
Qwen4-Max vs Nemotron 3.5 Super: Den ena hyr du per token, den andra köper du per gigabyte
- GoogleNYGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1M tokens · 90 tok/s
- AnthropicNYAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1M tokens · 96 tok/s
- orcaNYOrca: OrcaC2 1.02026-11-0717 tok/s
- OrcaNYOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1M tokens · 87 tok/s
- OrcaNYOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1M tokens · 133 tok/s
- OrcaNYOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 per 1M tokens · 72 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1M tokens · 130 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1M tokens · 65 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M tokens · 92 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M tokens · 43 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 · 193 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligens
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1M tokens · 150 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligens
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligens
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 per 1M tokens · 120 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955Intelligens
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855Intelligens
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 per 1M tokens · 219 tok/s
De två modellerna i den här jämförelsen konkurrerar inte om samma budgetpost. Qwen4-Max har debiterats per token sedan 16 november 2026 till $1,50 per miljon indata och $4,50 per miljon utdata i Singapore, och den är stängd – inga vikter, ingen nedladdning, ingen självhosting, någonsin. NVIDIA Nemotron 3.5 Super VL har varit nedladdningsbar sedan 12 oktober 2026 under OpenMDW-1.1 som en BF16-checkpoint på 248,94 GB eller en NVFP4-checkpoint på 75,06 GB, med 120 miljarder parametrar varav 12 miljarder är aktiva, och det listpris som den oberoende trackern uppmäter för den hostade tjänsten är $0,20 indata och $0,50 utdata per miljon. I indexet får Qwen4-Max 43 mot Nemotron 3.5 Super VL:s 14. För kostnad per slutförd uppgift anger trackern $3,27 mot $0,56. Tillsammans beskriver dessa fyra siffror ett kapacitetsgap på 29 punkter, ett prisgap på 92 % till den öppna modellens fördel, och ett beslut som egentligen handlar om huruvida du vill ha en slutpunkt eller en fil.
Licensen är den första raden, inte den sista
De flesta jämförelser mellan en kinesisk sluten flaggskeppsmodell och en öppen lansering från NVIDIA behandlar licensiering som en fotnot. Här avgör den vad de andra raderna ens kan betyda.
• Vikter — Qwen4-Max: inga publicerade, och Alibaba har inte sagt att de kommer att publicera några för denna nivå, bara att mindre Qwen4-modeller kommer att släppas som öppen källkod i samma linje. Nemotron 3.5 Super VL: BF16- och NVFP4-byggen på Hugging Face, först skapade 12 oktober 2026, med NVIDIA:s eget tillkännagivande som följde den 15 oktober.
• Licens — OpenMDW-1.1 på NVIDIA:s sida, som tillåter kommersiell användning och efterträning på dina egna data. Alibabas sida är ett kommersiellt API-avtal med mätning per token och inget att godkänna utöver användarvillkoren.
• {{1}}Finjustering{{/1}} — möjligt på {{2}}Nemotron 3.5 Super VL{{/2}}, och NVIDIAs kort anger anpassning och domänanpassning som avsedd användning. Erbjuds inte till något pris på {{3}}Qwen4-Max{{/3}}; det finns ingen slutpunkt för finjustering i dess funktionslista.
• Driftsättningsform — den ena är en hostad slutpunkt i sex regioner som du når via fyra överföringsformat. Den andra är en uppsättning vikter som du måste hitta GPU:er åt, plus en inferensstack, plus det operativa arbete som hör till båda.
• Vad du inte kan göra med någon av dem – köpa vikterna för Qwen4-Max eller anropa Nemotron 3.5 Super VL med antagandet att NVIDIA fortfarande kommer att tillhandahålla den nästa år. Det andra är fördelen med öppna vikter uttryckt negativt: ingen kan ta bort vikter som du redan har.
Den asymmetrin är anledningen till att en direkt indexjämförelse är nästan värdelös här. Gapet 43 mot 14 prissätter kapacitet, och den saknade raden prissätter valfrihet, och valfrihet är det som den öppna modellen faktiskt säljer.
Läser 14 mot 26: indexet förändrades under den här modellen
Det finns en hake värd att nämna, eftersom den kommer att förvirra alla som jämför dagens siffror med oktober månads rapportering. Artificial Analysis poängsatte Nemotron 3.5 Super VL till 26 när den först utvärderade den, och den aktuella posten i Intelligence Index v5.0.1 anger 14. Båda siffrorna finns på spårarens egna sidor; de är inte jämförbara med varandra, eftersom indexrevideringen ändrades under modellen. Vad en läsare bör ta med sig från det är snävt: inom v5.0.1 mäts Nemotron 3.5 Super VL på 14 och Qwen4-Max på 43 av en och samma testram på en och samma revidering och kan placeras på en och samma linje. 26 är en historisk artefakt från en annan bedömningsmall, och att citera de två sida vid sida som om modellen hade försämrats med tolv poäng vore fel.
Resten av trackerns Nemotron-post är ovanligt informativ för att vara en öppen modell, eftersom det finns hostingpriser för den. Där anges $0,20 och $0,50 per miljon tokens, 95 % cacherabatt, en outputhastighet på 274 tokens per sekund, 13,44 sekunder till första svarstoken, 5,0 minuter per indexuppgift, 1M tokens kontext och ett genomsnitt på $0,56 per slutförd indexuppgift på 119 miljoner genererade outputtokens. Beskrivningen är uppriktig åt båda hållen: intelligensmässigt bland de ledande modellerna för modeller med öppna vikter av liknande storlek, långsammare än genomsnittet per uppgift, mycket ordrik.
Qwen4-Max-kolumnen saknar hastighet, latens och tid per uppgift – prestandakortet visar N/A. Den har 43, en placering på 38 av 81, $1,50 och $4,50 samt 127 miljoner utdatatokens. Ordrikedomen är jämförbar med Nemotrons, vilket gör skillnaden i kostnad per uppgift nästan helt till en prisskillnad snarare än en beteendeskillnad: till ungefär en niondel av priset per token för utdata slutför den öppna modellen uppgifter till en sjättedel av kostnaden samtidigt som den får 29 poäng lägre.

Vad 120B med 12B aktiva faktiskt ger dig
Nemotron 3.5 Super VL är en mixture-of-experts med 120 miljarder parametrar totalt och 12 miljarder aktiva per token, vilket är siffran som styr inferenskostnaden när du kör den själv. Den tar emot text och bilder och returnerar text. Dess språkbackbone initierades från Nemotron 3 Super Base, en textbaserad modell, med visionsvägen tillagd efteråt – en C-RADIO-kodare och en konnektor installerade som ett separat träningssteg efter att grundträning, destillation, fortsatt indicisk förträning, långkontextutökning och mjukvaruutvecklings-mellanträning alla hade slutförts. Qwen4-Max är den motsatta konstruktionen: en backbone med 2,4 biljoner parametrar och 71 miljarder aktiva per token, inbyggd vision från början, ytterligare 328 miljarder N-gram-inbäddningsparametrar som slås upp i stället för att multipliceras, och en kontextväg byggd på tre Gated DeltaNet-lager som komprimerar historiken för varje Qwen Sparse Attention-lager.
En av dessa arkitekturer var designad kring bilder. Den andra hade bilder påklistrade. Huruvida den skillnaden syns i din arbetsbelastning är en empirisk fråga, men riskens riktning går att veta: en eftermonterad bildväg är där en pipeline för dokumentutvinning hittar sin första regression, och leverantörens eget produktblad antyder samma riktning, med en IFBench-poäng på 70,86 för lösa prompter mot 82,9 för den större Nemotron 3 Ultra.
Hostningsaritmetiken är den andra halvan. NVIDIA publicerar två checkpoints: 248,94 GB BF16 och 75,06 GB NVFP4, en lucka på 173,88 GB för ungefär en tredjedel av lagrings- och minnesavtrycket. NVFP4-bygget är det som får plats på en enda nod med moderna acceleratorer i stället för ett kluster, och det är NVIDIAs egen checkpoint i stället för en tredjepartskvantisering, vilket spelar roll om du bryr dig om att återge leverantörens publicerade siffror. Med 12 miljarder aktiva parametrar per token blir frågan om genomströmning en fråga om din batchstorlek och din GPU, inte om ett prisblad — vilket är precis den frihet den öppna licensen köper och precis det arbete den kostar.

När 29-poängsgapet slutar vara den avgörande siffran
Tre arbetsbelastningar gör den öppna modellen till det bättre köpet trots att den presterar mindre än en tredjedel av Qwen4-Max.
• Reglerade eller luftgapade driftsättningar – där frågan inte är pris utan huruvida data kan lämna byggnaden, och en hyrd slutpunkt diskvalificeras innan indexet konsulteras. Nemotron 3.5 Super VL på 75,06 GB NVFP4 är en tänkbar lokal modell; Qwen4-Max har ingen lokal variant.
• Klassificering, routning och extrahering i hög volym – där 14 på ett allmänt index fortfarande kan räcka, utdatalängder låses av ett schema, och 274 token per sekund till $0.20 per miljon indata är en storleksordning billigare än något som debiteras enligt frontier-priser.
• Allt som behöver lära sig dina data – en finjustering på dina egna bilder och dokument finns tillgänglig på ena sidan och otillgänglig på den andra oavsett budget, och ingen mängd prompt engineering kan ersätta det när domänvokabulären är din egen.
Och tre som ändå gör Qwen4-Max till rätt svar: långsiktigt agentiskt arbete där poänggapet direkt översätts till misslyckade flerstegsuppgifter, förfrågningar som passerar några hundratusen token och behöver ett kontextfönster för en enda förfrågan utan chunkning, och alla team som vill ha strukturerad utdata, parallella verktygsanrop och cachelagring från en slutpunkt idag i stället för en inferensstack nästa kvartal. Qwen4-Max publicerar också båda sina tak för indata – 991 808 token i icke-tänkande läge, 983 616 i tänkande läge – vilket är den sorts siffra som ett självhostande team lägger en vecka på att upptäcka.
Vad ingen av dessa två är, och vad som faktiskt är routbart
Ingen av modellerna finns i OrcaRouters katalog per den 16 november 2026. Qwen4-Max går att nå via Alibabas eget Model Studio-API och flera tredjepartsplattformar; Nemotron 3.5 Super VL är nedladdningsbara vikter plus ett fåtal hostingleverantörer. En jämförelsesida som antydde att endera bara var en API-nyckel bort skulle ljuga om arbetsinsatsen det innebär.
Det som dirigeras här är den föregående generationen av den slutna sidan: qwen/qwen3.8-max till $2.00 in och $6.00 ut per miljon tokens, leverantörens listpris som skickas vidare med 0 % påslag, på samma nyckel och samma OpenAI-kompatibla endpoint som resten av katalogen. För ett team som utvärderar den här matchningen är det den användbara mellanpositionen – mät din arbetsbelastning mot ett dirigerat Qwen-flaggskepp som du kan anropa i dag, och använd den siffran för att avgöra om steget upp till Qwen4-Max är värt ett andra avtal, i stället för att köpa integrationen innan du har underlaget.

Vägen som i praktiken vanligtvis avgör saken är inte alls flaggskeppet. En pipeline med hög volym brukar sluta i en uppdelning: en billig modell som gör sorteringen och extraktionen, en stark modell som gör den sista passningen, och en reservlösning för dagen då den primära har en dålig eftermiddag. OrcaRouters routing-DSL finns för att uttrycka den uppdelningen i ett anrop i stället för tre integrationer, och automatisk failover finns för att göra den billiga halvan säker att förlita sig på. Ingen av de två modellerna i den här artikeln är på den vägen ännu; mönstret är värt att känna till eftersom det är där en matchning som den här vanligtvis landar.
Det avgörande testet, och vad det kostar
Kör 200 av dina egna svåraste uppgifter genom båda. Inte leverantörernas benchmarkar, inte indexet – dina uppgifter, med dina utdatalängder.
Prissätt Qwen4-Max-varianten till $1,50 och $4,50 per miljon mätta tokens, och notera att modellen inte har någon publicerad hastighet, så mät latensen själv eller acceptera att du köper något okänt. Prissätt Nemotron-varianten på två sätt: till de värdbaserade $0,20 och $0,50 om du vill ha den billiga jämförelsen, och till din egen kostnad per GPU-timme dividerad med antalet betjänade tokens om du menar allvar med självhosting, eftersom den värdbaserade taxan är någon annans utnyttjandekurva och inte kommer att vara din. Titta sedan på misslyckandena i stället för genomsnitten, eftersom ett indexgap på 29 punkter visar sig som uppgifter som inte slutförs alls, inte som uppgifter som slutförs något sämre.
Det svar som de flesta team kommer fram till är inte en vinnare utan en uppdelning: den öppna modellen för volymen och den reglerade datan, det mätarprissatta flaggskeppet för arbetet där ett delvis svar är värdelöst. Det är en dyrare arkitektur än något av de enskilda valen, och den är vanligtvis den korrekta – vilket också är anledningen till att licensieringsraden förtjänar att läsas först och indexraden sedan, och till att hostingpriset på $0.20 för en modell som ingen behöver pensionera är den mest intressanta siffran i den här jämförelsen.
