Nemotron 3.5 Super VL vs Nemotron 3 Ultra: Billigare än flaggskeppet, eller bara mindre?

NVIDIA har tre nivåer av Nemotron 3.5 och en av dem är en fälla för planerare. NVIDIA Nemotron 3 Ultra 550B-A55B, som släpptes den 4 juni 2026, är familjens flaggskepp: 550 miljarder totala parametrar med 55 miljarder aktiva per token, LatentMoE-lager med Multi-Token Prediction, 1M tokens kontext och ett angivet minimum på sexton H100 eller åtta GB200. NVIDIA Nemotron 3.5 Super VL, vars vikter anlände till Hugging Face den 12 oktober 2026 med NVIDIAs tillkännagivande den 15 oktober, är nivån under den: 120B totalt, 12B aktiva, samma 1M-tokenskontext, en C-RADIO-bildkodare och ett golv på fyra H100 eller två GB200. NVIDIAs eget kort för Super VL benchmarkar det direkt mot Ultra och hävdar noggrannhet i Ultras närhet vid ungefär en femtedel av parametrarna. Det påståendet är leverantörsrapporterat, inte reproducerat, och det är den enda mening som hela den här jämförelsen hänger på.

Aritmetiken som faktiskt avgör driftsättningen

Börja med vad de två kontrollpunkterna fysiskt kräver, för det är den siffra som en budgetägare godkänner.

• Totalt antal parametrar — 120B för Super VL mot 550B för Ultra. Ungefär 4,6 gånger viktavtrycket, och det är vikterna som fyller GPU:erna.

• Aktiva parametrar per token — 12B mot 55B. Beräkningen per token skalas med detta, inte med totalen, vilket är anledningen till att båda modellerna är mycket billigare att köra än deras storlek antyder — och till att gapet mellan dem är 4,6× i minne men också 4,6× i aritmetik per token.

• Minimikrav på hårdvara — 4×H100 eller 2×GB200 för Super VL; 16×H100 eller 8×GB200 för Ultra. I praktiken en nod mot ett rack.

• Modaliteter — text, bilder och video in för Super VL; text in, text ut för Ultra. Ultra har ingen visionsväg alls.

• Attention-design — Super VL är den interleavade hybriden av Mamba-2, mixture-of-experts och attention med 512 routade experter per MoE-lager; Ultra använder NVIDIAs LatentMoE-arrangemang. Båda har MTP-huvuden för spekulativ avkodning.

• Licens — OpenMDW-1.1 med kommersiell användning på båda, vikter och recept öppna på båda.

Mönstret i de där sex raderna är att Super VL inte är en nedbantad Ultra. Det är en annan form av modell: visionskapabel, långt mindre i minne och – avgörande – driftsättningsbar på hårdvara som ett medelstort team kanske redan äger. Ultras lägstanivå är ett samtal om datacenter. Super VL:s lägstanivå är en seriös inferensnod.

Vad de extra 43 miljarder aktiva parametrarna ger

Det generella resonemangsfallet

Ultra byggdes för att ligga högst upp i NVIDIAs stack för ren textresonemang, och NVIDIAs junisläpp benchmarkar den mot sex samtida frontier-modeller inom kunskap, matematik, kodning och sviter för lång kontext. De siffrorna, liksom varje siffra i den här jämförelsen, kommer från NVIDIAs testramverk snarare än från en oberoende utvärderare, så de fastställer vad NVIDIA mätte, inte vad en tredje part skulle ha gjort.

Det multimodala fallet

Det är här jämförelsen vänds. Ultra kan inte läsa en sida. Om arbetet involverar dokument, tabeller, diagram, skärmbilder eller videobilder är flaggskeppet helt enkelt inte en kandidat, och den största modellen i familjen är irrelevant för ditt problem oavsett hur bra dess resonemangsindex är. Super VL:s visionskodare och connector finns just för den arbetsbelastningen, och dess publicerade styrkor – OCR, strukturerad extraktion från visuella dokument, affärsarbetsflöden i flera steg – beskriver ett annat slags arbete än det Ultra trimmades för.

Det långa kontextfallet

Båda når 1M tokens. NVIDIA utökade Super VL:s kontext med ett dedikerat steg på 35 miljarder tokens följt av ett återhämtningspass för lång kontext, vilket är en starkare signal än enbart en maximal längd: det innebär att lång indata behandlades som en förmåga att bevara snarare än en buffert att skylta med. Ultra nådde samma fönster genom sin egen träningspipeline. Utan en oberoende utvärdering av lång kontext för båda, behandla detta som oavgjort med en trolig fördel för den modell som din egen hämtningsspårning säger håller över 200k.

Att serva en eller båda – och tierfällan

Fällan är att anta att familjen är en stege man klättrar. Det är närmare en partition, och partitionen dras av kostnad per uppgift snarare än av förmåga. En 12B-aktiv modell som behöver två GB200s och slutför en dokumentuppgift fem gånger snabbare än sin klass, om NVIDIAs genomströmningspåstående håller, slår en 55B-aktiv modell på den uppgiften oavsett vilken som är smartare — eftersom den smartare är sysslolös och väntar på att den snabbares kö ska tömmas. Byt uppgiften till ett långsiktigt kodnings- eller matematikproblem utan pixlar i sig och Ultras extra parametrar gör verkligt arbete.

Ingen av dessa finns i vår katalog, och det är värt att vara tydlig i stället för att låta en vag mening antyda något annat: OrcaRouter tillhandahåller inte NVIDIA Nemotron 3.5 Super VL, Nemotron 3 Ultra 550B-A55B eller någon annan NVIDIA-checkpoint. Det är vikter du distribuerar. Det ett routningslager bidrar med till ett beslut som detta är mätning snarare än åtkomst. Routnings-DSL:en låter dig ställa samma prompt framför två uppströmsmodeller och läsa svaren sida vid sida, så en utvärdering av en kandidat med 12B aktiva mot en sittande modell med 55B aktiva är en konfigurationsändring i stället för två integrationsprojekt. Automatisk failover spelar roll av motsatt anledning: om en hostad modell som du routar till försämras mitt i pipelinen flyttas begäran i stället för att misslyckas, vilket håller en reservväg levande för de team som behåller Super VL egenhostat som sin primära lösning. Och för de delar av arbetsbelastningen som ingen egenhostad nivå bör absorbera – toppar, sällsynta modaliteter, enstaka jobb med stort kontext – katalogen bakom en nyckel, fler än tvåhundra modeller med 0 % påslag över leverantörens listpris, är dit dessa begäranden går.

Den ärliga formuleringen av det stycket är att vi inte är leverantör av någon av modellerna här. Vi är lagret som gör jämförelsen billig att köra och eskaleringsvägen billig att behålla.

Påståendet du bör testa innan du bestämmer dig

Allt ovanstående kokar ner till en enda obekräftad mening: att en modell med 120B parametrar och 12B aktiva matchar NVIDIAs största resonemangsmodell vid ungefär en femtedel av parameterantalet. Om det håller är Super VL det bättre standardvalet för en blandad arbetsbelastning och Ultra är reserverad för den smala svansen av problem som verkligen behöver den. Om det inte håller — och en dag efter lanseringen har ingen utanför NVIDIA mätt — så är de två nivåerna helt enkelt olika storlekar av samma sak, och valet faller tillbaka på vad din uppgift behöver: pixlar eller inga pixlar, en nod eller ett rack.

Testet är billigt och specifikt. Ta femtio verkliga uppgifter från din egen kö som har ett kontrollerbart svar, kör dem mot båda och poängsätt slutförande i stället för benchmarkpoäng. Det talet, inte NVIDIAs, är det som avgör vilken nivå du köper hårdvara för — och det är talet som fortfarande kommer att vara sant när nästa Nemotron-släpp återställer den här sidan.