Nemotron 3.5 Super VL против DeepSeek V4 Flash Vision Exp: восемь индексных пунктов, и лишь один из них — продукт

В индексе интеллекта Artificial Analysis DeepSeek V4 Flash Vision Exp опережает NVIDIA Nemotron 3.5 Super VL на 8,35 балла — 34,84 против 26,49, обе — неоценочные — и делает это при опубликованной цене $0,44 за миллион входных токенов и $1,32 за выходные, тогда как NVIDIA вообще не публикует цену. Именно такой вывод уносит с собой читатель спецификации, и именно на него не стоит опираться. Эти две модели не конкурируют за одну и ту же нишу. NVIDIA Nemotron 3.5 Super VL — общедоступная модель с техническим отчётом, микросервисом NIM, корпоративной поддержкой и экосистемой постобучения, включающей Scale AI, Salesforce и CrowdStrike. DeepSeek V4 Flash Vision Exp — судя по самому имени файла, эксперимент: первый мультимодальный представитель семейства V4, выпущенный в виде весов плюс минимальная эталонная реализация на PyTorch, и оценённый на той панели в конфигурации, которую DeepSeek не продаёт. Восемь баллов — это реальный разрыв. Это также разрыв между сервисом и исследовательским артефактом, и полезный вопрос не в том, кто побеждает, а в том, какой из них сможет находиться внутри вашего периметра соответствия через шесть месяцев.

Что каждый из них на самом деле из себя представляет

NVIDIA Nemotron 3.5 Super VL — это гибридная модель с 120 млрд параметров: слои Mamba-2, смесь экспертов с 512 маршрутизируемыми экспертами и внимание — с визуальным энкодером C-RADIO, 12 млрд активных параметров на токен, контекстом до 1 млн токенов и нативным Multi-Token Prediction для спекулятивного декодирования без отдельного драфтера. На вход она принимает текст, изображения и видео; на выходе — текст. Собственная оценка NVIDIA охватывает OCR, рассуждения по графикам и документам, понимание видео и работу с длинным контекстом, а лицензия — OpenMDW-1.1, которая допускает коммерческое использование. К модели прилагаются технический отчёт и опубликованный рецепт развёртывания для 4×H100 или 2×GB200.

DeepSeek V4 Flash Vision Exp основана на архитектуре DeepSeek-V4-Flash, добавляя визуальные модули и продолженное обучение. В репозитории содержится 48 шардов safetensors под лицензией MIT, токенизатор, модуль кодирования, который преобразует блоки сообщений в стиле OpenAI в промпты, и минимальная реализация на PyTorch, охватывающая визуальный энкодер, выравниватель, внимание DFlash, MoE, Hyper-Connections и прямой проход DSpark. В конфигурации указана MoE с 43 слоями, 256 маршрутизируемыми экспертами, 6 экспертами на токен, 1 048 576 максимальными позициями и трёхслойной головой многотокенного предсказания. В карточке прямо указано, что это первая экспериментальная мультимодальная модель DeepSeek в линейке V4 и что она превосходит DeepSeek-V4-Flash-0731 на мультимодальных агентных задачах, сохраняя сопоставимую производительность на текстовых.

• Параметры и конфигурация — NVIDIA Nemotron 3.5 Super VL: 120B всего / 12B активных, гибридная MoE со зрением C-RADIO. DeepSeek V4 Flash Vision Exp: 284B всего / 13B активных MoE, 256 маршрутизируемых экспертов, 6 на токен.

• Индекс интеллекта — 26,49 для Super VL, 34,84 для обслуживаемой конфигурации DeepSeek. Оба показателя не являются оценками, оба — по данным Artificial Analysis.

• Выходных токенов на задачу индексации — 49 174 против 69 174. Super VL выполняет задачи панели, используя на 29% меньше токенов.

• Цена — для Super VL нигде не опубликована ставка; $0,44 за вход / $1,32 за выход за миллион для обслуживаемой конфигурации DeepSeek, по данным той же панели.

• Лицензия и обязательства — OpenMDW-1.1 с коммерческим использованием, статусом GA и сервисом NIM для Super VL; веса MIT и эталонная реализация, помеченная как экспериментальная, для DeepSeek V4 Flash Vision Exp.

• Модальности — текст, изображение и видео на входе для Super VL согласно карточке NVIDIA; изображение на входе, текст на выходе для модели DeepSeek, в собственной таблице бенчмарков которой вообще нет строк с видео.

Разрыв в восемь пунктов подтверждается; сравнение цен — нет.

Начнём с того, что действительно решено. Модель DeepSeek набирает больше баллов и стоит меньше за токен, и этот разрыв не случаен — 8,35 индексного пункта — это примерно расстояние между NVIDIA Nemotron 3.5 Super VL и собственной NVIDIA Nemotron 3 Ultra 550B A55B от NVIDIA, которая находится на отметке 22,93. Так что честная формулировка такова: экспериментальный 284B мультимодальный релиз китайской лаборатории в настоящее время обходит флагманскую открытую визуальную модель американской лаборатории, имея примерно треть размера по оси активных параметров и по опубликованной цене. Если ваша задача — понимание экрана и графиков, предоставляемое через API, это и есть весь ответ, и можете дальше не читать.

Сравнение рушится в тот момент, когда вы хотите запустить его самостоятельно, а ведь именно для этого и существуют обе эти модели. Цифра 34.84 относится к обслуживаемой конфигурации Max, а не к чекпоинту, который вы можете развернуть. Репозиторий на Hub — это настоящий релиз весов под лицензией MIT, но собственная карточка DeepSeek представляет его как экспериментальный артефакт с минимальным путём инференса — такой релиз лаборатория публикует, чтобы дать исследователям воспроизвести статью, а не тот, который она поддерживает корпоративным контрактом. NVIDIA поступает наоборот: публикует веса одновременно с продуктом, при этом ожидается, что хостинг обеспечит вызывающая сторона. На бенчмарках, которые обе лаборатории выбирают для публикации, разница проявляется. DeepSeek делает акцент на мультимодальной агентной работе — ApexBench 36.5 против собственных 26.2 для текстовой модели, Chartography 64.3, ZeroBench на 35.0 pass@5, Agents' Last Exam 27.3. NVIDIA делает акцент на документных и видео-поверхностях — OCRBench v2 на 68.12 в английском, MMLongBench-Doc 62.82, CharXiv reasoning 80.82, Video-MME v2 32.85. Ни один из наборов не сопоставим с другим, и оба заявлены вендором.

Там, где данные поставщиков расходятся между собой

В собственной таблице NVIDIA есть деталь, которая заслуживает отдельного абзаца, потому что это именно тот тип вещей, который искажается при агрегации. В столбце сравнения NVIDIA указан DeepSeek-V4-Flash0731, и для него сообщается результат Terminal-Bench 2.1 — 76,80. В собственной карточке DeepSeek для той же модели на том же бенчмарке указано 82,7, а для DeepSeek V4 Flash Vision Exp — 83,9. Три числа, один бенчмарк, два стенда — и никакого согласования ни с одной из сторон. Это не скандал — разные каркасы и настройки усилий рассуждения смещают агентные бенчмарки на несколько пунктов, и NVIDIA публикует свои рецепты NeMo Gym именно для того, чтобы эти настройки можно было изучить. Но это означает, что когда вы видите разрыв в восемь пунктов по индексу, надёжной частью является сам индекс, а не составляющие его бенчмарки. Индекс — это единый стенд, применённый к обеим моделям третьей стороной. Таблицы бенчмарков — это четыре лаборатории, которые сами проверяют свою домашнюю работу на собственном каркасе.

На той же панели обе модели имеют отрицательный индекс всеведения. Super VL находится на уровне минус 4,22 при точности 23,3 % и доле галлюцинаций 35,8 %; эта строка измеряет, отказывается ли модель отвечать, когда не знает, и ни одна из этих двух не сильна в этом. GDPval-AA — готовые результаты работы, а не ответы — присваивает Super VL 1 162,41, а рубрике AA-Briefcase — рейтинг Elo 998,76. Для модели DeepSeek те же строки не заполнены в сервисной конфигурации. Если ваш сценарий использования — поиск знаний, ни одно из этих чисел не внушает оптимизма. Если это создание документов, у Super VL есть единственная измеренная строка в этой паре.

Запуск любого из них

Развёртывание — это то место, где пути расходятся окончательно. NVIDIA Nemotron 3.5 Super VL обслуживает BF16 на 4×H100 или 2×GB200 с контейнерами vLLM и SGLang с закреплёнными версиями, добавляет сборку NVFP4 для более компактного размера и документирует видеоконвейер, выбирающий 256 кадров при 2 FPS с коэффициентом прореживания 0,5. DeepSeek V4 Flash Vision Exp публикует рецепт vLLM для одного узла 4×GB300 с KV-кэшем FP8, размером блока 256 и спекулятивным декодированием DSpark, взятым из того же чекпоинта, а также путь через SGLang — легче в том, что касается продажи, и тяжелее в том, что касается допущения, что вы знаете, что делаете. Оба требуют оборудования класса дата-центра; ни один из них не является моделью для ноутбука. Примечательно, что единственное, что их объединяет, — это то, что снижение цены вендором до прейскурантной появляется на OrcaRouter по себестоимости в тот же день, когда оно происходит, потому что мы передаём цены провайдеров с наценкой 0% на более чем 200 моделей по одному ключу, а автоматическое переключение при сбое позволяет вам направить непроверенный чекпоинт на часть трафика, пока проверенный держит остальное. Это практичный ответ, когда разрыв в восемь пунктов и отсутствующая цена делают решение по-настоящему близким: маршрутизируйте оба, измеряйте на своих собственных входных данных, и пусть трафик всё решит — с оговоркой, что сегодня маршрутизировать можно только один из двух. DeepSeek V4 Flash Vision Exp уже есть в нашем каталоге, по тарифу, который публикует его провайдер, а не по завышенному; NVIDIA Nemotron 3.5 Super VL там пока нет, потому что никто надёжно не обслуживает трёхдневный чекпоинт. Об этой асимметрии стоит сказать вслух, а не подразумевать, что у нас есть обе.

Каждый вариант — в одну строку.

Выбирайте NVIDIA Nemotron 3.5 Super VL, когда работа — это документы, графики, отсканированные страницы и видео, когда лицензия должна разрешать коммерческое использование, и когда вам нужен поставщик, который и через год всё ещё будет отвечать на обращения в поддержку по поводу этого чекпоинта, — принимая, что вы отказываетесь от 8,35 пункта индекса и платите за GPU, а не за токены. Выбирайте DeepSeek V4 Flash Vision Exp, когда работа — это понимание графиков и экранов через API, когда бюджетная строка — $0,44 и $1,32 за миллион токенов, и когда допустимо позиционирование экспериментального релиза как бета-версии, — принимая, что сервируемая конфигурация — не чекпоинт, а чекпоинт не поддерживается. Команды, которым нужны оба варианта поведения, обычно запускают две разные рабочие нагрузки, а две разные рабочие нагрузки — это именно то, для чего нужен один эндпоинт с аварийным переключением.