
Qwen4-Max vs Nemotron 3.5 Bolt 74B: Ett nummer saknas i den här jämförelsen
- OrcaNYOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 per 1M tokens · 184 tok/s
- tencentNYTencent: Hy4 Flash2026-11-16$0.02 / $0.07 per 1M tokens · 215 tok/s
- GoogleNYGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1M tokens · 87 tok/s
- AnthropicNYAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1M tokens · 97 tok/s
- orcaNYOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1M tokens · 90 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1M tokens · 131 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 per 1M tokens · 76 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 per 1M tokens · 109 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1M tokens · 114 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1M tokens · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M tokens · 94 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M tokens · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligens
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 per 1M tokens · 209 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligens
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1M tokens · 111 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligens
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 per 1M tokens · 311 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligens
Ställ Qwen4-Max och NVIDIA Nemotron 3.5 Bolt 74B-A9B 24GB sida vid sida, och det första du lägger märke till är att jämförelsesajterna inte har något att jämföra. BenchLM säger det rakt ut – inga gemensamma benchmarkresultat ännu – och uppmanar dig sedan att titta på priset i stället. Orsaken är strukturell snarare än tillfällig: Qwen4-Max får 43 poäng på Artificial Analysis Intelligence Index v5.0.1, och Nemotron 3.5 Bolt 74B-A9B 24GB har ingen Intelligence Index-poäng alls. Inte en låg sådan. N/A, på en resultattavla som har kört modeller sedan innan någon av dem hade släppts, eftersom modellen inte har något offentligt tillgängligt API och det oberoende testramverket inte har något att anropa.
Den där enda frånvaron omorganiserar allt annat i jämförelsen. Du kan inte rangordna en checkpoint med 74 miljarder parametrar som får plats i 24 gigabyte mot en hostad modell med 2,4 biljoner parametrar genom att sätta deras siffror i angränsande celler, eftersom bara en av dem har siffror. Det du kan göra – och det som aggregatorsidorna inte gör – är att skilja på påståendena som varje leverantör gör, notera vem som mätte dem och räkna ut vilken kolumn beslutet egentligen hänger på. Det visar sig handla mindre om kapacitet än om huruvida du köper en fil eller hyr en tjänst.
Den ena är en fil, den andra är en mätare.
NVIDIA Nemotron 3.5 Bolt 74B-A9B 24GB släpptes den 15 oktober 2026 och finns på Hugging Face som nedladdningsbara vikter under OpenMDW-1.1, en licens som tillåter kommersiell användning. Det är en hybrid Mamba-Transformer mixture-of-experts-modell: 74 miljarder parametrar totalt, 9 miljarder aktiva per token. "24GB" i namnet är själva poängen med hela saken. NVIDIA byggde den genom att komprimera sin 120B-A12B-förälder med ett routerstyrt sökramverk som de kallar Star Elastic, minska experternas top-K från 22 till 9 och sedan tillämpa kvantiseringsmedveten destillation så att expertlagren ligger på 2,0625 bitar. En spekulativ drafter med 1,13 miljarder parametrar följer med, med genomsnittliga acceptanslängder på 4,68 vid greedy-avkodning och 4,25 vid sampling. Den rekommenderade körmiljön är vLLM på Ampere, Hopper eller Blackwell, med tensor-parallellism på ett.
Qwen4-Max är den motsatta konstruktionen, och inte bara på grund av storleken. Alibabas fjärde generationens flaggskepp blev allmänt tillgängligt den 16 november 2026 för 1,50 USD per miljon indatatokens och 4,50 USD per miljon utdatatokens i Singapore, med ett kontextfönster på 1 000 000 tokens, inbyggd bild- och videoinmatning och tre konfigurerbara resonemangsnivåer. Ingen checkpoint publiceras. Finjustering, modelldistribution och batchinferens anges alla som icke-stödda i dokumentationen för Model Studio. Varje endpoint som betjänar den betjänar Alibabas distribution.
Så de två modellerna konkurrerar inte om samma plats i din arkitektur. Den ena är något du kör; den andra är något du anropar. Varje jämförelse som inte utgår från det mäter fel sak.
Leverantörens tabell jämför Bolt med en Qwen som inte är den här.
NVIDIA:s egen benchmarktabell är den bäst dokumenterade uppsättningen siffror på båda sidor, och den är värd att läsa noggrant med tanke på vad den inte innehåller. Dess jämförelsekolumner är Qwen3.6-35B-A3B i BF16, Gemma 4 26B-A4B-IT i BF16 och Nemotron 3.5 Lightning 30B-A3B. Qwen4-Max finns inte i tabellen. Den Qwen som tabellen mäter är en modell med öppna vikter och 35 miljarder parametrar, två generationer bakåt, och anledningen är uppenbar när den väl nämns: jämförelseuppsättningen definieras av minnesavtryck, och ett hostat API med 2,4 biljoner parametrar har inget avtryck att jämföra.
Det som tabellen faktiskt visar – allt leverantörsrapporterat och ej reproducerat – är att en fil på 24 GB är konkurrenskraftig mot mycket större lokala alternativ för agentiskt arbete. På de rader som NVIDIA valde:
• BrowseComp — Nemotron 3.5 Bolt 74B 66,75, jämfört med 48,74 för Qwen3.6-35B-A3B och 26,30 för Gemma 4 26B-A4B
• Terminal-Bench 2.1 — 50,98, mot 44,38 och 37,22
• WebArena i visionsläge — 50,86, mot 36,60 och 38,20
• GPQA Diamond — 86,43, jämfört med 83,40 och 79,61
• HLE utan verktyg — 25,30, jämfört med 19,56 och 17,42
• GDPVal-AA-V2 — 28,47, mot 25,75 och 15,33
• MCP-Atlas — 52,20, mot 51,20 och 48,4
• Tau3 Banking — 17.01, mot 10.52 och 14.02

De två rader där den förlorar är värda att nämna, eftersom leverantörstabeller sällan tar med dem. I AA-Omniscience-accuracy får Gemma 4 26B-A4B 22,17 mot Bolts 16,90; i AA-Omniscience non-hallucination leder Nemotron 3.5 Lightning med 68,81 mot Bolts 61,27. Bolts svagaste redovisade egenskap är att veta när den inte vet.
Fotnoten är lika viktig som raderna. NVIDIA registrerar MCP-Atlas till 51,20 för Qwen3.6-35B-A3B samtidigt som de noterar att Qwen själva rapporterar 62,8 på samma benchmark, mätt på de 500 offentliga uppgifterna. Två labb, en benchmark, en skillnad på elva och en halv poäng. Det är ingen skandal; det är så leverantörsrapporterade siffror ser ut när ingen i mitten kör testramverket för båda sidor. Vilket är precis den roll som Intelligence Index spelar för Qwen4-Max och inte kan spela för Bolt.

Vad den oberoende styrelsen säger om Qwen4-Max – och varför det inte avgör något
Qwen4-Max har ett tunt men verkligt oberoende rekord. Artificial Analysis ger modellen 43 på Intelligence Index v5.0.1 och placerar den på 51:a plats av 96 modeller i den versionen av listan. Den kostar 3,27 USD i beräkningskraft per indexuppgift, står sig genom att generera 127 miljoner utdatatoken under körningen jämfört med ett medianvärde på 65,1 miljoner, och tar 31,3 minuter per uppgift jämfört med ett medianvärde på 12,4. Utdataningshastigheten är 56 token per sekund; tiden till första svartoken är 146 sekunder. Modellens kontextfönster på listan anges som 984k, vilket är tankelägets ingångstak på 983 616 avrundat, inte en annan modell.

Läs de raderna som en driftsättningsprofil snarare än som en dom. En modell som tänker i en halvtimme per uppgift och avger dubbelt så många token som medianen är inte långsam för att den serveras dåligt; den är långsam för att den utför mer arbete per uppgift och debiterar dig för arbetet. Per uppgift är $3.27 den ärliga kostnaden för ett Qwen4-Max-svar, och det är siffran att ta med in i varje jämförelse med en modell du själv driftar, där marginalkostnaden för en uppgift är el och kötid.
Försök nu att ställa Bolt's 24GB bredvid det. Du har en leverantörstabell som säger att den slår en Qwen på 35B med öppna vikter inom agentisk surfning, och du har en oberoende panel som säger att den hostade Qwen som den faktiskt jämförs mot får 43 poäng och kostar 3,27 dollar per uppgift. De två faktauppgifterna har ingen beröringspunkt. Ingen har kört Nemotron 3.5 Bolt 74B genom Intelligence Index, och tills någon gör det drar varje diagram som placerar de två modellerna på en förmågeaxel en linje mellan en uppmätt punkt och en antagen.
Där jämförelsen är avgörbar: minne, latens och notan
Tre rader kan jämföras ärligt, eftersom båda sidor publicerar dem och ingen av dem kräver en tredje part.
• Minne – Nemotron 3.5 Bolt 74B-A9B 24GB behöver 24 gigabyte lokalt minne vid 2,0625-bitsexpertkvantisering; Qwen4-Max behöver inget, eftersom man aldrig håller vikterna. Avvägningen är att en hostad modells minnestak blir ett kontexttak: 262 144 token för NVIDIA-kontrollpunkten, 1 000 000 för Qwen4-Max, med en indatagräns på 983 616 token i tänkläge och 262 144 delade mellan resonemang och svar.
• Hastighet — NVIDIA hävdar minst 80 token per sekund vid avkodning och rapporterar 84 med draftern; Artificial Analysis mäter Qwen4-Max till 56 token per sekund, med 146 sekunder till första svarstoken. Den lokala modellen är snabbare per token och börjar svara tidigare. Den värdbaserade modellen kan ändå slutföra uppgiften snabbare, eftersom den tänker olika mycket.
• {{1}}Pris{{/1}} — en {{2}}Qwen4-Max{{/2}}-uppgift kostar {{3}}$3.27{{/3}} i det oberoende testramverket, eller {{4}}$1.50{{/4}} och {{5}}$4.50{{/5}} per miljon tokens enligt mätaren. {{6}}Nemotron 3.5 Bolt 74B{{/6}} har inget publicerat mätarpris alls, eftersom det inte finns någon leverantör som säljer den. Dess kostnad är vad GPU:n kostar dig: ett {{7}}24GB{{/7}}-kort som redan sitter i en arbetsstation, amorterat över hur många uppgifter i månaden du än kör genom det.
Det är i den sista raden beslutet faktiskt ligger, och det är därför inramningen "vilken är smartare" fortsätter att misslyckas. Om din arbetsbelastning är en miljon korta agentturer i månaden vinner den lokala checkpointen på enhetsekonomi med en marginal som ingen benchmarkrad kan övervinna, och 262k-kontexten är en begränsning man designar runt. Om din arbetsbelastning är några tusen långsiktiga uppgifter med video i indata och ett dokument på 900 000 tokens bifogat, kan ingen 24GB-checkpoint överhuvudtaget svara på frågan, och Qwen4-Max $3,27 per uppgift är det billigaste tillgängliga svaret snarare än ett dyrt sådant.
Varför det ärliga svaret är "båda, för olika jobb"
Den frestande slutsatsen är att utse en vinnare, och SERP är full av sidor som gör exakt det utan någon gemensam data. En mer användbar slutsats är att dessa två modeller närmar sig samma arkitektoniska idé från motsatta håll. Qwen4-Max är en gles mixture-of-experts-modell som aktiverar 71 miljarder av sina 2,4 biljoner parametrar per token och bygger på tokeneffektivitet – leverantörens eget, ej reproducerade påstående är att den överträffar Qwen3.8-Max med upp till cirka 50 % färre tokens, med en genomsnittlig kostnad per uppgift som sjunker från 4,43 $ till 1,67 $. Nemotron 3.5 Bolt 74B är en gles mixture-of-experts-modell som aktiverar 9 miljarder av sina 74 miljarder och bygger på kompression, vilket ger ett 24 GB stort fotavtryck med 2-bitars expertvikter och en liten spekulativ utkastmodell. Båda är svar på samma fråga: hur lite av modellen kan man röra per token innan kvaliteten kollapsar?
Det ramverket har en praktisk konsekvens. De team som får ut mest av endera är de som mäter token per slutförd uppgift i stället för token per sekund. På den lokala sidan innebär det att hålla koll på acceptanslängden hos utkastaren, eftersom en spekulativ avkodare som accepterar 4,68 token per steg vid greedy decoding och 4,25 vid sampling är där din genomströmning kommer ifrån, och samplingsinställningar förändrar den. På den värdbaserade sidan innebär det att logga kombinerade totaler för tänkande plus svar mot taket på 262 144 token, eftersom reasoning effort som standard är high och en OpenAI-formad klient som ber om medium tyst får high. Ingen av mätningarna kräver ett benchmark, och båda är mer informativa än ett.
Vad skulle avgöra det?
Det saknade talet är en harness-körning. Om Nemotron 3.5 Bolt 74B-A9B 24GB kördes genom Intelligence Index v5.0.1 med den kvantisering den levereras med, skulle de två modellerna bli jämförbara på den enda axel där båda sidor kan mätas, och varje aggregatorsida som för närvarande säger "inga gemensamma benchmarkresultat ännu" skulle ha något att visa. NVIDIA har publicerat checkpointen, körmiljön är vLLM och verktygen finns. Tills det händer är det användbara draget att sluta behandla detta som en matchning och börja behandla det som ett bygga-eller-köpa-beslut med en dokumenterad kostnad på ena sidan och ett dokumenterat fotavtryck på den andra.
På vår sida av räkenskaperna, för att vara exakta om tillgängligheten: OrcaRouter dirigerar inte någon av dessa modeller. Nemotron 3.5 Bolt 74B är en nedladdning som du själv kör, och Qwen4-Max hyrs från Alibaba eller via partnerplattformar under dess nuvarande gratisperiod. Qwen-familjemedlemmen i vår katalog är Qwen3.8-Max, till $2.00 in och $6.00 ut per miljon tokens med en kontext på 1 miljon tokens, vilket är det naturliga reservalternativet om du vill ha en nyckel för en blandad stack och ett pris som följer leverantörens egen prislista i stället för en påslagen vidareförsäljning av den. För ett beslut som detta – där de två kandidaterna befinner sig i varsin ände av spektrumet mellan bygga och köpa – är det användbara som en router ger dig inte en vinnare. Det är förmågan att hålla den hostade banan öppen medan du tar reda på vad den lokala banan inte kan göra.
Om du väljer den här månaden, välj utifrån den begränsning du inte kan flytta på. Kontext, modalitet och betalning per uppgift är Qwen4-Max:s begränsningar att uppfylla. Minne, offline-drift och noll marginalkostnad per begäran är Nemotron 3.5 Bolt 74B:s. Benchmark-gapet mellan dem är verkligt, men det är inte gapet som kommer att avgöra din arkitektur – och ingen mängd tabellskapande sida vid sida kommer att överbrygga det innan någon kör testramverket.
