Nemotron 3.5 Super VL vs Qwen3.8-Max: O Nível de Pesos Abertos Contra a Fronteira Cobrada por Uso

Quem está planejando um pipeline de processamento de documentos neste trimestre tem exatamente duas opções entre as quais escolher, e elas não são o mesmo tipo de opção. NVIDIA Nemotron 3.5 Super VL é um checkpoint de visão-linguagem de 120B parâmetros, com 12B ativos, sob a OpenMDW-1.1, cujos pesos foram disponibilizados em 12 de outubro de 2026, três dias antes do anúncio da própria NVIDIA em 15 de outubro: você o baixa, você o hospeda, você paga em GPUs e eletricidade. Qwen3.8-Max é o carro-chefe proprietário da Alibaba — uma mistura de especialistas de 2,4 trilhões de parâmetros, com 95B de parâmetros ativos, entrada de visão, janela de contexto de 1M tokens e cobrança por token a $2 por milhão de entrada e $6 por milhão de saída, com 88% de desconto de cache. Um é despesa de capital com controle total; o outro é despesa operacional com uma tabela de preços. Todo o resto nesta comparação decorre dessa divisão.

Dois modelos de negócio vestindo uma comparação de benchmark

É tentador colocá-los lado a lado por capacidade e declarar um vencedor. Esse enquadramento esconde a decisão real, que é sobre quem é responsável pelo modo de falha. Com o Super VL, se o throughput decepcionar você, você retreina, requantiza ou compra hardware diferente — cabe a você elevar o teto. Com o Qwen3.8-Max, se o throughput decepcionar você, você troca a string do modelo ou negocia; o teto pertence à Alibaba, e o roteiro também.

Essa diferença é visível no que cada fornecedor publicou. A NVIDIA publicou um relatório técnico, receitas de treinamento, conjuntos de dados abertos, ambientes de RL e três caminhos separados de decodificação especulativa para a família — o aparato de um modelo feito para ser implantado e modificado. A Qwen disponibilizou uma API com uma lista de preços e um desconto de cache, que é o aparato de um modelo feito para ser consumido.

O que o Super VL oferece que um endpoint hospedado não consegue

NVIDIA Nemotron 3.5 Super VL é um híbrido: camadas Mamba-2 intercaladas, uma mistura de especialistas com 512 especialistas roteados por camada MoE, e camadas de atenção seletivas, unido a um codificador de visão C-RADIO e um conector de visão-linguagem. Texto, imagens e quadros de vídeo entram; texto sai. Seu backbone de linguagem foi inicializado a partir do Nemotron 3 Super Base, destilado por um trilhão de tokens do Nemotron 3 Ultra Base, depois recebeu uma extensão de 35 bilhões de tokens para contexto de 1M, mid-training em engenharia de software e um estágio de recuperação de contexto longo. A Previsão Nativa de Múltiplos Tokens fornece decodificação especulativa sem um drafter separado. Ele roda em BF16 em 4×H100 ou 2×GB200, com uma build NVFP4 e um microsserviço NIM para implantação em produção.

• O que você possui — os pesos, o tokenizador, o codificador de visão, o pipeline de pós-treinamento e a trilha de auditoria. Cada prompt permanece dentro do seu perímetro, o que, para trabalhos de seguros, crédito, saúde ou defesa, não é uma preferência, mas um requisito.

• O que você paga — aceleradores. Quatro H100s em precisão total são o bilhete de entrada, e a curva de custos é a utilização: caro quando ocioso, quase gratuito na saturação.

• O que você deixa de ter — uma tabela de preços. Em 16 de outubro de 2026, não há preço publicado para o Super VL por ninguém, então qualquer comparação de custo total que você montar hoje depende das suas próprias medições de throughput, não de um número de fornecedor.

O que o Qwen3.8-Max oferece que um checkpoint não consegue

O Qwen3.8-Max ativa 95 bilhões de parâmetros por token a partir de um reservatório de 2,4 trilhões de parâmetros, aceita imagens além de texto e mantém, por padrão, uma janela de contexto de pouco menos de um milhão de tokens. No Artificial Analysis, ele apresenta um Intelligence Index de 45, que é dezenove pontos acima dos 26 registrados para o NVIDIA Nemotron 3.5 Super VL no mesmo índice — e, ao contrário da maioria dos números nesta página, ambos são medições de terceiros, e não afirmações do fornecedor.

• O que você recebe — um generalista de nível de fronteira, com visão incluída, que pode ser chamado hoje à tarde com uma chave de API. Sem hardware, sem operações, sem planejamento de capacidade.

• O que você paga — $2 de entrada e $6 de saída por milhão de tokens, com 88% de desconto na entrada em cache, o que muda a economia de qualquer carga de trabalho com um grande prefixo estável: um prompt de sistema longo, um documento fixo, um esquema de ferramenta persistente.

• Do que você abre mão — os pesos. Não há download, nem implantação local, nem ajuste fino do modelo de serving, e nenhuma capacidade de manter os dados no seu próprio hardware.

O desconto de cache merece uma nota específica porque é o número mais frequentemente modelado incorretamente em qualquer uma das colunas. Uma redução de 88% no input em cache não significa uma fatura 88% mais barata; significa que a parte repetida do seu prompt custa aproximadamente um nono do preço de tabela, e o benefício escala conforme a proporção de cada requisição que é genuinamente idêntica à anterior. Pipelines que reenviam um grande preâmbulo estático beneficiam enormemente. Pipelines que enviam um documento novo a cada chamada quase não beneficiam.

A linha de preço, conduzida com honestidade

O instinto é calcular um ponto de cruzamento — a partir de quantos tokens a auto-hospedagem compensa? Esse cálculo produz um número, e o número geralmente está errado, porque omite os dois custos que dominam: o tempo de engenharia para manter uma stack de inferência auto-hospedada atualizada, e o custo de oportunidade de um modelo menor nos casos difíceis.

Uma versão mais útil: execute seu perfil de tráfego real em relação às tarifas publicadas do Qwen3.8-Max e obtenha um valor mensal exato, porque esse lado tem uma tabela de preços. Em seguida, pergunte que fração desse tráfego um modelo com 12B ativos consegue processar dentro do seu padrão e precifique apenas essa fração em GPUs. Na maioria dos pipelines de extração de documentos, a resposta é que o grosso do volume é mecânico — faturas, formulários, gráficos, layouts repetidos — e uma pequena cauda carrega o julgamento. O grosso é onde a auto-hospedagem vence; a cauda é onde um modelo de fronteira como o Qwen3.8-Max vence.

Essa divisão é exatamente o que a nossa própria camada de roteamento existe para atender, e os fatos relevantes são suficientemente restritos para serem ditos sem rodeios. O Qwen3.8-Max está no nosso catálogo como qwen/qwen3.8-max/ pelo preço de tabela da Alibaba com 0% de markup — o que o fornecedor cobrar é o que você paga, e um corte de preço do fornecedor chega no mesmo dia, e não no próximo ciclo de faturamento. O NVIDIA Nemotron 3.5 Super VL não está no nosso catálogo e nunca estará na forma de um endpoint, porque é um checkpoint que você hospeda, e não um serviço que alguém possa revender para você. O que fica entre os dois é a composição: a DSL de roteamento permite que uma única chamada se ramifique, de modo que páginas mecânicas podem ir para o modelo barato que você quiser apontar, enquanto as que exigem julgamento escalam, e o failover automático move uma requisição para um upstream saudável quando aquele para o qual ela estava indo se degrada. Uma chave para a metade hospedada, suas próprias GPUs para a outra, uma política decidindo qual requisição vai para onde.

Uma solução prática, e não hipotética: o mesmo pipeline pode enviar um formulário de uma página para um modelo de texto pequeno por meio do catálogo, encaminhar um relatório anual repleto de gráficos para um modelo de visão e manter o Qwen3.8-Max em reserva para a minoria dos documentos em que a extração é genuinamente ambígua. O modelo de reserva custa US$ 6 por milhão de tokens de saída e nada quando não é usado, o que é um arranjo muito melhor do que provisionar uma quarta H100 para uma carga de trabalho que tem picos duas vezes por mês.

Quem deve fazer o quê, a partir desta semana

Se o seu trabalho envolve dados regulamentados — qualquer categoria em que enviar uma página a um terceiro exija uma revisão jurídica — a decisão está tomada para você, e é o Super VL, incluindo o piso de hardware e tudo o mais. Se o seu trabalho é compreensão de documentos e telas em alto volume sob uma postura normal de privacidade, a resposta correta mais barata para a maioria das equipes neste momento é o modelo de fronteira com cobrança por uso, porque funciona hoje e seu preço é conhecido. Se você está em algum ponto intermediário, que é onde a maioria dos pipelines reais se encontra, os dois não são concorrentes de forma alguma: Qwen3.8-Max para a cauda difícil e um Super VL auto-hospedado para o volume, com um roteador decidindo a cada requisição.

A coisa que mudaria esta página é um preço publicado para o Super VL de qualquer provedor de serviço. No momento em que um checkpoint do Nemotron aparecer por trás de um endpoint com cobrança por uso, a objeção do piso de implantação evapora, a comparação passa a ser preço contra preço, e a pergunta interessante deixa de ser qual modelo e passa a ser qual provedor. Até então, as duas colunas continuam respondendo a perguntas diferentes — e a resposta honesta para "qual é melhor" é que um modelo com preço e um modelo com licença não são o mesmo tipo de objeto.