que significa que a única forma de saber seu custo é saber seu volume de tokens e sua fatura de hardware.

Lendo a tabela que a NVIDIA realmente publicou

A comparação de modelos da categoria flash é mais equilibrada do que as contagens de parâmetros sugerem, e não é uniformemente desfavorável à NVIDIA. Nas linhas em que os dois estão mais próximos, o quadro é um empate genuíno em conhecimento e um déficit real em execução agêntica.

• Empate estatístico em ciência de nível de pós-graduação — GPQA-Diamond 89,52 para o Super VL contra 89,6 para o DeepSeek-V4-Flash. Quatro centésimos de ponto separam um modelo de 120B de uma linha de base da classe 1e12 nesta linha, ambos executados pelos próprios fornecedores.

• Um déficit no raciocínio mais difícil — Humanity's Last Exam somente texto 31,79 contra 35,8, e MMLU-ProX 76,91 contra 85,5.

• Um déficit em programação competitiva — LiveCodeBench v6 88.22 contra 94.6.

• Um déficit no trabalho de software agêntico — SWE-bench Verified 71,10 contra 75,4, Terminal-Bench 2.1 66,70 contra 76,80, DeepSWE 24,65 contra 42,3.

• Um déficit acentuado na recuperação em contexto longo — AA-LCR v1.1 68,62 contra 79,7. Ambos os modelos anunciam um milhão de tokens; na única linha de recall de estilo independente, o nível Flash está mais de onze pontos à frente. Esse é o número mais decisivo da tabela para quem planeja usar o contexto anunciado em vez de apenas tê-lo disponível.

• Linhas em que a NVIDIA vence — GraphWalks 89,71 contra 65,4, proxy do LMArena v3 52,67 contra 49,8, e tau2-bench retail em 69,24 contra 73,8 está perto o suficiente para ser ruído em um benchmark tão ruidoso. AA-Omniscience é a vitória mais reveladora: a taxa de alucinação da NVIDIA de 30,0, contra 95,9 da DeepSeek, e um índice positivo de 4,03 contra menos 7,8. Um modelo que se abstém vale mais do que um modelo que afirma, e nesta linha a diferença não é marginal.

• Ferramentas agênticas — tau2-bench airline 76,50 contra 83,5 e telecom 73,19 contra 98,2, as duas foram derrotas. No domínio de telecom, o nível flash quase varre tudo.

Cada um destes é relatado pelo fornecedor por meio do próprio harness NeMo Gym da NVIDIA, com uma receita publicada. Isso é um padrão mais alto do que uma mera alegação e mais baixo do que uma reexecução independente e, nesta tabela em particular, a direção da maioria das linhas é contrária ao modelo que está sendo anunciado, o que é, ao menos, um sinal de que o harness não foi ajustado para favorecer.

O que não se pode concluir sobre o V4 Pro, e por que isso importa mesmo assim

Não se pode ler nada do que está acima como uma previsão do confronto principal, por três razões que vale a pena declarar em vez de passar por cima.

Primeiro, a linha de base não é o flagship. Os próprios números de agentes publicados pela DeepSeek para a revisão 0813 do V4 Pro estão em uma escala totalmente diferente: 87,9 no Terminal Bench 2.1, 83,3 no Cybergym, 74,1 no Toolathlon Verified, 62,7 no DeepSWE, 61,5 no NL2Repo, e 42,7 no Humanity's Last Exam sem ferramentas, subindo para 60,0 com elas. Em comparação com os 66,70 da NVIDIA no Terminal-Bench 2.1 e 31,79 no HLE somente texto, a diferença no nível flagship é muito maior do que a diferença no nível flash, e está sendo ampliada pelo fornecedor do outro modelo, o que não a torna mais confiável — apenas mais incisiva.

Em segundo lugar, a coluna do nível flash é um instantâneo de um nível que também mudou. Uma linha que parece boa hoje pode parecer ruim no mês que vem sem que nenhum dos modelos mude, porque a comparação depende de qual checkpoint o fornecedor escolheu executar.

Terceiro, o quadro independente para o checkpoint da NVIDIA é tão escasso que é quase inútil como critério de desempate: o painel de terceiros que avalia esses modelos o coloca na casa dos vinte e poucos em seu índice, com uma contagem de tokens de saída por tarefa excepcionalmente alta e uma observação de que o modelo é um tanto prolixo. Um ponto de dados, de um painel, quatro dias após os pesos surgirem.

Então, o resumo honesto do caso do benchmark é este: nos números de avaliações realizadas pelos fornecedores, um modelo aberto de visão com 12B de parâmetros ativos está aproximadamente no mesmo nível da camada barata da DeepSeek em conhecimento e atrás dela em execução agêntica e recall de contexto longo; nada nessa tabela diz respeito ao carro-chefe, e os próprios números publicados do carro-chefe são melhores em todos os eixos em que os dois podem sequer ser comparados.

O único eixo em que a comparação é trivial

Imagens. Não porque o Nemotron seja bom em visão — ninguém publicou uma avaliação independente do seu caminho de visão, e o runtime distribuído, por padrão, faz amostragem na temperatura de texto do cartão em vez da temperatura de visão, o que é uma armadilha ativa para a primeira pessoa que tentar usá-lo — mas porque o DeepSeek V4 Pro não as aceita.

Essa assimetria tem uma consequência de custo fácil de passar despercebida. Um modelo hospedado com capacidade de visão cobra por uma página de um documento digitalizado com base na contagem de tokens, e uma página de 300 dpi não é um número pequeno de tokens. Um checkpoint de 120B auto-hospedado cobra a mesma página em segundos de GPU. Em uma carga de trabalho de alguns milhares de páginas por mês, a diferença é ruído; em algumas centenas de milhares, é toda a conversa sobre orçamento. As próprias linhas de visão da NVIDIA — 62,82 no MMLongBench-Doc, 78,16 no MathVision, 80,82 no raciocínio CharXiv, 68,12 no OCRBench v2 English — são números do fornecedor, mas estabelecem que a capacidade está presente, e não é nominal.

O outro eixo em que a comparação se inverte é aquele sobre o qual todo mundo pergunta e poucos medem: memória. O V4 Pro, com 1,6 trilhão de parâmetros totais, não cabe nem perto de uma única máquina. O Super VL, com 82,3 GiB na sua tag padrão de 4 bits, cabe em uma única placa de 96 GB com espaço para um contexto de trabalho. Isso não é um argumento de qualidade. É a diferença entre um modelo que sua equipe pode baixar e executar hoje à noite e um modelo que você aluga.

Fazendo as contas em vez de usar o benchmark

Eis o cálculo que vale a pena fazer antes de ler outra tabela. Considere uma carga de trabalho de um milhão de tokens de entrada e cem mil tokens de saída — um mês trivial para um pipeline de documentos, um dia pesado para um produto de chat.

Na tarifa publicada do DeepSeek V4 Pro, isso é US$ 0,66 de entrada mais US$ 0,198 de saída: menos de um dólar, antes que os descontos de cache reduzam ainda mais o lado da entrada. No checkpoint da NVIDIA, não há tarifa, porque não há endpoint. O custo é a fração de uma GPU-hora que esse volume consumir e, nesses volumes, a resposta arredonda para zero — mas o custo fixo por trás dela, não. Quatro H100s não ficam mais baratas só porque o tráfego do seu primeiro mês é pequeno.

Essa é a verdadeira forma deste confronto, e é uma questão de volume, não de qualidade. Abaixo de um certo throughput, a API medida de pesos abertos é simplesmente mais barata do que a eletricidade e a amortização do hardware, mesmo que ambos os modelos sejam abertos. Acima de um certo throughput, o custo fixo se inverte e o checkpoint auto-hospedado vence em custo, independentemente de qual deles pontua mais alto no Terminal-Bench. O ponto de virada depende da sua utilização, não de qualquer um dos fornecedores.

Isso nos leva à questão do roteamento: se você preferir não executar o cluster de jeito nenhum, o DeepSeek V4 Pro está acessível no OrcaRouter pelo preço de tabela do provedor, repassado sem nenhuma margem por token — US$ 0,66 e US$ 1,98, os mesmos números que a DeepSeek publica, porque não acrescentamos nada a eles. Uma mudança de preço do fornecedor entra em vigor do nosso lado no mesmo dia, em vez de na próxima renovação de contrato. O Nemotron 3.5 Super não está na nossa chave; roteamos um pouco mais de duzentos modelos e este não é um deles, então, se você precisar especificamente desse checkpoint, os canais do próprio fornecedor e o pull local são a sua rota.

O que realmente fazer

Se a sua entrada for texto e a sua carga de trabalho for agêntica — cadeias longas de ferramentas, edições à escala de repositórios, sessões de terminal —, o DeepSeek V4 Pro é o melhor modelo e o mais barato, e o checkpoint da NVIDIA não é um concorrente sério contra ele, mesmo nas linhas publicadas pelo próprio fornecedor. Execute a carga de trabalho primeiro no V4 Pro, obtenha um custo real por unidade de trabalho e só então decida se um cluster se justifica.

Se a sua entrada for imagens, vídeo ou documentos longos, a comparação reduz-se a uma única questão sobre volume, porque o V4 Pro não consegue receber a entrada de todo. Abaixo de alguns milhares de páginas por mês, mantenha-o alojado. Acima disso, o checkpoint de 4 bits numa única placa de 96 GB é uma peça de infraestrutura credível — com duas ressalvas que vale a pena repetir: a versão que a maioria das pessoas vai executar não tem avaliação publicada, e os próprios padrões de amostragem do runtime estão afinados para a metade de texto daquilo que o fornecedor anuncia como um modelo de visão.

E se você colocar um checkpoint com quatro dias de idade atrás de um caminho de requisição, coloque também um fallback atrás dele. O seguro mais barato disponível para um modelo sem histórico operacional é um segundo modelo na mesma chamada.