NVIDIA Nemotron 3.5 Super VL 120B vs DeepSeek V4 Pro: pixlar kostar 40 gånger mer än text, och här är aritmetiken

DeepSeek V4 Pro costs $0.66 per million input tokens. Whatever a page of a scanned contract costs you to push through N​VIDIA N​emotron 3.5 Super VL 120B A12B, it is not 66 cents per million, and the reason is that you are not renting it — you are buying GPUs. That single asymmetry is the whole shape of this comparison between DeepSeek V4 Pro, D​eepSeek's 1.6-trillion-parameter text-only flagship listed since April 2026, and N​VIDIA N​emotron 3.5 Super VL 120B A12B, the open-weights vision-language model N​VIDIA uploaded to Hugging Face on 12 October 2026 with no announced price on any serving path. Comparing their benchmark scores is easy and mostly useless. Comparing what each one costs you to operate on the same document is the exercise that actually decides anything.

Det korta svaret

Om din input är text och din budget är en budgetpost vinner DeepSeek V4 Pro med en marginal som ingen öppen modell kan täppa till – en tredjepartspanel placerar den 9,5 indexpunkter före Super VL samtidigt som den kostar en bråkdel av en cent per tusen tokens. Om din input innehåller bilder, video eller skannade sidor finns det ingen jämförelse alls, eftersom DeepSeek V4 Pro inte kan se dem. De två modellerna överlappar inte på den axel som de flesta team faktiskt bryr sig om.

Vad varje modell är, i ett svep

DeepSeek V4 Pro is a 1.6T-parameter mixture of experts with 49B active per token, a 1M-token context window, up to 384K output tokens, and text as its only input and output modality. It has been generally available since 24 April 2026 through D​eepSeek's own API and third-party platforms, priced at $0.66 per million input and $1.98 per million output, with cache reads at $0.022. Independent measurement through the Artificial Analysis panel, last evaluated 13 August 2026, puts it at 36.0 on the Intelligence Index — 41st of 147 models.

N​emotron 3.5 Super VL 120B A12B is a Mamba-2/Transformer hybrid with 512 routed experts per MoE layer, 120B total parameters and 12B active per token, a C-RADIO vision encoder, native Multi-Token Prediction, and 1M tokens of context. Inputs are text, images and video; output is text. It is open under OpenMDW-1.1 with commercial use permitted, shipped in BF16, base-BF16 and NVFP4 builds, and runs on 4× H100 or 2× GB200 in BF16 or a single H200, single GB200, 2× H100 or one DGX Spark in NVFP4. Independent measurement puts it at 26.49 on the same panel, which is the number to hold onto as the conversation moves.

Där inputkostnaden egentligen ligger

Här är beräkningen som ingen har publicerat. Ta en uppsättning på 200 sidor skannade kontrakt. Med DeepSeek V4 Pro måste den OCR:as och textextraheras innan den kommer fram, och modellen fakturerar dig sedan $0,66 per miljon indatatokens på den extraherade texten. Med Super VL går sidorna in som bilder, en gång, i en modell som du redan betalar för per GPU-timme.

• DeepSeek V4 Pro till listpris — $0,66 in, $1,98 ut, $0,022 cacheläsning, per miljon tokens. En 200-sidig extraktion är tillräckligt billig för att kostnaden per anrop inte syns i en budgetgranskning.

• Super VL:s inflationskostnad – 4× H100 eller 2× GB200 i BF16, eller en H200 / en GB200 / en DGX Spark i NVFP4. Det är hyra eller kapitalutgifter som uppstår oavsett om ett dokument anländer.

• Brytpunkten – den punkt där det blir billigare att själv hosta Super VL än OCR-plus-V4-Pro – är en funktion av er dokumentvolym och den utnyttjandegrad ni kan hålla på GPU:n. Ingen har publicerat den, och för team med låg volym inträffar den med stor sannolikhet aldrig.

• What is not in either column — the OCR pipeline D​eepSeek's path requires. That is a second system, a second failure mode, and the place where most document pipelines actually break: the table that OCR mangles, the chart that vanishes in extraction, the stamp over the signature block.

Detta är det verkliga argumentet för visionsmodellen, och det är inte ett benchmarkargument. Det är att extraktionssteget försvinner. Sidan når modellen så som den existerar, och modellen måste hantera diagrammet och tabellen och den besvärliga layouten i stället för att få en tillplattad approximation av dem. Huruvida Super VL:s vision är tillräckligt bra för att motivera att äga GPU:er är en fråga om dina dokument, och det enda ärliga sättet att besvara den är att köra din egen uppsättning genom NVFP4-bygget på en enda H200 och räkna felen.

De benchmark-rader som finns, och vilka de tillhör

Två olika slags tal förekommer här, och de bör aldrig anges i samma mening utan en beteckning.

Panelmätt, från Artificial Analysis, där DeepSeek V4 Pro senast utvärderades den 13 augusti 2026:

• Intelligence Index — DeepSeek V4 Pro 36.0 vs N​emotron 3.5 Super VL 26.49.

• Humanity's Last Exam — DeepSeek V4 Pro 41.0. Panelen har ingen Super VL-rad.

• Återkallning av lång kontext — DeepSeek V4 Pro 80,3 mot Super VL 0,69 på AA-LCR-skalan, vilket är det största proportionella gapet i den här artikeln.

• SciCode — DeepSeek V4 Pro 51,0 mot Super VL:s rad opublicerad i panelen.

• Terminal-Bench 4.0 — DeepSeek V4 Pro 14.1 mot Super VL 0.0.

• τ²-bench — DeepSeek V4 Pro 96.2, a number D​eepSeek leads with, and the panel publishes no Super VL equivalent.

Vendor-reported, from N​VIDIA's own NeMo Gym evaluation of Super VL, which N​VIDIA ran on its own model against baselines it chose:

• Agentisk — SWE-bench Verified 71,10, SWE-bench Multilingual 67,72, SWE-bench Pro 51,78, tau2-bench retail 69,24 och airline 76,50, BrowseComp 78,91, GraphWalks 89,71 vid inställningen över 1 miljon token.

• Resonemang — GPQA-Diamond 89,52, HLE utan verktyg 31,79, stiger till 46,01 med verktyg i en separat intern testrigg.

• Vision — CharXiv-RQ 80,82, MathVision 78,16, V* 85,60, OCR-Reasoning 65,08, OCRBench-v2 68,12 på engelska och 59,15 på kinesiska, MMLongBench-Doc 62,82, OSWorld 52,14, Video-MME-v2 32,85.

The two documents do not share a single row, which is why the index comparison above is the only clean ranking available. And a reader should notice the thing that is easy to miss: Super VL's SWE-bench Verified 71.10 is a strong number and it is N​VIDIA's own, and the panel gave the same model 0.0 on Terminal-Bench 4.0. Those can both be true. An agentic-coding score measured on a vendor harness and a terminal score measured by a third party are not the same kind of evidence, and the honest reading is that Super VL's agentic profile is asserted rather than established.

Varför raden för lång kontext är den man bör oroa sig för

A 1M-token context window is on both spec sheets. In practice the panel measures long-context recall at 80.3 for DeepSeek V4 Pro and 0.69 for Super VL, and N​VIDIA's own counter-argument is GraphWalks 89.71 at the over-1M-token setting — a vendor number, on a vendor harness, on a task where Super VL is being asked to walk a graph rather than recall a passage.

Dessa mäter inte samma sak, och det är precis problemet för den som ska besluta. Om din arbetsbelastning är "hitta klausulen i denna 900 000-token-handling", ligger panelens siffra närmare din uppgift, och det är inte ens nära. Om din arbetsbelastning är "traversera denna uppsättning länkade dokument och rapportera vad som beror på vad", ligger leverantörens siffra närmare, och den bör fortfarande betraktas som ett påstående. Tills någon oberoende kör båda uppgifterna mot checkpointen, är det säkra planeringsantagandet att Super VL:s effektiva kontext är väsentligt kortare än vad dess specifikationsblad säger.

Två vägar, en nyckel och prisskillnaden i öppen dager

DeepSeek V4 Pro is in the OrcaRouter catalogue at DeepSeek's published $0.66 and $1.98 with zero markup — the provider list price passed straight through, so a D​eepSeek price change is live here the same day rather than at the next billing cycle. Across the last seven days of requests through the gateway, V4 Pro shows a p50 time-to-first-token of 1.89 seconds at 81.9 output tokens per second, and it carried 480.3 million tokens of traffic in that window. Those are measurements of real calls, not vendor benchmarks, and they are the numbers a cost model should be built on.

N​emotron 3.5 Super VL 120B A12B is not on our catalogue. N​VIDIA has published no per-token price for it on any path, including its own NIM microservice, so there is nothing for us to pass through and this article will not pretend otherwise — it is a checkpoint you host yourself, on the hardware in the recipe above.

Vad gatewayen faktiskt ger dig i den här kombinationen är att de två halvorna av pipelinen inte längre är två integrationer. Anropen för extrahering och triage går till din egen Super VL-distribution; anropen för resonemang, kodning och billig text med hög volym går till DeepSeek V4 Pro på samma endpoint och samma nyckel; och uppdelningen uttrycks som en routningsregel snarare än ett villkor i applikationskoden. När bildroutning är den avgörande faktorn kan DSL:en utgå från huruvida en prompt överhuvudtaget innehåller en bildbilaga — vilket är ett renare sätt att upprätthålla gränsen än att behöva komma ihåg vilken kodväg som gör vad. Automatisk failover mellan leverantörer ligger under den routade modellen, så en 429 uppströms på ett textanrop hamnar på en fallback i stället för hos din användare.

Att lista ut vilken sida av linjen du befinner dig på

• Om du inte har några bilder – DeepSeek V4 Pro, utan ytterligare analys. Nio och en halv indexpoäng före, 0,66 USD per miljon indata, p50 för första token på 1,89 sekunder, och inget att driva.

• Om du har bilder men låg volym – OCR plus DeepSeek V4 Pro tills felkvoten från extraktionen börjar kosta mer än vad GPU:erna skulle göra. Mät extraktionsfelen först; det talet, inte benchmark-gapet, är det som avgör brytpunkten.

• Om du har bilder och inte kan skicka dem någonstans — är Super VL det enda alternativet som finns, och beslutet blir vilken checkpoint: BF16 om du tänker finjustera, NVFP4 om du tänker serva.

• Om återkallning av lång kontext är kärnan i arbetsbelastningen – testa innan du satsar. Panelens 0,69 mot 80,3 är en tillräckligt stor skillnad för att ett specifikationsblad på 1M token inte bör tas som bevis för 1M-token-kompetens.

• If you want the model to improve on your domain — V4 Pro gives you no path. Super VL gives you weights, and N​VIDIA published the post-training datasets and NeMo Gym RL environments alongside it, which is the more reusable half of that release.

Vad skulle ändra den här artikeln

Tre saker, i ordning efter hur mycket de skulle påverka svaret.

A price for Super VL, from N​VIDIA or from anyone serving it. The moment a per-token figure exists, the first section of this piece becomes arithmetic instead of a framework, and the crossover discussion collapses into a comparison of two numbers.

A second independent dataset on the model. N​VIDIA has one third-party score, and it does not include a long-context or a coding-agent row. A panel re-run that publishes those rows would settle the two questions this article has to leave open.

And the Terminal-Bench 2.1 discrepancy in N​VIDIA's own paperwork — 66.70 on the model card against 60.67 in the technical report's summary table, with everything else in those documents agreeing. One of two primary sources is wrong. Until somebody re-runs the recipes, both values are unsafe to quote, and the fact that the discrepancy exists at all is a reason to treat every other single-sourced row in that report as provisional.

Benchmarks åldras och priser förändras; felhistoriken gör det inte: de dokumenterade AI-incidenterna och agentfelen bakom modeller i den här klassen samlas i OrcaRouter AI Incident Archive, där varje post har sina egna källor, allvarlighetsgrad, konfidensgrad och flagga för omtvistad status.