Nemotron 3.5 Super VL vs Nemotron 3.5 Lightning: dois níveis de uma mesma família, e o token que decide qual deles

Esses dois modelos não são rivais, e tratá-los como um só é o erro que as fichas técnicas convidam a cometer. NVIDIA Nemotron 3.5 Super VL é um modelo de visão e linguagem com 120B parâmetros, 12B ativos, que precisa de quatro H100s ou dois GB200s para rodar em precisão total. NVIDIA Nemotron 3.5 Lightning 30B-A3B é um modelo de texto com 30B parâmetros, 3B ativos, que cabe em um único DGX Spark ou um H100. Eles compartilham uma licença — OpenMDW-1.1, uso comercial, pesos abertos e receitas abertas — e compartilham uma filosofia de projeto de silenciar a computação por token com Mamba-2 e especialistas esparsos. Eles não compartilham uma modalidade de entrada, um requisito mínimo de hardware ou uma função. O Lightning é o mais antigo dos dois, por cerca de dois meses, tendo sido lançado em 11 de agosto de 2026; os pesos do Super VL chegaram em 12 de outubro de 2026, com o anúncio da NVIDIA vindo em 15 de outubro, então um deles é um lançamento consolidado e o outro tem um dia de vida.

O portão, em termos simples

Ambos os modelos existem como checkpoints baixáveis com receitas de avaliação publicadas. Ambos são avaliados pelo fornecedor: cada número nas tabelas abaixo vem do próprio harness NeMo Gym ou NeMo Evaluator da NVIDIA, não de terceiros, e nenhum deles tem por trás uma auditoria independente de throughput ou precisão. Essa ressalva se aplica a toda a comparação e não é repetida em cada linha.

Onde o Lightning se sai melhor: a NVIDIA diz que o checkpoint Lightning 30B-A3B NVFP4 foi baixado cerca de 907.000 vezes no Hugging Face, contra aproximadamente 142 do checkpoint BF16 Super VL, com apenas um dia de vida. Isso não é um sinal de qualidade — é a diferença entre um modelo que você consegue executar num acelerador de nível de laptop e um que não consegue.

O que os dois pontos de verificação contêm

O Nemotron 3.5 Lightning 30B-A3B é um híbrido de mistura de especialistas construído a partir de camadas intercaladas de Mamba-2 e MoE, com algumas camadas de atenção, 30B de parâmetros totais e 3B ativos por token, 1M de tokens de contexto e texto como sua única entrada. A NVIDIA treinou-o com mais de 20 trilhões de tokens usando uma receita de pré-treinamento NVFP4, adicionou cabeças de previsão multi-token, depois fez ajuste fino com dados sintéticos de código, matemática, ciência, chamadas de ferramentas e seguimento de instruções, antes de uma etapa de aprendizado por reforço GRPO. Ele vem com três estratégias separadas de decodificação especulativa — DSpark para trabalho de data center de baixa concorrência e para DGX Spark, além de MTP e DFlash —, o que é uma quantidade incomum de engenharia de inferência para um modelo de 30B, e revela quem é o usuário pretendido: alguém que executa agentes localmente e fica de olho no relógio de parede.

O NVIDIA Nemotron 3.5 Super VL compartilha o esqueleto e adiciona olhos. Mesmo híbrido intercalado de Mamba-2, MoE e atenção, mas com 512 especialistas roteados por camada MoE, um codificador de visão C-RADIO e um conector de visão e linguagem, 120B no total e 12B de parâmetros ativos, e entrada de texto, imagem e vídeo. Seu backbone de linguagem foi inicializado a partir do Nemotron 3 Super Base, depois destilado por um trilhão de tokens do Nemotron 3 Ultra Base antes do pré-treinamento continuado, uma extensão de 35 bilhões de tokens para um contexto de 1M, treinamento intermediário de engenharia de software e uma etapa de recuperação de contexto longo. Os dois lançamentos também compartilham um relatório técnico — a NVIDIA publicou os trabalhos Super e Lightning em conjunto.

• Parâmetros ativos — 12B por token para o Super VL contra 3B do Lightning. Quatro vezes a computação em cada token gerado, antes de o codificador de visão ser contabilizado.

• Modalidades — texto, imagens e quadros de vídeo amostrados para o Super VL; texto de entrada, texto de saída para o Lightning. Os idiomas compatíveis do Lightning são inglês, espanhol, francês, alemão, italiano e japonês.

• Requisito mínimo de hardware — 4×H100 ou 2×GB200 em BF16 para Super VL, com uma build NVFP4 e um microsserviço NIM para produção; um DGX Spark, uma H100, uma RTX 5090 ou silício de classe Ampere via W4A16 para Lightning.

• Contexto — 1M tokens em ambos, ambos com receitas publicadas em vez de um único máximo anunciado.

• Decodificação especulativa — o Super VL usa nativamente sua própria cabeça MTP, sem precisar baixar um drafter; o Lightning disponibiliza as variantes DSpark, MTP e DFlash como checkpoints separados.

• Licença — OpenMDW-1.1 para ambos, uso comercial permitido, com conjuntos de dados abertos e ambientes de RL no Hub.

O que os números dizem e o que não dizem

No próprio harness da NVIDIA, os dois não são próximos, e isso é esperado: um modelo com 12B ativos deveria superar um com 3B ativos. Baseando a diferença nas tabelas publicadas pela NVIDIA: GPQA-Diamond 89,52 para o Super VL contra 75,44 para o Lightning; HLE somente texto 31,79 contra 11,72; SWE-bench Verified 71,10 contra 51,56; Terminal-Bench 2.1 66,70 contra 24,58; AA-LCR 68,62 contra 52,00.

O padrão dentro dessas linhas é mais útil do que as próprias linhas. A liderança do Super VL é enorme nos benchmarks de contexto longo e execução agêntica e comparativamente modesta em conhecimento geral — MMLU-Pro é 76,91 contra 81,94 do Lightning, um caso raro de o modelo menor vencer uma linha. Esse é o formato de um modelo que foi deliberadamente treinado em estágio intermediário com dados de engenharia de software e submetido a uma etapa de recuperação de contexto longo: ele é melhor em levar uma tarefa até o fim do que em recordar fatos. Se sua carga de trabalho for perguntas e respostas factuais sobre textos curtos, a desvantagem do modelo de 30B praticamente desaparece, e desaparece com um quarto da computação por token.

A NVIDIA apresenta uma ressalva na placa Lightning que vale a pena repetir, em essência, palavra por palavra: os números foram medidos com o checkpoint oficial NVFP4 e se aplicam a ele, e a NVIDIA observa que sua própria avaliação pode diferir dos números que os fornecedores de modelos concorrentes relatam. Essa é uma frase de honestidade incomum, e se aplica igualmente à tabela do Super VL.

Escolher o nível, e o que acontece acima dele

A regra de decisão decorre da modalidade e do piso, e não do índice. Qualquer coisa que tenha de ler uma página — uma fatura, um gráfico, um formulário digitalizado, uma captura de tela de uma aplicação, um quadro de vídeo — só pode ir para o Super VL, porque o Lightning não tem qualquer caminho para pixels. Qualquer coisa que seja texto de entrada e texto de saída, funcione continuamente e resida em hardware que já possui, pertence ao Lightning, porque um modelo com 3B de parâmetros ativos em NVFP4 num único acelerador tem uma base de custos completamente diferente de doze bilhões de parâmetros ativos em quatro GPUs.

Acima de ambos está o NVIDIA Nemotron 3 Ultra 550B-A55B, contra o qual a placa Super VL é comparada diretamente em benchmarks e que requer oito GB200s ou dezesseis H100s. Três níveis, três classes de hardware, uma licença. A família foi projetada para que uma única organização possa implantar as três e mover trabalho entre elas, e o interessante problema de engenharia não é escolher uma — é o roteador que decide qual solicitação vai para onde.

Essa camada de roteamento é onde uma plataforma, e não um checkpoint, justifica sua existência, e vale a pena ser preciso sobre o que fazemos e o que não fazemos aqui. O OrcaRouter não serve o NVIDIA Nemotron 3.5 Super VL, o Nemotron 3.5 Lightning 30B-A3B nem o Nemotron 3 Ultra 550B-A55B; nenhum dos três está em nosso catálogo, e um checkpoint auto-hospedado, por definição, não é algo que um provedor de API possa entregar a você. O que fornecemos é a parte que envolve um parque misto de modelos locais e hospedados: a DSL de roteamento que compõe vários modelos em uma única chamada, para que um pipeline possa enviar suas páginas mecânicas a um modelo pequeno e barato e escalar apenas as difíceis, e failover automático entre provedores upstream, de modo que a degradação de uma dependência hospedada não derrube o pipeline junto com ela. O lado do catálogo dessa equação — atualmente mais de duzentos modelos por trás de uma única chave, com 0% de markup sobre o preço de tabela do provedor — é o que o ramo de escalonamento aciona. Um Lightning auto-hospedado cuidando do volume e um modelo hospedado roteado cuidando das exceções é um sistema menor e mais seguro do que qualquer uma das metades isoladamente.

O que assistir

A relativa maturidade do Lightning é a variável subestimada. É público desde agosto, tem quantizações de terceiros, suporte a llama.cpp, Ollama, LM Studio e vLLM, e uma base de downloads grande o suficiente para que os modos de falha sejam conhecidos. O Super VL tem um cartão de modelo, um relatório técnico, uma receita day-zero para vLLM e uma contagem de downloads de um dia. Executá-lo em produção este mês significa ser a pessoa que encontra as arestas ásperas.

O ponto específico a observar é se a build NVFP4 Super VL fecha a lacuna de hardware o suficiente para fazer diferença. Se um modelo quantizado 120B-A12B rodar de forma útil em um pequeno número de aceleradores — não um, mas menos de quatro —, então a fronteira entre as camadas se desloca e toda a família de três modelos se torna mais barata de implantar como uma unidade. Até que isso aconteça, a divisão é por modalidade: Lightning para texto em volume no seu próprio hardware, Super VL para qualquer coisa que tenha um pixel, Ultra quando a tarefa realmente exige o maior modelo que a NVIDIA vende.