Um cartão de título gerado com o texto 'Qwen4-Max vs Nemotron 3.5 Super', com o subtítulo 'Um você aluga por token, o outro você compra por gigabyte', e três cartões de números com os textos '43 vs 14 no índice', '$3.27 vs $0.56 por tarefa' e '248.94 GB BF16 de pesos abertos'. Um rodapé diz 'Pesos abertos conforme a NVIDIA; pontuações conforme o Artificial Analysis Intelligence Index v5.0.1; tarifas de hospedagem conforme a Artificial Analysis.' Estilo vetorial plano em fundo branco com acentos em gradiente azul e ciano, a marca OrcaRouter composta no canto inferior direito.
Guides & Insights

Qwen4-Max vs Nemotron 3.5 Super: Um você aluga por token, o outro compra por gigabyte

Autor

jinhao.song

Data de publicação

Modelos mais recentes · 20Ver todos os modelos →
Benchmarks: Artificial Analysis · atualizado diariamente
Voltar para todas as publicações

Os dois modelos desta comparação não disputam a mesma linha de um orçamento. O Qwen4-Max é cobrado por token desde 16 de novembro de 2026, a US$ 1,50 por milhão de tokens de entrada e US$ 4,50 por milhão de saída em Singapura, e é fechado — sem pesos, sem download, sem auto-hospedagem, nunca. O NVIDIA Nemotron 3.5 Super VL está disponível para download desde 12 de outubro de 2026 sob a OpenMDW-1.1 como um checkpoint BF16 de 248,94 GB ou um NVFP4 de 75,06 GB, com 120 bilhões de parâmetros, dos quais 12 bilhões são ativos, e o preço de tabela hospedado que o rastreador independente mede para ele é US$ 0,20 de entrada e US$ 0,50 de saída por milhão. No índice, o Qwen4-Max pontua 43 contra 14 do Nemotron 3.5 Super VL. Em custo por tarefa concluída, o rastreador indica US$ 3,27 contra US$ 0,56. Lidos em conjunto, esses quatro números descrevem uma diferença de capacidade de 29 pontos, uma diferença de preço de 92% a favor do modelo aberto e uma decisão que, na verdade, é sobre se você quer um endpoint ou um arquivo.

A licença é a primeira linha, não a última.

A maioria das comparações entre um flagship fechado chinês e um lançamento aberto da NVIDIA trata o licenciamento como nota de rodapé. Aqui, ele determina o que as outras linhas podem sequer significar.

Pesos — Qwen4-Max: nenhum publicado, e a Alibaba não afirmou que publicará algum para este nível, apenas que modelos Qwen4 menores serão de código aberto na mesma linhagem. Nemotron 3.5 Super VL: builds BF16 e NVFP4 no Hugging Face, criados pela primeira vez em 12 de outubro de 2026, com o anúncio da própria NVIDIA vindo em 15 de outubro.

• Licença — OpenMDW-1.1 do lado da NVIDIA, que permite uso comercial e pós-treinamento com seus próprios dados. O lado da Alibaba é um contrato de API comercial com medição por token e nada a aceitar além dos termos de serviço.

• Ajuste fino — possível no Nemotron 3.5 Super VL, e o cartão da NVIDIA nomeia personalização e adaptação de domínio como sua utilização prevista. Não é oferecido a nenhum preço no Qwen4-Max; não há endpoint de ajuste fino na listagem de capacidades dele.

Formato de implantação — um é um endpoint hospedado em seis regiões que você acessa por meio de quatro formatos de comunicação. O outro é um conjunto de pesos para o qual você precisa encontrar GPUs, além de uma pilha de inferência, além do trabalho operacional que acompanha ambos.

• O que você não pode fazer com nenhum dos dois — comprar os pesos do Qwen4-Max, ou chamar o Nemotron 3.5 Super VL partindo do pressuposto de que a NVIDIA ainda o estará servindo no próximo ano. O segundo é a vantagem dos pesos abertos enunciada negativamente: ninguém pode aposentar pesos que você já tem.

Essa assimetria é o motivo pelo qual uma comparação direta de índices é quase inútil aqui. A diferença de 43 contra 14 precifica a capacidade, e a linha ausente precifica a opcionalidade, e a opcionalidade é justamente o que o modelo aberto está de fato vendendo.

Lendo 14 contra 26: o índice se deslocou sob este modelo

Há um detalhe que vale a pena mencionar, porque ele vai confundir qualquer pessoa que compare os números de hoje com a cobertura de outubro. O Artificial Analysis deu ao Nemotron 3.5 Super VL a pontuação 26 quando o avaliou pela primeira vez, e o registro atual no Intelligence Index v5.0.1 mostra 14. Os dois números estão nas próprias páginas do tracker; eles não são comparáveis entre si, porque a revisão do índice mudou por baixo do modelo. O que o leitor deve extrair disso é limitado: dentro do v5.0.1, o Nemotron 3.5 Super VL com 14 e o Qwen4-Max com 43 são medidos por um mesmo harness em uma mesma revisão e podem ser colocados na mesma linha. O 26 é um artefato histórico de uma rubrica diferente, e citar os dois lado a lado como se o modelo tivesse regredido doze pontos seria errado.

O restante da entrada do Nemotron no rastreador é excepcionalmente informativo para um modelo aberto, porque existem preços de hospedagem para ele. Ele registra US$ 0,20 e US$ 0,50 por milhão de tokens, um desconto de cache de 95%, velocidade de saída de 274 tokens por segundo, 13,44 segundos até o primeiro token de resposta, 5,0 minutos por tarefa de indexação, 1M de tokens de contexto e uma média de US$ 0,56 por tarefa de indexação concluída sobre 119 milhões de tokens de saída gerados. A descrição é franca em ambas as direções: entre os modelos líderes em inteligência para modelos de pesos abertos de tamanho semelhante, mais lento que a média por tarefa, muito verboso.

A coluna do Qwen4-Max não tem velocidade, nem latência, nem tempo por tarefa — o cartão de desempenho mostra N/A. Ele tem 43, uma classificação de 38 de 81, $1.50 e $4.50, e 127 milhões de tokens de saída. A verbosidade é comparável à do Nemotron, o que faz a diferença de custo por tarefa ser quase inteiramente uma diferença de preço, e não de comportamento: a cerca de um nono da taxa por token na saída, o modelo aberto conclui tarefas a um sexto do custo, embora obtenha 29 pontos a menos.

A generated two-column scoreboard titled 'Qwen4-Max vs Nemotron 3.5 Super VL — the scoreboard'. The Qwen4-Max column reads Distribution hosted API only, Weights none published, AA Index 43 rank 38 of 81, Price per index task $3.27, Parameters 2.4T total 71B active, Fine-tuning not offered. The Nemotron 3.5 Super VL column reads Distribution open weights OpenMDW-1.1, Weights 248.94 GB BF16 / 75.06 GB NVFP4, AA Index 14, Price per index task $0.56, Parameters 120B total 12B active, Fine-tuning permitted. A footer reads 'Open weights per NVIDIA; AA figures per Artificial Analysis v5.0.1; hosted rates per AA.'

O que 120B com 12B ativos realmente entrega

Nemotron 3.5 Super VL é uma mistura de especialistas com 120 bilhões de parâmetros totais e 12 bilhões ativos por token, que é o número que governa o custo de inferência quando você o hospeda por conta própria. Ele recebe texto e imagens e retorna texto. Seu backbone de linguagem foi inicializado a partir do Nemotron 3 Super Base, um modelo somente de texto, com o caminho de visão adicionado depois — um codificador C-RADIO e um conector instalados como um estágio de treinamento distinto após a conclusão de todos os seguintes processos: treinamento de base, destilação, pré-treinamento contínuo em indic, extensão de contexto longo e treinamento intermediário em engenharia de software. Qwen4-Max é a construção oposta: um backbone de 2,4 trilhões de parâmetros com 71 bilhões ativos por token, visão nativa desde o início, 328 bilhões de parâmetros adicionais de embedding N-gram consultados em vez de multiplicados e um caminho de contexto construído sobre três camadas Gated DeltaNet que comprimem o histórico para cada camada Qwen Sparse Attention.

Uma dessas arquiteturas foi projetada em torno de imagens. A outra teve as imagens enxertadas depois. Se essa diferença se manifesta na sua carga de trabalho é uma questão empírica, mas a direção do risco é possível de saber: é num caminho de visão adaptado a posteriori que um pipeline de extração de documentos encontra sua primeira regressão, e a própria ficha do fornecedor dá uma pista na mesma direção, com uma pontuação IFBench de 70,86 em prompts vagos, contra 82,9 do Nemotron 3 Ultra, que é maior.

A aritmética de hospedagem é a outra metade. A NVIDIA publica dois checkpoints: 248,94 GB em BF16 e 75,06 GB em NVFP4, uma diferença de 173,88 GB para cerca de um terço do armazenamento e da ocupação de memória. A versão NVFP4 é a que cabe em um único nó de aceleradores modernos em vez de um cluster, e é o checkpoint da própria NVIDIA, e não uma quantização de terceiros, o que importa se você se preocupa em reproduzir os números publicados pelo fornecedor. Usando 12 bilhões de parâmetros ativos por token, a questão da vazão passa a ser uma questão do seu tamanho de lote e da sua GPU, não de uma tabela de preços — que é exatamente a liberdade que a licença aberta compra e exatamente o trabalho que ela custa.

A headless-browser screenshot of the Hugging Face model card for nvidia/NVIDIA-Nemotron-3.5-Super-VL-120B-A12B-BF16, captured 16 November 2026 in English, showing the repository name and like count, Image-Text-to-Text, Transformers, Safetensors and PyTorch tags, the nemotron_h_omni and nemotron-3.5 tags, a link row for the pre-training datasets, developer page and paper, and the start of the card describing it as the full-precision release of NVIDIA Nemotron 3.5 Super VL, a vision-language model for reasoning.

Quando a diferença de 29 pontos deixa de ser o número decisivo

Três cargas de trabalho tornam o modelo aberto a melhor compra, apesar de pontuar menos de um terço do Qwen4-Max.

• Implantações regulamentadas ou isoladas (air-gapped) — em que a questão não é o preço, mas se os dados podem sair do edifício, e um endpoint alugado é desqualificado antes mesmo de se consultar o índice. O Nemotron 3.5 Super VL, com 75.06 GB em NVFP4, é um modelo on-premise plausível; o Qwen4-Max não tem versão on-premise.

• Classificação, roteamento e extração de alto volume — em que 14 em um índice geral ainda pode ser suficiente, os comprimentos de saída são fixados por um esquema, e 274 tokens por segundo a US$ 0,20 por milhão de entrada é uma ordem de magnitude mais barato do que qualquer coisa cobrada a tarifas de fronteira.

• Tudo o que precisa de aprender com os seus dados — um fine-tune às suas próprias imagens e documentos está disponível de um lado e indisponível do outro, independentemente do orçamento, e nenhuma quantidade de engenharia de prompts o substitui quando o vocabulário do domínio é exclusivamente seu.

E três que fazem do Qwen4-Max a resposta certa de qualquer forma: trabalho agêntico de horizonte longo, em que a diferença de pontuação se traduz diretamente em tarefas de várias etapas que falham, solicitações que ultrapassam algumas centenas de milhares de tokens e exigem um contexto de solicitação única sem fragmentação, e qualquer equipe que queira saída estruturada, chamada paralela de ferramentas e cache de um endpoint hoje, em vez de uma pilha de inferência no próximo trimestre. O Qwen4-Max também publica ambos os seus tetos de entrada — 991.808 tokens no modo não pensante, 983.616 no modo pensante —, que é o tipo de número que uma equipe de auto-hospedagem leva uma semana para descobrir.

O que nenhum destes dois é, e o que é realmente roteável

Nenhum dos dois modelos está no catálogo do OrcaRouter em 16 de novembro de 2026. O Qwen4-Max pode ser acessado pela própria API Model Studio da Alibaba e por várias plataformas de terceiros; o Nemotron 3.5 Super VL são pesos para download, além de alguns provedores hospedados. Uma página de comparação que desse a entender que qualquer um dos dois estava a uma única chave de API de distância estaria mentindo sobre o esforço envolvido.

O que está roteado aqui é a geração anterior do lado fechado: qwen/qwen3.8-max a US$ 2,00 de entrada e US$ 6,00 de saída por milhão de tokens, o preço de tabela do fornecedor repassado com 0% de markup, na mesma chave e no mesmo endpoint compatível com OpenAI que o restante do catálogo. Para uma equipe que está avaliando essa comparação, essa é a posição intermediária útil — meça sua carga de trabalho em relação a um modelo principal Qwen roteado que você pode chamar hoje e use esse número para decidir se o avanço para o Qwen4-Max vale um segundo contrato, em vez de comprar a integração antes de ter as evidências.

A headless-browser screenshot of the OrcaRouter model page for qwen/qwen3.8-max, captured 16 November 2026 in English, showing the Qwen3.8 Max heading and identifier, text, image and video input with a 1M-token context window, an OpenAI-compatible endpoint at api.orcarouter.ai/v1, the price block reading $2.00 input and $6.00 output per million tokens, measured latency, 144.9M tokens served and a zero-data-retention note.

O caminho que normalmente decide isso na prática não é o carro-chefe de jeito nenhum. Um pipeline de alto volume tende a acabar dividido: um modelo barato fazendo a triagem e a extração, um modelo forte fazendo a passagem final, e um fallback para o dia em que o primário tiver uma tarde ruim. Da OrcaRouter, o DSL de roteamento existe para expressar essa divisão em uma única chamada em vez de três integrações, e o failover automático existe para tornar a metade barata segura de se depender. Nenhum dos dois modelos deste artigo está nesse caminho ainda; vale a pena conhecer o padrão porque é onde um confronto como este costuma acabar.

O teste que resolve a questão, e quanto ele custa

Execute 200 das suas próprias tarefas mais difíceis em ambos. Não os benchmarks do fornecedor, não o índice — as suas tarefas, com os seus comprimentos de saída.

Precifique o braço Qwen4-Max em $1.50 e $4.50 por milhão em tokens medidos, e observe que o modelo não tem velocidade publicada, então meça a latência você mesmo ou aceite que está comprando algo desconhecido. Precifique o braço Nemotron de duas formas: pelo valor hospedado de $0.20 e $0.50 se você quiser a comparação barata, e pelo seu próprio custo de hora de GPU dividido pelos tokens servidos se você estiver falando sério sobre auto-hospedagem, porque a tarifa hospedada é a curva de utilização de outra pessoa e não será a sua. Depois, olhe para as falhas em vez das médias, já que uma diferença de 29 pontos no índice aparece como tarefas que não são concluídas de forma alguma, não como tarefas que são concluídas um pouco pior.

A resposta à qual a maioria das equipes chega não é um vencedor, mas uma divisão: o modelo aberto para o volume e os dados regulamentados, o carro-chefe medido por uso para o trabalho em que uma resposta parcial é inútil. Essa é uma arquitetura mais cara do que qualquer uma das escolhas isoladas, e geralmente é a correta — o que também explica por que a linha de licenciamento merece ser lida primeiro e a linha do índice depois, e por que a tarifa hospedada de $0.20 para um modelo que ninguém precisa aposentar é o número mais interessante desta comparação.

Comparados neste artigo1

Detectado a partir deste artigo · Benchmarks: Artificial Analysis · atualizado diariamente