Nemotron 3.5 Super против DeepSeek V4 Pro: таблица бенчмарков, которую NVIDIA не опубликовала

Откройте карточку модели NVIDIA для NVIDIA Nemotron 3.5 Super VL — открытого чекпоинта на 120 миллиардов параметров, который производитель также указывает как NVIDIA Nemotron 3.5 Super и который Ollama поставляет как nemotron-3.5-super, — и прокрутите до таблицы оценки. Вы найдёте примерно сорок бенчмарков и семь столбцов базовых моделей. Один из этих столбцов — DeepSeek: он обозначен DeepSeek-V4-Flash0731. Собственный бюджетный уровень DeepSeek. DeepSeek V4 Pro, флагман на 1,6 триллиона параметров, который в редакции 0813 заменил апрельский предпросмотр, нигде не фигурирует в таблице.

Это отсутствие — самый полезный факт в этом сравнении, и это не упущение. V4 Pro активирует 49 миллиардов параметров на токен. Если бы её поставили в одну таблицу с моделью с 12 миллиардами активных параметров, получился бы набор цифр, который никому не льстит и никого не информирует, потому что эти две модели — не один и тот же продукт. Вместо этого вендор выбрал честную версию упражнения: сравниваться с тем уровнем, который вы действительно намерены вытеснить.

Итак, эта страница делает две вещи. Она разбирает сравнение, опубликованное NVIDIA, — Nemotron 3.5 Super против flash-уровня DeepSeek — а затем прямо говорит там, где эти две модели действительно конкурируют, о том, какие выводы можно и нельзя сделать о флагмане.

Два артефакта, бок о бок

• Общее и активное число параметров — Nemotron 3.5 Super VL: 120 млрд общих параметров при 12 млрд активных на токен, 512 маршрутизируемых экспертов на слой MoE, гибрид Mamba-2 и Transformer · DeepSeek V4 Pro: 1,6 трлн общих параметров при 49 млрд активных, только текст.

• Контекст и лимит вывода — 1 048 576 токенов контекста для Super VL без опубликованного лимита вывода · 1 048 576 токенов контекста для V4 Pro при максимальном объёме вывода 384 000 токенов.

• Модальность — текст, изображение и видео на входе, текст на выходе, через визуальный энкодер C-RADIO и визуально-языковой коннектор · текст на входе, текст на выходе. Путь для изображений отсутствует вовсе.

• Веса и лицензия — OpenMDW-1.1 на контрольной точке NVIDIA, коммерческое использование разрешено · DeepSeek публикует собственные веса и также разрешает коммерческое использование.

• Цена на тарифицируемой конечной точке — не публикуется; модель доступна только при самостоятельном развёртывании · $0,66 за миллион входных токенов и $1,98 за миллион выходных, а чтение из кэша — $0,022.

• Детали выпуска — веса опубликованы на Hugging Face 12 октября 2026 г., анонс вендора — 15 октября 2026 г. · V4 Pro выступает флагманом, а датированная ревизия 0813 доступна для вызывающих, которым нужно закрепить версию.

Две из этих строк решают большинство реальных внедрений. Первая — модальность: если ваш вход — скриншот, отсканированный договор, диаграмма или кадр видео, половина этого сравнения заканчивается, не успев начаться, потому что DeepSeek V4 Pro не имеет пути для изображений и не объявил планов по его появлению. Вторая — строка цены, и она интереснее, чем кажется, — NVIDIA вообще не публикует тариф для этой модели, а значит, единственный способ узнать ваши расходы — знать объём ваших токенов и счёт за оборудование.

Чтение таблицы, которую NVIDIA на самом деле опубликовала

Сравнение моделей уровня Flash оказывается ближе, чем можно предположить по числу параметров, и оно не всегда рисует NVIDIA в невыгодном свете. В строках, где эти две модели ближе всего, картина такова: подлинное равенство по знаниям и реальное отставание по агентному исполнению.

• Статистически равные результаты по научным вопросам уровня выпускника — GPQA-Diamond: 89,52 у Super VL против 89,6 у DeepSeek-V4-Flash. Всего четыре сотых пункта отделяют в этой строке 120B-модель от базовой модели класса 1e12; оба результата получены вендором.

• Отставание в самых сложных рассуждениях — Humanity's Last Exam, только текст: 31.79 против 35.8, и MMLU-ProX: 76.91 против 85.5.

• Отставание в соревновательном программировании — LiveCodeBench v6 88.22 против 94.6.

• Отставание в агентной работе с программным обеспечением — SWE-bench Verified 71,10 против 75,4, Terminal-Bench 2.1 66,70 против 76,80, DeepSWE 24,65 против 42,3.

• Резкое отставание при извлечении из длинного контекста — AA-LCR v1.1: 68,62 против 79,7. Обе модели заявляют миллион токенов; в единственной строке независимого по стилю recall flash-уровень опережает более чем на одиннадцать пунктов. Это самое значимое число в таблице для всех, кто планирует использовать заявленный контекст, а не просто иметь его в наличии.

• Строки, где побеждает NVIDIA — GraphWalks 89,71 против 65,4, прокси LMArena v3 52,67 против 49,8, а tau2-bench retail — 69,24 против 73,8 — всё это достаточно близко, чтобы считаться шумом на таком шумном бенчмарке. AA-Omniscience — более показательная победа: уровень галлюцинаций у NVIDIA 30,0 против 95,9 у DeepSeek, и положительный индекс 4,03 против минус 7,8. Модель, которая воздерживается от ответа, ценнее модели, которая утверждает, и в этой строке разрыв не маргинален.

• Агентные инструменты — tau2-bench: авиакомпании 76.50 против 83.5, телеком 73.19 против 98.2 — оба проигрыша. В телеком-домене уровень flash почти полностью доминирует.

Каждый из этих показателей заявлен производителем через собственный испытательный стенд NeMo Gym от NVIDIA с опубликованным рецептом. Это более высокий стандарт, чем голое утверждение, и более низкий, чем независимый повторный прогон, и в этой конкретной таблице направление большинства строк — не в пользу объявляемой модели, что по крайней мере говорит о том, что стенд не настраивали так, чтобы льстить.

О чём нельзя сделать вывод относительно V4 Pro и почему это всё равно важно

Ничто из вышесказанного нельзя воспринимать как прогноз главного противостояния — по трём причинам, которые стоит назвать прямо, а не обойти молчанием.

Во-первых, базовая модель — это не флагман. Опубликованные самим DeepSeek агентные показатели для ревизии 0813 модели V4 Pro относятся к совершенно иной шкале: 87,9 в Terminal Bench 2.1, 83,3 в Cybergym, 74,1 в Toolathlon Verified, 62,7 в DeepSWE, 61,5 в NL2Repo и 42,7 в Humanity's Last Exam без инструментов, с ростом до 60,0 с ними. На фоне 66,70 у NVIDIA в Terminal-Bench 2.1 и 31,79 в HLE text-only разрыв у флагмана гораздо шире, чем разрыв на уровне flash, и его увеличивает вендор другой модели, что не делает его более заслуживающим доверия — только более острым.

Во-вторых, колонка flash-tier — это снимок уровня, который сам успел сместиться. Строка, которая сегодня читается хорошо, в следующем месяце может читаться плохо, хотя ни одна из моделей не изменилась, потому что сравнение зависит от того, какой чекпоинт вендор выбрал для запуска.

В-третьих, независимая картина для чекпойнта NVIDIA настолько скудна, что почти бесполезна в качестве решающего аргумента: сторонняя панель, оценивающая эти модели, даёт ему примерно 25 баллов по своему индексу, при необычно высоком количестве выходных токенов на задачу и примечании, что модель несколько многословна. Одна точка данных, от одной панели, через четыре дня после появления весов.

Итак, честное резюме по этому бенчмарк-кейсу таково: по цифрам, полученным самим вендором, открытая vision-модель с 12B активных параметров примерно на одном уровне с дешёвым тарифом DeepSeek по знаниям и уступает ему в агентном исполнении и recall на длинном контексте; ничто в этой таблице не говорит о флагмане, а собственные опубликованные цифры флагмана лучше по каждой оси, где эти две вообще можно сопоставить.

Единственная ось, на которой сравнение тривиально

Изображения. Не потому, что Nemotron хорош в зрении — никто не публиковал независимой оценки его зрительного тракта, а поставляемая среда выполнения по умолчанию выполняет сэмплирование при текстовой температуре карты, а не при её температуре зрения, что является настоящей ловушкой для первого, кто это попробует, — а потому, что DeepSeek V4 Pro их не принимает.

У этой асимметрии есть последствие для стоимости, которое легко не заметить. Хостируемая модель со зрением тарифицирует страницу отсканированного документа по количеству токенов, а страница с разрешением 300 dpi — это совсем не малое число токенов. Самостоятельно хостируемый чекпоинт на 120B тарифицирует ту же страницу в GPU-секундах. При нагрузке в несколько тысяч страниц в месяц разница — это шум; при нескольких сотнях тысяч это уже весь разговор о бюджете. Собственные показатели NVIDIA по зрению — 62,82 на MMLongBench-Doc, 78,16 на MathVision, 80,82 на CharXiv reasoning, 68,12 на OCRBench v2 English — это вендорские цифры, но они подтверждают, что эта возможность реальна, а не номинальна.

Другая ось, по которой сравнение переворачивается, — та, о которой спрашивают все и которую измеряют немногие: память. V4 Pro с общим числом параметров 1,6 триллиона не помещается даже близко на одну машину. Super VL размером 82,3 ГиБ в своём стандартном 4-битном теге помещается на одной карте на 96 ГБ, и ещё остаётся место для рабочего контекста. Это не аргумент о качестве. Это разница между моделью, которую ваша команда может скачать и запустить сегодня же вечером, и моделью, которую вы арендуете.

Выполняем расчёты, а не запускаем бенчмарк

Вот расчёт, который стоит сделать, прежде чем читать очередную таблицу. Возьмите нагрузку в миллион токенов на входе и сто тысяч токенов на выходе — пустяковый месяц для конвейера документов, тяжёлый день для чат-продукта.

По опубликованному тарифу DeepSeek V4 Pro это $0,66 за входные данные плюс $0,198 за выходные: меньше доллара, ещё до того, как скидки за кэш дополнительно снизят стоимость входной части. Для чекпоинта NVIDIA тарифа нет, потому что нет эндпоинта. Стоимость — это та доля GPU-часа, которую потребляет такой объём, и при таких объёмах ответ округляется до нуля — а вот стоящие за ним фиксированные затраты нет. Четыре H100 не становятся дешёвыми из-за того, что трафик в ваш первый месяц невелик.

Это и есть настоящая суть этого противостояния, и это вопрос объёма, а не качества. Ниже определённого уровня пропускной способности API с оплатой за использование для моделей с открытыми весами просто дешевле, чем электричество и амортизация оборудования, хотя обе модели открыты. Выше определённого уровня пропускной способности фиксированные затраты дают обратный эффект, и самостоятельно размещённый чекпоинт выигрывает по стоимости независимо от того, какая из моделей набирает больше баллов на Terminal-Bench. Точка перехода зависит от вашей загрузки, а не от того или иного поставщика.

Что это означает для вопроса маршрутизации: если вы предпочли бы вообще не запускать кластер, DeepSeek V4 Pro доступен на OrcaRouter по прейскурантной цене провайдера, передаваемой без наценки за токен — $0.66 и $1.98, те же цифры, что публикует DeepSeek, потому что мы к ним ничего не добавляем. Изменение цены вендором вступает в силу на нашей стороне в тот же день, а не при следующем продлении контракта. Nemotron 3.5 Super не входит в наш ключ; мы маршрутизируем чуть более двухсот моделей, и его среди них нет, так что если вам нужен именно этот чекпойнт, собственные каналы вендора и локальная загрузка — ваш маршрут.

Что на самом деле делать

Если на входе у вас текст, а рабочая нагрузка агентная — длинные цепочки инструментов, правки в масштабе репозитория, сеансы терминала — DeepSeek V4 Pro — более подходящая и более дешёвая модель, и чекпоинт NVIDIA не является серьёзным конкурентом против неё даже по собственным опубликованным строкам вендора. Сначала запустите рабочую нагрузку на V4 Pro, получите реальную стоимость на единицу работы и только потом решайте, оправдан ли кластер.

Если у вас на входе изображения, видео или длинные документы, сравнение сводится к одному вопросу — об объёме, потому что V4 Pro вообще не способен принять такой ввод. При объёме менее нескольких тысяч страниц в месяц оставляйте хостинговый вариант. Выше этого 4-битный чекпоинт на одной карте на 96 ГБ — вполне убедительный элемент инфраструктуры, но с двумя оговорками, которые стоит повторить: у версии, которую будет запускать большинство, нет опубликованной оценки, а собственные настройки сэмплирования рантайма по умолчанию подогнаны под текстовую половину того, что вендор рекламирует как визуальную модель.

И если вы всё-таки ставите четырёхдневный чекпоинт за путём запроса, поставьте за ним и запасной вариант. Самая дешёвая страховка, доступная для модели без истории эксплуатации, — это вторая модель в том же вызове.

None of this is a reason to avoid the model, only a reason to know the history: the documented AI incidents and agent failures behind models in this class are collected in the OrcaRouter AI Incident Archive, where each entry carries its own sources, severity, confidence grade and disputed flag.