Nemotron 3.5 Super VL vs DeepSeek V4 Flash Vision Exp: แปดจุดดัชนี และมีเพียงหนึ่งเดียวในนั้นที่เป็นผลิตภัณฑ์

บน Artificial Analysis Intelligence Index DeepSeek V4 Flash Vision ExpเอาชนะNVIDIA Nemotron 3.5 Super VLได้ 8.35 คะแนน — 34.84 ต่อ 26.49 โดยทั้งสองค่าไม่ใช่ค่าประมาณ — และทำได้ด้วยราคาที่ประกาศไว้ $0.44 ต่อโทเคนอินพุตหนึ่งล้านโทเคน และ $1.32 ต่อโทเคนเอาต์พุต ขณะที่ NVIDIA ไม่ได้ประกาศราคาไว้เลย นั่นคือบทสรุปที่คนอ่านสเปกชีตได้รับกลับไป และเป็นบทสรุปที่ผิดถ้าจะนำไปใช้ตัดสินใจ สองโมเดลนี้ไม่ได้แข่งขันกันในช่องเดียวกัน NVIDIA Nemotron 3.5 Super VL เป็นโมเดลที่พร้อมให้บริการทั่วไป (general availability) มีรายงานทางเทคนิค มีไมโครเซอร์วิส NIM มีการสนับสนุนระดับองค์กร และมีระบบนิเวศการฝึกหลังการฝึก (post-training) ที่รวมถึง Scale AI, Salesforce และ CrowdStrike ส่วน DeepSeek V4 Flash Vision Exp นั้น จากชื่อไฟล์ของตัวเอง ก็คือการทดลอง: สมาชิกมัลติโมดัลตัวแรกของตระกูล V4 เผยแพร่ในรูปแบบไฟล์เวตพร้อมการใช้งานอ้างอิง PyTorch แบบมินิมอล และถูกให้คะแนนบนบอร์ดนั้นในการตั้งค่าที่ DeepSeek ไม่ได้ขาย แปดคะแนนเป็นช่องว่างที่มีอยู่จริง แต่มันก็เป็นช่องว่างระหว่างบริการกับชิ้นงานวิจัย และคำถามที่มีประโยชน์ไม่ใช่ใครชนะ แต่คือตัวไหนจะอยู่ในขอบเขตการปฏิบัติตามข้อกำหนดของคุณได้ในอีกหกเดือนข้างหน้า

แต่ละอย่างจริงๆ แล้วคืออะไร

NVIDIA Nemotron 3.5 Super VL เป็นไฮบริดขนาด 120B พารามิเตอร์ — เลเยอร์ Mamba-2, mixture-of-experts ที่มี routed experts 512 ตัว และ attention — พร้อมตัวเข้ารหัสภาพ C-RADIO, พารามิเตอร์ที่ทำงานจริง 12B ต่อโทเคน, คอนเท็กซ์สูงสุด 1M โทเคน และ Multi-Token Prediction แบบเนทีฟสำหรับ speculative decoding โดยไม่ต้องมี drafter แยกต่างหาก อินพุตเป็นข้อความ รูปภาพ และวิดีโอ เอาต์พุตเป็นข้อความ การประเมินของ NVIDIA เองครอบคลุม OCR การให้เหตุผลด้านแผนภูมิและเอกสาร ความเข้าใจวิดีโอ และงานบริบทขนาดยาว และสัญญาอนุญาตคือ OpenMDW-1.1 ซึ่งอนุญาตให้ใช้เชิงพาณิชย์ได้ มีรายงานทางเทคนิคและสูตรการติดตั้งใช้งานที่เผยแพร่สำหรับ 4×H100 หรือ 2×GB200

DeepSeek V4 Flash Vision Exp ต่อยอดจากสถาปัตยกรรม DeepSeek-V4-Flash โดยเพิ่มโมดูลด้านภาพและการฝึกต่อเนื่อง ที่เก็บโค้ดประกอบด้วย safetensors shards 48 ชิ้นภายใต้ MIT, โทเคไนเซอร์, โมดูลเข้ารหัสที่แปลงบล็อกข้อความสไตล์ OpenAI เป็นพรอมป์ต์ และอิมพลีเมนเทชัน PyTorch แบบมินิมอลที่ครอบคลุม vision encoder, aligner, DFlash attention, MoE, Hyper-Connections และเส้นทาง forward ของ DSpark คอนฟิกแสดง MoE 43 เลเยอร์ที่มี routed experts 256 ตัว, 6 experts ต่อโทเคน, ตำแหน่งสูงสุด 1,048,576 และหัวทำนายหลายโทเคนแบบสามเลเยอร์ การ์ดระบุชัดเจนว่านี่คือโมเดลมัลติโมดัลเชิงทดลองตัวแรกของ DeepSeek ในสาย V4 และพัฒนาขึ้นจาก DeepSeek-V4-Flash-0731 ในงานเอเจนต์มัลติโมดัล ขณะที่คงประสิทธิภาพเทียบเคียงได้ในงานข้อความล้วน

• พารามิเตอร์และโครงสร้าง — NVIDIA Nemotron 3.5 Super VL: 120B ทั้งหมด / 12B ที่เปิดใช้งาน เป็น MoE แบบไฮบริดพร้อม C-RADIO vision. DeepSeek V4 Flash Vision Exp: 284B ทั้งหมด / 13B ที่เปิดใช้งาน MoE, ผู้เชี่ยวชาญแบบ routed 256 ราย, 6 ตัวต่อโทเคน

• Intelligence Index — 26.49 สำหรับ Super VL, 34.84 สำหรับการกำหนดค่า DeepSeek ที่ให้บริการ ทั้งคู่ไม่ใช่ค่าประมาณ และทั้งคู่อ้างอิงจาก Artificial Analysis

• โทเค็นเอาต์พุตต่องานดัชนี — 49,174 เทียบกับ 69,174. Super VL ทำงานของคณะกรรมการให้เสร็จสิ้นโดยใช้โทเค็นน้อยลง 29%

• ราคา — ไม่มีอัตราที่เผยแพร่ที่ใดเลยสำหรับ Super VL; $0.44 ขาเข้า / $1.32 ขาออก ต่อล้านโทเคน สำหรับการกำหนดค่า DeepSeek ที่ให้บริการ ตามข้อมูลจากแผงเดียวกัน

• สัญญาอนุญาตและความมุ่งมั่น — OpenMDW-1.1 พร้อมการใช้งานเชิงพาณิชย์, GA และบริการ NIM สำหรับ Super VL; เวตแบบ MIT และอิมพลีเมนเทชันอ้างอิง ซึ่งระบุว่าเป็นการทดลอง สำหรับ DeepSeek V4 Flash Vision Exp.

• รูปแบบข้อมูล — ข้อความ รูปภาพ และวิดีโอขาเข้า สำหรับ Super VL ตามสเปกที่ NVIDIA ระบุ; รูปภาพเข้า ข้อความออก สำหรับโมเดล DeepSeek ซึ่งตาราง benchmark ของตัวโมเดลเองไม่มีแถววิดีโออยู่เลยแม้แต่แถวเดียว

ช่องว่างแปดจุดยังคงใช้ได้ แต่การเปรียบเทียบราคาใช้ไม่ได้

เริ่มจากส่วนที่เป็นข้อสรุปแน่นอนจริง ๆ ก่อน โมเดลของ DeepSeek ได้คะแนนสูงกว่าและมีต้นทุนต่อโทเคนต่ำกว่า และส่วนต่างนี้ไม่ใช่ความคลาดเคลื่อนจากสัญญาณรบกวน — 8.35 คะแนนดัชนีนั้นประมาณระยะห่างระหว่าง NVIDIA Nemotron 3.5 Super VL กับ NVIDIA Nemotron 3 Ultra 550B A55B ขนาด 550B ของ NVIDIA เอง ซึ่งอยู่ที่ 22.93 ดังนั้นการวางกรอบอย่างซื่อตรงก็คือ โมเดลมัลติโมดัล 284B เชิงทดลองของห้องแล็บจีนแห่งหนึ่งในตอนนี้ทำคะแนนได้สูงกว่าโมเดลวิชันแบบเปิดระดับเรือธงของห้องแล็บอเมริกันแห่งหนึ่ง ที่ขนาดประมาณหนึ่งในสามบนแกนพารามิเตอร์ที่ใช้งาน และในอัตราที่ประกาศไว้ หากภาระงานของคุณคือการทำความเข้าใจหน้าจอและแผนภูมิผ่าน API นั่นคือคำตอบทั้งหมด และคุณหยุดอ่านได้เลย

การเปรียบเทียบจะพังทันทีที่คุณต้องการรันมันด้วยตัวเอง ซึ่งเป็นเหตุผลที่โมเดลทั้งสองนี้มีอยู่ ตัวเลข 34.84 นั้นผูกกับคอนฟิกูเรชัน Max ที่ให้บริการ ไม่ใช่กับเช็คพอยต์ที่คุณสามารถดีพลอยได้ ที่เก็บ Hub เป็นการปล่อยเวตจริงภายใต้ MIT แต่การ์ดของ DeepSeek เองนำเสนอเป็นอาร์ติแฟกต์เชิงทดลองที่มีเส้นทางการอนุมานแบบมินิมอล — เป็นการปล่อยแบบที่แล็บเผยแพร่เพื่อให้นักวิจัยทำซ้ำผลงานวิจัย ไม่ใช่แบบที่แล็บสนับสนุนด้วยสัญญาระดับองค์กร NVIDIA กำลังทำในทางตรงกันข้าม: เผยแพร่เวตพร้อมกับตัวผลิตภัณฑ์ โดยคาดว่าผู้เรียกใช้จะเป็นผู้โฮสต์เอง จากเบนช์มาร์กที่ทั้งสองแล็บเลือกเผยแพร่ ความแตกต่างก็ปรากฏให้เห็น DeepSeek เน้นงานเอเจนต์แบบมัลติโมดัล — ApexBench 36.5 เทียบกับ 26.2 ของโมเดลข้อความล้วนของตัวเอง, Chartography 64.3, ZeroBench ที่ 35.0 pass@5, Agents' Last Exam 27.3 NVIDIA เน้นด้านเอกสารและวิดีโอ — OCRBench v2 ที่ 68.12 ในภาษาอังกฤษ, MMLongBench-Doc 62.82, การให้เหตุผล CharXiv 80.82, Video-MME v2 32.85 ทั้งสองชุดไม่สามารถเปรียบเทียบกันได้ และทั้งคู่เป็นข้อมูลที่ผู้ขายรายงานเอง

ในกรณีที่หมายเลขผู้ขายไม่ตรงกัน

มีรายละเอียดอยู่ในตารางของ NVIDIA เองที่คุ้มค่ากับหนึ่งย่อหน้า เพราะมันเป็นตัวอย่างแบบเดียวกับสิ่งที่มักถูกกลบเกลื่อนเมื่อนำมารวมกัน คอลัมน์เปรียบเทียบของ NVIDIA รวม DeepSeek-V4-Flash0731 และรายงาน Terminal-Bench 2.1 ที่ 76.80 สำหรับโมเดลนั้น การ์ดของ DeepSeek เองรายงาน 82.7 สำหรับโมเดลเดียวกันบนเบนช์มาร์กเดียวกัน และ 83.9 สำหรับ DeepSeek V4 Flash Vision Exp สามตัวเลข หนึ่งเบนช์มาร์ก สองฮาร์เนส และไม่มีการกระทบยอดจากทั้งสองฝ่าย นี่ไม่ใช่เรื่องอื้อฉาว — สแฟฟโฟลดิงและค่าตั้งความพยายามในการให้เหตุผลที่ต่างกันเลื่อนเบนช์มาร์กแบบเอเจนต์ไปหลายจุด และ NVIDIA เผยแพร่สูตร NeMo Gym ของตนก็เพื่อให้สามารถตรวจสอบค่าตั้งได้ แต่หมายความว่าเมื่อคุณเห็นช่องว่างของดัชนีแปดจุด ตัวดัชนีเองคือส่วนที่เชื่อถือได้ และเบนช์มาร์กองค์ประกอบไม่ใช่ ดัชนีคือฮาร์เนสเดียวที่ใช้กับทั้งสองโมเดลโดยบุคคลที่สาม ตารางเบนช์มาร์กคือห้องแล็บสี่แห่งที่ตรวจการบ้านของตัวเองบนสแฟฟโฟลดิงของตัวเอง

บนแผงเดียวกัน ทั้งสองโมเดลมีดัชนีความรอบรู้ติดลบ Super VL อยู่ที่ลบ 4.22 ด้วยความแม่นยำ 23.3% และอัตราการหลอน 35.8% แถวนั้นวัดว่าโมเดลปฏิเสธที่จะตอบเมื่อไม่รู้หรือไม่ และไม่มีตัวใดในสองตัวนี้ที่ทำได้ดีในเรื่องนั้น GDPval-AA — ผลงานที่เสร็จสมบูรณ์แทนที่จะเป็นคำตอบ — ให้คะแนน Super VL 1,162.41 และให้ค่า Elo แก่เกณฑ์ AA-Briefcase ที่ 998.76 สำหรับโมเดล DeepSeek แถวเดียวกันไม่มีข้อมูลในการตั้งค่าที่ให้บริการ หากกรณีการใช้งานของคุณคือการค้นคืนความรู้ ไม่มีตัวเลขใดน่าปลอบใจ หากเป็นเรื่องการผลิตเอกสาร Super VL มีแถวที่วัดค่าแล้วเพียงแถวเดียวในคู่นี้

การรันอันใดอันหนึ่ง

การปรับใช้คือจุดที่เส้นทางแยกออกจากกันอย่างถาวร NVIDIA Nemotron 3.5 Super VL ให้บริการ BF16 บน 4×H100 หรือ 2×GB200 ด้วยคอนเทนเนอร์ vLLM และ SGLang ที่ปักหมุดเวอร์ชันไว้ พร้อมเพิ่มบิลด์ NVFP4 สำหรับขนาดที่กะทัดรัดยิ่งขึ้น และมีเอกสารกำกับไปป์ไลน์วิดีโอที่สุ่มตัวอย่าง 256 เฟรมที่ 2 FPS ด้วยอัตราการตัดทิ้ง 0.5 ส่วน DeepSeek V4 Flash Vision Exp เผยแพร่สูตร vLLM สำหรับโหนด 4×GB300 เดียว พร้อมแคช KV แบบ FP8, block size 256 และการถอดรหัสเชิงคาดการณ์ DSpark ที่ดึงมาจากเช็กพอยต์เดียวกัน รวมถึงเส้นทาง SGLang ด้วย — เบากว่าในฝั่งการขาย แต่หนักกว่าในแง่สมมติฐานที่ว่าคุณรู้ว่าตัวเองกำลังทำอะไรอยู่ ทั้งคู่ต้องใช้ฮาร์ดแวร์ระดับศูนย์ข้อมูล ไม่มีตัวไหนเป็นโมเดลสำหรับแล็ปท็อป ที่น่าสังเกตคือ สิ่งเดียวที่ทั้งคู่มีร่วมกันคือ เมื่อผู้ให้บริการลดราคาลงมาที่ราคาตั้ง มันจะปรากฏที่ต้นทุนบน OrcaRouter ในวันเดียวกับที่ลง เพราะเราส่งต่อราคาของผู้ให้บริการในอัตรา บวกเพิ่ม 0% สำหรับโมเดลกว่า 200 รายการบนคีย์เดียว และการสลับไปใช้ระบบสำรองอัตโนมัติช่วยให้คุณวางเช็กพอยต์ที่ยังไม่ผ่านการพิสูจน์บนทราฟฟิกส่วนหนึ่ง ในขณะที่ตัวที่พิสูจน์แล้วรับส่วนที่เหลือ นั่นคือคำตอบเชิงปฏิบัติเมื่อช่องว่างแปดจุดกับราคาที่หายไปทำให้การตัดสินใจใกล้เคียงกันจริง ๆ: ให้เส้นทางทั้งคู่ วัดผลบนอินพุตของคุณเองแล้วปล่อยให้ทราฟฟิกเป็นตัวตัดสิน — โดยมีข้อแม้ว่าวันนี้มีเพียงหนึ่งในสองตัวเท่านั้นที่ให้เส้นทางได้ DeepSeek V4 Flash Vision Exp อยู่ในแค็ตตาล็อกของเราแล้วในอัตราที่ผู้ให้บริการของมันประกาศไว้ ไม่ใช่ราคาที่บวกเพิ่ม NVIDIA Nemotron 3.5 Super VL ยังไม่มีในนั้น เพราะยังไม่มีใครให้บริการเช็กพอยต์อายุสามวันได้อย่างเสถียร ความไม่สมดุลนี้ควรพูดออกมาตรง ๆ แทนที่จะบอกเป็นนัยว่าเรามีทั้งคู่

แต่ละตัวเลือกในหนึ่งบรรทัด

เลือก NVIDIA Nemotron 3.5 Super VL เมื่องานคือเอกสาร แผนภูมิ หน้าสแกน และวิดีโอ เมื่อสัญญาอนุญาตต้องเปิดให้ใช้เชิงพาณิชย์ได้ และเมื่อคุณต้องการผู้ให้บริการที่จะยังตอบตั๋วซัพพอร์ตเกี่ยวกับเช็กพอยต์นี้อยู่แม้ผ่านไปอีกหนึ่งปี — โดยยอมรับว่าคุณกำลังแลกกับ 8.35 คะแนนดัชนี และต้องจ่ายค่า GPU แทนค่าโทเคน เลือก DeepSeek V4 Flash Vision Exp เมื่องานคือการทำความเข้าใจแผนภูมิและหน้าจอผ่าน API เมื่อ 0.44 และ 1.32 ดอลลาร์ต่อล้านโทเคนคือบรรทัดงบประมาณ และเมื่อการวางกรอบแบบระดับเบต้าของรีลีสเชิงทดลองเป็นสิ่งที่ยอมรับได้ — โดยยอมรับว่าคอนฟิกูเรชันที่ให้บริการไม่ใช่เช็กพอยต์ และเช็กพอยต์นั้นไม่ได้รับการซัพพอร์ต ทีมที่ต้องการทั้งสองพฤติกรรมมักรันเวิร์กโหลดสองแบบที่ต่างกัน และเวิร์กโหลดสองแบบที่ต่างกันก็คือสิ่งที่ปลายทางเดียวที่มี failover ถูกออกแบบมาเพื่อรองรับ