Nemotron 3.5 Super VL vs Nemotron 3 Ultra: Mais barato que o topo de linha ou apenas menor?

A NVIDIA tem três níveis do Nemotron 3.5 e um deles é uma armadilha para planejadores. NVIDIA Nemotron 3 Ultra 550B-A55B, lançado em 4 de junho de 2026, é o carro-chefe da família: 550 bilhões de parâmetros totais com 55 bilhões ativos por token, camadas LatentMoE com Multi-Token Prediction, 1M de tokens de contexto e um mínimo declarado de dezesseis H100s ou oito GB200s. NVIDIA Nemotron 3.5 Super VL, cujos pesos chegaram ao Hugging Face em 12 de outubro de 2026, com o anúncio da NVIDIA na sequência, em 15 de outubro, é o nível abaixo dele: 120B totais, 12B ativos, o mesmo contexto de 1M de tokens, um codificador de visão C-RADIO e um mínimo de quatro H100s ou dois GB200s. A própria ficha técnica da NVIDIA para o Super VL o compara diretamente com o Ultra e afirma precisão na vizinhança do Ultra com aproximadamente um quinto dos parâmetros. Essa afirmação é relatada pelo fornecedor, não reproduzida, e é a única frase da qual toda esta comparação depende.

A aritmética que realmente decide a implantação

Comece pelo que os dois checkpoints exigem fisicamente, porque é esse o número que um responsável pelo orçamento aprova.

• Parâmetros totais — 120B para o Super VL contra 550B para o Ultra. Cerca de 4,6 vezes a pegada de pesos, e são os pesos que preenchem as GPUs.

• Parâmetros ativos por token — 12B contra 55B. O cálculo por token escala com isto, não com o total, e é por isso que ambos os modelos são muito mais baratos de executar do que o seu tamanho sugere — e por que a diferença entre eles é de 4,6× na memória, mas também de 4,6× na aritmética por token.

• Hardware mínimo — 4×H100 ou 2×GB200 para Super VL; 16×H100 ou 8×GB200 para Ultra. Um nó contra um rack, em termos práticos.

• Modalidades — entrada de texto, imagens e vídeo para o Super VL; entrada e saída de texto para o Ultra. O Ultra não tem nenhum caminho de visão.

Design de atenção — Super VL é o híbrido intercalado de Mamba-2, mistura de especialistas e atenção, com 512 especialistas roteados por camada MoE; o Ultra usa o arranjo LatentMoE da NVIDIA. Ambos carregam cabeças MTP para decodificação especulativa.

• Licença — OpenMDW-1.1 com uso comercial em ambos, pesos e receitas abertos em ambos.

O padrão nessas seis linhas é que o Super VL não é um Ultra reduzido. É um formato diferente de modelo: com capacidade de visão, muito menor em memória e — crucialmente — implantável em hardware que uma equipe de médio porte talvez já tenha. O piso do Ultra é uma conversa de data center. O piso do Super VL é um nó de inferência sério.

O que os 43 bilhões extras de parâmetros ativos trazem

O caso de raciocínio geral

Ultra foi criado para ocupar o topo da linha da NVIDIA para raciocínio de texto puro, e o lançamento da NVIDIA em junho o compara com seis modelos de fronteira contemporâneos em suítes de conhecimento, matemática, programação e contexto longo. Esses números, como todos os números desta comparação, vêm do harness da NVIDIA e não de um avaliador independente, portanto estabelecem o que a NVIDIA mediu, não o que um terceiro mediria.

O caso multimodal

É aqui que a comparação se inverte. O Ultra não consegue ler uma página. Se o trabalho envolve documentos, tabelas, gráficos, capturas de tela ou frames de vídeo, o modelo principal simplesmente não é candidato, e o maior modelo da família é irrelevante para o seu problema, por melhor que seja o seu índice de raciocínio. O codificador de visão e o conector do Super VL existem precisamente para essa carga de trabalho, e os seus pontos fortes publicados — OCR, extração estruturada de documentos visuais, fluxos de trabalho empresariais com várias etapas — descrevem um trabalho diferente daquele para o qual o Ultra foi ajustado.

O caso de long-context

Ambos alcançam 1M de tokens. A NVIDIA estendeu o contexto do Super VL com uma etapa dedicada de 35 bilhões de tokens, seguida por um passe de recuperação de contexto longo, o que é um sinal mais forte do que apenas um comprimento máximo: significa que a entrada longa foi tratada como uma capacidade a ser preservada, e não como um buffer a ser anunciado. A Ultra alcançou a mesma janela por meio de seu próprio pipeline de treinamento. Sem uma avaliação independente de contexto longo de ambos, trate isso como um empate, com uma possível vantagem para o modelo que o seu próprio trace de recuperação indicar que se mantém além de 200k.

Servindo um ou ambos, e a armadilha do nível

A armadilha é assumir que a família é uma escada que se sobe. Ela está mais para uma partição, e a partição é traçada pelo custo por tarefa, e não pela capacidade. Um modelo com 12B ativos que precisa de dois GB200s e conclui uma tarefa de documento cinco vezes mais rápido que a sua classe, se a alegação de throughput da NVIDIA se sustentar, supera um modelo com 55B ativos nessa tarefa, independentemente de qual dos dois é mais inteligente — porque o mais inteligente fica ocioso esperando a fila do mais rápido esvaziar. Mude a tarefa para um problema de programação ou matemática de longo horizonte, sem pixels envolvidos, e os parâmetros extras do Ultra passam a fazer trabalho de verdade.

Nenhum destes está no nosso catálogo, e vale a pena ser explícito em vez de deixar uma frase vaga insinuar o contrário: o OrcaRouter não serve o NVIDIA Nemotron 3.5 Super VL, o Nemotron 3 Ultra 550B-A55B, nem qualquer outro checkpoint da NVIDIA. São pesos que você implanta. O que uma camada de roteamento contribui para uma decisão como esta é medição, não acesso. A DSL de roteamento permite colocar o mesmo prompt diante de dois modelos upstream e ler as respostas lado a lado, de modo que uma avaliação de um candidato com 12B ativos contra um incumbente com 55B ativos é uma alteração de configuração em vez de dois projetos de integração. O failover automático importa pelo motivo oposto: se um modelo hospedado para o qual você roteia se degrada no meio do pipeline, a requisição é movida em vez de falhar, o que mantém um caminho de fallback vivo para as equipes que mantêm o Super VL auto-hospedado como primário. E para as partes da carga de trabalho que nenhuma camada auto-hospedada deveria absorver — picos, modalidades raras, jobs pontuais de contexto grande — o catálogo por trás de uma única chave, mais de duzentos modelos com 0% de markup sobre o preço de tabela do provedor, é para onde vão essas requisições.

O enquadramento honesto desse parágrafo é que não somos o fornecedor de nenhum dos dois modelos aqui. Somos a camada que torna a comparação barata de executar e o caminho de escalação barato de manter.

A alegação para testar antes de se comprometer

Tudo o que foi dito acima se resume a uma única frase não verificada: a de que um modelo de 120B parâmetros com 12B ativos iguala o maior modelo de raciocínio da NVIDIA com cerca de um quinto do número de parâmetros. Se isso se confirmar, o Super VL é a melhor opção padrão para uma carga de trabalho mista, e o Ultra fica reservado para a cauda estreita de problemas que realmente precisam dele. Se isso não se confirmar — e, um dia após o lançamento, ninguém fora da NVIDIA mediu —, então os dois níveis são simplesmente tamanhos diferentes da mesma coisa, e a escolha volta a se resumir ao que a sua tarefa precisa: pixels ou não pixels, um nó ou um rack.

O teste é barato e específico. Pegue cinquenta tarefas reais da sua própria fila que tenham uma resposta verificável, execute-as nos dois e pontue a conclusão em vez das pontuações de benchmark. Esse número, e não o da NVIDIA, é o que decide para qual faixa você compra hardware — e é o número que continuará verdadeiro quando o próximo lançamento do Nemotron redefinir esta página.