Nemotron 3.5 Bolt vs Qwen 3.8 Max: Båda dessa modeller tittar på video

Det finns inte många modellpar där det överraskande är en förmåga de delar. Både NVIDIA Nemotron 3.5 Bolt 74B-A9B 24GB och Qwen 3.8 Max tar emot video som indata, och båda returnerar text. Qwen 3.8 Max, som publicerades av Alibaba den 3 augusti 2026, är en hostad multimodell modell med ett kontextfönster på 1 000 000 tokens, som tillhandahålls via OpenAI-kompatibla, Anthropic-kompatibla och inbyggda DashScope-gränssnitt från fem regioner, med ett pris på 2,00 USD per miljon indatatokens och 6,00 USD per miljon utdatatokens, med cachade läsningar för 0,25 USD. Nemotron 3.5 Bolt, som släpptes av NVIDIA den 15 oktober 2026, är en öppen viktfil på 24 GB med en C-RADIO v4-H-visionencoder, ett fönster på 262 144 tokens och inget pris alls.

Två modeller som båda kan ges en skärminspelning, åtskilda av inget annat än var de körs och vad det kostar. Det är en renare jämförelse än de flesta direktjämförelser får, och den avgörs snabbt när man slutar fråga vilken som är smartare.

Två multimodala stackar, ett minnesenvelopp

Bolts multimodalitet är ärvd snarare än byggd för den. NVIDIA komprimerade sin 120B-A12B Nemotron 3.5 Super VL-modell ner till 74B-A9B med en routerstyrd sökning som de kallar Star Elastic, och tog sedan resultatet till 2,0625 bitar per expertvikt i ett IQ2_XXS-format med kvantiseringsmedveten destillation. Visionstornet – en C-RADIO v4-H-kodare – följde med komprimeringen, och omkopplaren för resonemangsläget är samma som Super VL-klienten exponerar: en enable_thinking-flagga i chattmallen. Totalt antal parametrar 74B, aktiva per token 9B, stommen en hybrid av Mamba-2 och Transformer som leverantören kallar LatentMoE, licens OpenMDW-1.1 för kommersiell och icke-kommersiell användning.

Qwen 3.8 Max är en annan sorts artefakt. Det är Alibabas nivå med högst kapabilitet, inbyggt multimodalt, och det existerar endast som en endpoint. Det finns ingen checkpoint att ladda ner, ingen kvantiserad build att köra på en arbetsstation, och ingen version av det där marginalkostnaden är elräkningen. Vad det i stället har är räckvidd: tre wire-format, så att ett befintligt Anthropic SDK eller en DashScope-integration fungerar utan omskrivning, och fem betjänade regioner över Asien, Europa och Nordamerika som gör latensfrågan till en geografifråga i lika hög grad som en ingenjörsfråga.

Den praktiska konsekvensen är att Bolts multimodala beteende begränsas av samma 24 GB som rymmer KV-cachen, konversationshistoriken och verktygsresultaten. Beteendet hos Qwen 3.8 Max begränsas av vad slutpunkten tillhandahåller, vilket inte är ditt problem.

Vad du betalar, och till vem

Qwen 3.8 Max debiteras efter förbrukning, och priserna är låga för vad det är. En prompt på 20 000 token med ett svar på 3 000 token kostar $0,04 in och $0,18 ut, cirka $0,22 per anrop – och cachade läsningar till $0,25 per miljon innebär att en stabil systemprompt eller ett upprepat dokument nästan är gratis vid andra körningen. Dess p50-tid till första token i vår katalog är 3,22 sekunder med en p95 på 10,00 sekunder, och den hanterade 41,3 miljoner token routad trafik under de senaste sju dagarna.

Nemotron 3.5 Bolt har ingen prislista eftersom det inte finns något att mäta. Ingen hostad slutpunkt, inget leverantörs-API, ingen tredjepartsplattform som tillhandahåller den som vi kan hänvisa dig till. Artificial Analysis listar både dess hastighet och dess kostnad per Intelligence Index-uppgift som N/A av just den anledningen. Om du kör den är kostnaden en GPU, en effektförbrukning och en avskrivningsperiod, och marginalpriset för nästa miljon tokens är noll. För ett nattligt jobb som läser samma korpus varje dag är det inte en rabatt — det är en annan redovisningsmodell, och brytpunkten beror helt och hållet på hur ofta du kör den.

Fönstret, och förmågan att använda det

Kontext är den axel där dessa två ser mest lika ut på pappret och skiljer sig snabbast i praktiken.

• Angivet fönster — Qwen 3.8 Max 1 000 000 tokens mot Nemotron 3.5 Bolt 262 144. Ungefär fyra till ett, och förhållandet är det som avgör om en uppgift för en hel kodbas eller ett helt arkiv ens är möjlig i en enda begäran.

• Recall inom fönstret – Artificial Analysis redovisar en siffra för långkontext-recall på 80,3 för Qwen 3.8 Max. Det finns ingen motsvarande oberoende siffra för Bolt, och dess fönster är mindre redan från början, vilket gör detta till en jämförelse mellan en uppmätt förmåga och en icke uppmätt.

• Vad mer delar utrymmet — Bolts 262 144 tokens ligger i samma 24 GB som vikterna, videorutorna och KV-cachen. En lång videoprompt och en lång konversation konkurrerar om samma minne. Qwen 3.8 Maxs fönster tillhandahålls av operatören, så begränsningen är priset snarare än hårdvaran.

• Resonemangskontroll — Qwen 3.8 Max exponerar en enable_thinking-växel, eller reasoning.effort i Responses API. Bolts motsvarighet är en växel för chattmall i samma familj av flaggor, ärvd från Super VL-klienten. Ingendera är ovanlig; båda låter dig sluta betala för överläggning vid rutinanrop.

Mätt mot omätt

Artificial Analysis poängsätter Qwen 3.8 Max till 45,4 på sitt Intelligence Index, femtonde av 145 uppmätta modeller – inom topp tio procent utan att vara i topp. Dess stödjande rader är starka där en agentisk arbetsbelastning behöver dem: ett AA Coding Index på 76,2 på nionde plats av 138, 88,8 på Terminal-Bench 2.1 och 92,8 på GPQA Diamond. Dess relativa svaghet är långkontextåterkallelsen på 80,3, vilken är respektabel snarare än exceptionell för en modell med en miljon tokens.

Bolts siffror har snävare omfattning. Den får 21 på samma index, på fjärde plats av 67 i sin klass filtrerad efter fotavtryck, mot en klassmedian på 8, och Artificial Analysis beskriver den som en av de ledande öppenviktsmodellerna av liknande storlek. Dess uppmätta hastighet och kostnad är tomma. Allt annat – Terminal-Bench 2.1-poängen 50,98, GPQA Diamond 86,43, BrowseComp 66,75, WebArena vision 50,86, SciCode 41,02 – kommer från NVIDIAs eget modellkort, där varje baslinje är en annan modell som är en tredjedel så stor. De raderna är inte oärliga; de besvarar en fråga om effektivitet, inte om förmåga i framkant, och att läsa dem som en tävling mot en hostad flaggskeppsmodell missförstår dokumentet.

Hastighetsgapet förtjänar samma uppmärksamhet. Artificial Analysis kan inte mäta Bolts genomströmning eftersom det inte finns något att anropa. NVIDIA rapporterar ett designmål på minst 80 tokens per sekund för avkodning, 84 i AIPerf SPEED-Bench på RTX Spark och 83,99 i en llama.cpp-körning på en Surface Laptop Ultra med 128 GB, allt oreproducerat. Qwen 3.8 Maxs 3,22 sekunder till första token är uppmätta och offentliga. Planera utifrån det uppmätta talet och behandla det andra som en strävan.

Routningsfrågan, som inte är symmetrisk här

Qwen 3.8 Max finns i vår katalog som qwen/qwen3.8-max, dirigerad till Alibabas leverantörslistpris med 0 % påslag — 2,00 $ och 6,00 $ per miljon tokens, samma siffror på vår sida som hos leverantören, vilket innebär att en prisändring från leverantörens sida når våra användare samma dag i stället för vid en avtalsförnyelse. Den ligger bakom samma nyckel som över 200 andra modeller, med automatisk redundans över uppströmsleverantörer när en av dem försämras, och en routing-DSL för att kombinera flera modeller i en enda begäran.

Nemotron 3.5 Bolt finns inte i vår katalog, och vi tillhandahåller den inte. Det finns ingen Bolt-endpoint, ingen identifierare att rikta en begäran mot, och inget i den här texten är ett erbjudande om att hosta NVIDIA:s checkpoint. Den ärliga formen för routingråden här är en uppdelning snarare än ett val: den hostade multimodala modellen hanterar förfrågningar med långa fönster, videokorpusar som är för stora för 24 GB delat minne, och allt som behöver kunna anropas varifrån som helst; den lokala filen hanterar de högfrekventa körningarna där data inte bör lämna byggnaden och volymen skulle göra fakturering per token smärtsam. Modellfusion är varianten värd att känna till om de dyra anropen är de avgörande — en panel av modeller svarar på samma prompt tillsammans och du tar samstämmigheten, vilket är ett billigt sätt att köpa förtroende för ett beslut som du inte enkelt kan ångra.

Hur den här löser sig

Överlappningen är video, och det är anledningen till att dessa två överhuvudtaget är värda att jämföra — de flesta lokala modeller i den här storleken kan inte se alls, och de flesta hostade modeller kan inte ges en skärminspelning utan ett steg för extrahering av bildrutor som förlorar det du försökte visa den.

Bortom den överlappningen går de isär på varje axel. Qwen 3.8 Max vinner det breda fönstret, den uppmätta latensen, den rikare indatamängden och, med bred marginal, den oberoende bedömda intelligensen. Nemotron 3.5 Bolt vinner den enda axel som ingen hostad modell kan konkurrera om: den körs där dina data redan finns, oavsett om det finns ett nätverk eller inte, till en marginalkostnad på noll.

Beslutet är vanligtvis inte en preferens. Om videon aldrig lämnar byggnaden var det hostade alternativet aldrig tillgängligt, och jämförelsen kollapsar till en enda kandidat. Om korpusen är en miljon tokens text var det lokala alternativet aldrig tillgängligt av samma anledning, fast omvänt. När det verkligen är jämnt – blygsamma volymer, data som lagligt skulle kunna flyttas, arbete som mest består av korta verktygsanrop med enstaka långa läsningar – är utslagsgivaren det enda tal som saknas i den här jämförelsen: hur snabbt 24GB-checkpointen faktiskt körs på din hårdvara, vilket ingen utanför NVIDIA ännu har mätt.