Nemotron 3.5 Super VL vs DeepSeek V4 Flash Vision Exp: Åtta indexpunkter, och bara en av dem är en produkt

På Artificial Analysis Intelligence Index, DeepSeek V4 Flash Vision Exp slår NVIDIA Nemotron 3.5 Super VL med 8,35 poäng — 34,84 mot 26,49, båda icke uppskattade — och det gör den till ett publicerat pris på 0,44 USD per miljon indatatokens och 1,32 USD för utdata, medan NVIDIA inte har publicerat något pris alls. Det är sammanfattningen en läsare av specifikationsblad går därifrån med, och det är fel sammanfattning att agera på. De två modellerna tävlar inte om samma plats. NVIDIA Nemotron 3.5 Super VL är en allmänt tillgänglig modell med en teknisk rapport, en NIM-mikrotjänst, företagsstöd och ett ekosystem för efterträning som inkluderar Scale AI, Salesforce och CrowdStrike. DeepSeek V4 Flash Vision Exp är, enligt sitt eget filnamn, ett experiment: den första multimodala medlemmen i V4-familjen, levererad som vikter plus en minimal PyTorch-referensimplementation, och poängsatt i den panelen i en konfiguration som DeepSeek inte säljer. Åtta poäng är en verklig skillnad. Det är också en skillnad mellan en tjänst och en forskningsartefakt, och den användbara frågan är inte vem som vinner utan vilken som kan ligga inom din regelefterlevnadsgräns om sex månader.

Vad var och en faktiskt är

NVIDIA Nemotron 3.5 Super VL är en hybrid med 120B parametrar – Mamba-2-lager, mixture-of-experts med 512 routade experter och attention – med en C-RADIO-visionencoder, 12B aktiva parametrar per token, upp till 1M tokens kontext och inbyggd Multi-Token Prediction för spekulativ avkodning utan en separat drafter. Dess indata är text, bilder och video; utdata är text. NVIDIAs egen utvärdering täcker OCR, diagram- och dokumentresonemang, videoförståelse och arbete med lång kontext, och licensen är OpenMDW-1.1, som tillåter kommersiell användning. Den har en teknisk rapport och ett publicerat driftsättningsrecept för 4×H100 eller 2×GB200.

DeepSeek V4 Flash Vision Exp bygger på arkitekturen DeepSeek-V4-Flash och lägger till visuella moduler samt fortsatt träning. Repositoriet innehåller 48 safetensors-shards under MIT, en tokenizer, en kodningsmodul som omvandlar meddelandeblock i OpenAI-stil till prompts och en minimal PyTorch-implementering som täcker vision-encodern, alignern, DFlash-attention, MoE, Hyper-Connections och DSpark-forwardvägen. Konfigurationen visar en MoE med 43 lager och 256 routade experter, 6 experter per token, 1 048 576 maximala positioner och ett trelagershuvud för multi-token-prediktion. Modellkortet säger uttryckligen att detta är DeepSeeks första experimentella multimodala modell i V4-serien, och att den förbättrar DeepSeek-V4-Flash-0731 på multimodala agentuppgifter samtidigt som den har jämförbar prestanda på enbart text.

• Parametrar och form — NVIDIA Nemotron 3.5 Super VL: 120B totalt / 12B aktiva hybrid-MoE med C-RADIO-vision. DeepSeek V4 Flash Vision Exp: 284B totalt / 13B aktiva MoE, 256 routade experter, 6 per token.

• Intelligence Index — 26,49 för Super VL, 34,84 för den serverade DeepSeek-konfigurationen. Båda är icke-uppskattade, båda enligt Artificial Analysis.

• Utdatatoken per indextask — 49 174 mot 69 174. Super VL slutför panelens uppgifter med 29 % färre tokens.

• Pris — ingen publicerad taxa någonstans för Super VL; 0,44 USD in / 1,32 USD ut per miljon för den serverade DeepSeek-konfigurationen, enligt samma panel.

• Licens och åtagande — OpenMDW-1.1 med kommersiell användning, GA och en NIM-tjänst för Super VL; MIT-vikter och en referensimplementation, märkt experimentell, för DeepSeek V4 Flash Vision Exp.

• Modaliteter – text, bild och video som indata för Super VL enligt NVIDIA:s modellkort; bild som indata, text som utdata för DeepSeek-modellen, vars egen benchmarktabell inte har några videorader alls.

Gapet på åtta punkter håller; prisjämförelsen gör det inte.

Börja med den del som är genuint avgjord. DeepSeeks modell får högre poäng och kostar mindre per token, och marginalen är inte brus – 8,35 indexpoäng är ungefär avståndet mellan NVIDIA Nemotron 3.5 Super VL och NVIDIAs egen 550B NVIDIA Nemotron 3 Ultra 550B A55B, som ligger på 22,93. Så den ärliga formuleringen är att ett kinesiskt labs experimentella multimodala 284B-släpp för närvarande får högre poäng än ett amerikanskt labs flaggskepp bland öppna visionsmodeller, med ungefär en tredjedel av storleken mätt i aktiva parametrar och till ett publicerat pris. Om din arbetsbelastning är skärm- och diagramförståelse via ett API är det hela svaret, och du kan sluta läsa.

Jämförelsen faller samman i samma stund som du vill köra den själv, vilket är anledningen till att båda dessa modeller finns. Siffran 34.84 är kopplad till den serverade Max-konfigurationen, inte till en checkpoint som du kan distribuera. Hub-förrådet är ett äkta viktsläpp under MIT, men DeepSeeks eget kort presenterar det som en experimentell artefakt med en minimal inferensväg — den typ av släpp som ett labb publicerar för att låta forskare återskapa en artikel, inte den typ som det stöder med ett företagskontrakt. NVIDIA gör det motsatta: publicerar vikter samtidigt som produkten, där anroparen förväntas hosta. På de benchmarks som de två labben väljer att publicera syns skillnaden. DeepSeek betonar multimodalt agentarbete — ApexBench 36.5 mot dess eget 26.2 för den textbaserade modellen, Chartography 64.3, ZeroBench vid 35.0 pass@5, Agents' Last Exam 27.3. NVIDIA betonar dokument- och videoytor — OCRBench v2 vid 68.12 på engelska, MMLongBench-Doc 62.82, CharXiv-resonemang 80.82, Video-MME v2 32.85. Ingen av uppsättningarna är jämförbar med den andra, och båda är leverantörsrapporterade.

Där leverantörernas nummer inte stämmer överens med varandra

Det finns en detalj i NVIDIAs egen tabell som är värd ett stycke, eftersom det är precis den typ av sak som slätas över i aggregering. NVIDIAs jämförelsekolumn innehåller DeepSeek-V4-Flash0731 och rapporterar Terminal-Bench 2.1 till 76,80 för den. DeepSeeks eget modellkort rapporterar 82,7 för samma modell på samma benchmark och 83,9 för DeepSeek V4 Flash Vision Exp. Tre siffror, en benchmark, två testramverk och ingen avstämning från någon av sidorna. Detta är ingen skandal – olika scaffolding- och reasoning-effort-inställningar flyttar agentiska benchmarks med flera punkter, och NVIDIA publicerar sina NeMo Gym-recept just för att inställningarna ska kunna granskas. Men det betyder att när du ser ett åttapunktsglapp i indexet är indexet självt den tillförlitliga delen, och delbenchmarkarna är det inte. Indexet är ett enda testramverk som tillämpas på båda modellerna av en tredje part. Benchmarktabellerna är fyra labb som rättar sina egna läxor med sitt eget scaffolding.

I samma panel har båda modellerna ett negativt allvetenhetsindex. Super VL ligger på minus 4,22 med 23,3 % träffsäkerhet och 35,8 % hallucinationsfrekvens; den raden mäter huruvida en modell avstår från att svara när den inte vet, och ingen av dessa två är bra på det. GDPval-AA – färdigställda leverabler snarare än svar – ger Super VL 1 162,41 och AA-Briefcase-bedömningsmallen ett Elo på 998,76. För DeepSeek-modellen är samma rader inte ifyllda i den serverade konfigurationen. Om ditt användningsfall är kunskapsåtervinning är ingen av siffrorna uppmuntrande. Om det är dokumentproduktion har Super VL den enda uppmätta raden i paret.

Kör endera

Driftsättning är där vägarna skiljs åt för gott. NVIDIA Nemotron 3.5 Super VL serverar BF16 på 4×H100 eller 2×GB200 med fastnålade vLLM- och SGLang-containrar, lägger till en NVFP4-bygge för snävare fotavtryck och dokumenterar en videopipeline som samplar 256 bildrutor vid 2 FPS med en beskärningsgrad på 0,5. DeepSeek V4 Flash Vision Exp publicerar ett vLLM-recept för en enda 4×GB300-nod med FP8 KV-cache, blockstorlek 256 och DSpark spekulativ avkodning hämtad från samma checkpoint, plus en SGLang-väg — lättare på säljsidan, tyngre på antagandet att du vet vad du gör. Båda kräver hårdvara i datacenterklass; ingen av dem är en laptopmodell. Anmärkningsvärt nog är det enda de har gemensamt att en leverantörsprissänkning till listpris dyker upp till självkostnad på OrcaRouter samma dag som den landar, eftersom vi för vidare leverantörsprissättningen vid 0 % påslag över fler än 200 modeller på en enda nyckel, och automatisk failover låter dig lägga en obeprövad checkpoint på en del av trafiken medan en beprövad håller resten. Det är det praktiska svaret när gapet på åtta punkter och det saknade priset gör beslutet riktigt jämnt: routa båda, mät på dina egna indata, och låt trafiken avgöra — med förbehållet att bara en av de två kan routas i dag. DeepSeek V4 Flash Vision Exp finns redan i vår katalog, till den taxa dess leverantör publicerar snarare än en uppmarkerad; NVIDIA Nemotron 3.5 Super VL finns inte där ännu, eftersom ingen tillförlitligt serverar en tre dagar gammal checkpoint. Den asymmetrin är värd att säga högt i stället för att antyda att vi har båda.

Valet i en rad vardera

Välj NVIDIA Nemotron 3.5 Super VLnär arbetet handlar om dokument, diagram, skannade sidor och video, när licensen måste tillåta kommersiell användning, och när du behöver en leverantör som fortfarande besvarar supportärenden om checkpointen om ett år — och accepterar att du ger upp 8,35 indexpoäng och betalar för GPU:er i stället för tokens. Välj DeepSeek V4 Flash Vision Expnär arbetet handlar om att förstå diagram och skärmbilder via ett API, när $0,44 och $1,32 per miljon tokens är budgetposten, och när den beta-mässiga inramningen av en experimentell release är acceptabel — och acceptera att den driftade konfigurationen inte är checkpointen och att checkpointen inte stöds. Team som behöver båda beteendena kör vanligtvis två olika arbetsbelastningar, och två olika arbetsbelastningar är precis vad en endpoint med failover är till för.