NVIDIA Nemotron 3.5 Super VL 120B so với DeepSeek V4 Pro: pixel có chi phí cao gấp 40 lần văn bản, và đây là phép tính

DeepSeek V4 Pro costs $0.66 per million input tokens. Whatever a page of a scanned contract costs you to push through N​VIDIA N​emotron 3.5 Super VL 120B A12B, it is not 66 cents per million, and the reason is that you are not renting it — you are buying GPUs. That single asymmetry is the whole shape of this comparison between DeepSeek V4 Pro, D​eepSeek's 1.6-trillion-parameter text-only flagship listed since April 2026, and N​VIDIA N​emotron 3.5 Super VL 120B A12B, the open-weights vision-language model N​VIDIA uploaded to Hugging Face on 12 October 2026 with no announced price on any serving path. Comparing their benchmark scores is easy and mostly useless. Comparing what each one costs you to operate on the same document is the exercise that actually decides anything.

Câu trả lời ngắn gọn

Nếu đầu vào của bạn là văn bản và ngân sách của bạn là một khoản mục chi tiêu, DeepSeek V4 Pro thắng với khoảng cách mà không mô hình mở nào thu hẹp được — một hội đồng đánh giá bên thứ ba xếp nó dẫn trước Super VL 9,5 điểm chỉ số trong khi chi phí chỉ bằng một phần nhỏ của một xu cho mỗi nghìn token. Nếu đầu vào của bạn bao gồm hình ảnh, video hoặc bản quét trang, thì hoàn toàn không có gì để so sánh, vì DeepSeek V4 Pro không thể nhìn thấy chúng. Hai mô hình không trùng nhau trên trục mà hầu hết các nhóm thực sự quan tâm.

Mỗi mô hình là gì, trong một lượt

DeepSeek V4 Pro is a 1.6T-parameter mixture of experts with 49B active per token, a 1M-token context window, up to 384K output tokens, and text as its only input and output modality. It has been generally available since 24 April 2026 through D​eepSeek's own API and third-party platforms, priced at $0.66 per million input and $1.98 per million output, with cache reads at $0.022. Independent measurement through the Artificial Analysis panel, last evaluated 13 August 2026, puts it at 36.0 on the Intelligence Index — 41st of 147 models.

N​emotron 3.5 Super VL 120B A12B is a Mamba-2/Transformer hybrid with 512 routed experts per MoE layer, 120B total parameters and 12B active per token, a C-RADIO vision encoder, native Multi-Token Prediction, and 1M tokens of context. Inputs are text, images and video; output is text. It is open under OpenMDW-1.1 with commercial use permitted, shipped in BF16, base-BF16 and NVFP4 builds, and runs on 4× H100 or 2× GB200 in BF16 or a single H200, single GB200, 2× H100 or one DGX Spark in NVFP4. Independent measurement puts it at 26.49 on the same panel, which is the number to hold onto as the conversation moves.

Nơi chi phí đầu vào thực sự nằm

Đây là phép tính mà chưa ai công bố. Lấy một bộ hợp đồng quét 200 trang. Qua DeepSeek V4 Pro, bộ đó phải được OCR và trích xuất văn bản trước khi đến nơi, rồi mô hình tính bạn $0.66 cho mỗi triệu token đầu vào trên phần văn bản đã trích xuất. Còn qua Super VL, các trang được đưa vào dưới dạng hình ảnh, chỉ một lần, vào một mô hình mà bạn đang trả tiền theo giờ GPU.

• DeepSeek V4 Pro theo giá niêm yết — 0,66 USD cho đầu vào, 1,98 USD cho đầu ra, 0,022 USD cho đọc bộ nhớ đệm, trên mỗi triệu token. Một lần trích xuất 200 trang rẻ đến mức chi phí mỗi lần gọi không xuất hiện khi rà soát ngân sách.

• Chi phí lạm phát của Super VL — 4× H100 hoặc 2× GB200 ở BF16, hoặc một H200 / một GB200 / một DGX Spark ở NVFP4. Đó là tiền thuê hoặc capex tích lũy dù có tài liệu đến hay không.

• Điểm giao thoa — thời điểm mà việc tự vận hành Super VL trở nên rẻ hơn so với OCR-plus-V4-Pro — là một hàm phụ thuộc vào khối lượng tài liệu của bạn và mức độ sử dụng mà bạn có thể duy trì trên GPU. Chưa ai công bố nó, và với các nhóm có khối lượng thấp, rất có thể nó sẽ không bao giờ đến.

• What is not in either column — the OCR pipeline D​eepSeek's path requires. That is a second system, a second failure mode, and the place where most document pipelines actually break: the table that OCR mangles, the chart that vanishes in extraction, the stamp over the signature block.

Đây là lập luận thực sự cho mô hình thị giác và nó không phải là một lập luận dựa trên benchmark. Đó là bước trích xuất biến mất. Trang đến với mô hình theo đúng cách nó tồn tại, và mô hình phải xử lý biểu đồ, bảng và bố cục khó xử thay vì nhận được một phiên bản xấp xỉ đã được làm phẳng của chúng. Liệu thị giác của Super VL có đủ tốt để biện minh cho việc sở hữu GPU hay không là một câu hỏi về tài liệu của bạn, và cách trung thực duy nhất để trả lời là chạy bộ dữ liệu của riêng bạn qua bản dựng NVFP4 trên một chiếc H200 và đếm số lỗi.

Các hàng benchmark tồn tại, và chúng thuộc về ai

Hai loại số khác nhau đang xuất hiện ở đây và chúng không bao giờ nên được trích dẫn trong cùng một câu mà không có nhãn.

Được đo bởi hội đồng, từ Artificial Analysis, nơi DeepSeek V4 Pro được đánh giá lần cuối vào ngày 13 tháng 8 năm 2026:

• Intelligence Index — DeepSeek V4 Pro 36.0 vs N​emotron 3.5 Super VL 26.49.

• Humanity's Last Exam — DeepSeek V4 Pro 41.0. Bảng này không có dòng Super VL.

• Khả năng ghi nhớ ngữ cảnh dài — DeepSeek V4 Pro 80.3 so với Super VL 0.69 trên thang AA-LCR, đây là khoảng cách tỷ lệ lớn nhất trong bài viết này.

• SciCode — DeepSeek V4 Pro 51.0 so với hàng của Super VL chưa được công bố trên bảng.

• Terminal-Bench 4.0 — DeepSeek V4 Pro 14.1 so với Super VL 0.0.

• τ²-bench — DeepSeek V4 Pro 96.2, a number D​eepSeek leads with, and the panel publishes no Super VL equivalent.

Vendor-reported, from N​VIDIA's own NeMo Gym evaluation of Super VL, which N​VIDIA ran on its own model against baselines it chose:

• Tác tử — SWE-bench Verified 71,10, SWE-bench Multilingual 67,72, SWE-bench Pro 51,78, tau2-bench bán lẻ 69,24 và hàng không 76,50, BrowseComp 78,91, GraphWalks 89,71 ở thiết lập trên 1M token.

• Suy luận — GPQA-Diamond 89.52, HLE không dùng công cụ 31.79, tăng lên 46.01 khi dùng công cụ trên một khung đánh giá nội bộ riêng.

• Thị giác — CharXiv-RQ 80.82, MathVision 78.16, V* 85.60, OCR-Reasoning 65.08, OCRBench-v2 đạt 68.12 tiếng Anh và 59.15 tiếng Trung, MMLongBench-Doc 62.82, OSWorld 52.14, Video-MME-v2 32.85.

The two documents do not share a single row, which is why the index comparison above is the only clean ranking available. And a reader should notice the thing that is easy to miss: Super VL's SWE-bench Verified 71.10 is a strong number and it is N​VIDIA's own, and the panel gave the same model 0.0 on Terminal-Bench 4.0. Those can both be true. An agentic-coding score measured on a vendor harness and a terminal score measured by a third party are not the same kind of evidence, and the honest reading is that Super VL's agentic profile is asserted rather than established.

Vì sao hàng long-context mới là thứ đáng lo ngại

A 1M-token context window is on both spec sheets. In practice the panel measures long-context recall at 80.3 for DeepSeek V4 Pro and 0.69 for Super VL, and N​VIDIA's own counter-argument is GraphWalks 89.71 at the over-1M-token setting — a vendor number, on a vendor harness, on a task where Super VL is being asked to walk a graph rather than recall a passage.

Những con số này không đo lường cùng một thứ, và đó chính xác là vấn đề đối với bất kỳ ai đang đưa ra quyết định. Nếu khối lượng công việc của bạn là “tìm điều khoản trong hồ sơ 900.000 token này”, thì con số của ban đánh giá gần với tác vụ của bạn hơn, nhưng nó vẫn không hề gần. Nếu khối lượng công việc của bạn là “duyệt qua tập tài liệu được liên kết này và báo cáo cái gì phụ thuộc vào cái gì”, thì con số của nhà cung cấp gần hơn, và nó vẫn nên được coi là một tuyên bố. Cho đến khi có ai đó độc lập chạy cả hai tác vụ với checkpoint, giả định lập kế hoạch an toàn là ngữ cảnh hiệu dụng của Super VL ngắn hơn đáng kể so với những gì bảng thông số của nó ghi.

Hai tuyến đường, một chìa khóa, và sự chênh lệch giá ngay trước mắt

DeepSeek V4 Pro is in the OrcaRouter catalogue at DeepSeek's published $0.66 and $1.98 with zero markup — the provider list price passed straight through, so a D​eepSeek price change is live here the same day rather than at the next billing cycle. Across the last seven days of requests through the gateway, V4 Pro shows a p50 time-to-first-token of 1.89 seconds at 81.9 output tokens per second, and it carried 480.3 million tokens of traffic in that window. Those are measurements of real calls, not vendor benchmarks, and they are the numbers a cost model should be built on.

N​emotron 3.5 Super VL 120B A12B is not on our catalogue. N​VIDIA has published no per-token price for it on any path, including its own NIM microservice, so there is nothing for us to pass through and this article will not pretend otherwise — it is a checkpoint you host yourself, on the hardware in the recipe above.

Điều mà gateway thực sự mang lại cho bạn trong sự kết hợp này là hai nửa của pipeline không còn là hai tích hợp riêng biệt nữa. Các lệnh gọi trích xuất và phân loại sẽ đi đến triển khai Super VL của riêng bạn; các lệnh gọi suy luận, lập trình và văn bản khối lượng lớn giá rẻ sẽ đi đến DeepSeek V4 Pro trên cùng một endpoint và cùng một key; và sự phân tách được thể hiện dưới dạng một quy tắc định tuyến thay vì một câu lệnh điều kiện trong mã ứng dụng. Khi định tuyến hình ảnh là yếu tố quyết định, DSL có thể dựa vào việc một prompt có kèm tệp đính kèm hình ảnh hay không — đây là cách duy trì ranh giới sạch sẽ hơn là phải nhớ đường mã nào làm việc gì. Tính năng chuyển đổi dự phòng tự động giữa các nhà cung cấp nằm bên dưới model được định tuyến, nên lỗi 429 từ upstream đối với một lệnh gọi văn bản sẽ rơi vào phương án dự phòng thay vì đến tay người dùng của bạn.

Tìm ra xem bạn đang ở bên nào của ranh giới.

• Nếu bạn không có hình ảnh — DeepSeek V4 Pro, không cần phân tích thêm. Dẫn trước 9,5 điểm chỉ số, 0,66 USD mỗi triệu đầu vào, token đầu tiên p50 mất 1,89 giây, và không có gì phải vận hành.

• Nếu bạn có hình ảnh nhưng khối lượng thấp — hãy dùng OCR kết hợp DeepSeek V4 Pro cho đến khi tỷ lệ lỗi từ khâu trích xuất bắt đầu tốn kém hơn so với việc dùng GPU. Hãy đo lường lỗi trích xuất trước; chính con số đó, chứ không phải khoảng cách điểm chuẩn, mới là thứ quyết định điểm giao cắt.

• Nếu bạn có hình ảnh và không thể gửi chúng đến bất kỳ đâu — Super VL là lựa chọn duy nhất trong tầm cân nhắc, và quyết định trở thành việc chọn checkpoint nào: BF16 nếu bạn định tinh chỉnh, NVFP4 nếu bạn định phục vụ.

• Nếu khả năng truy xuất ngữ cảnh dài là phần cốt lõi của khối lượng công việc — hãy kiểm thử trước khi cam kết. Mức 0,69 của bảng đánh giá so với 80,3 là khoảng cách đủ lớn để một bảng thông số 1M-token không nên được coi là bằng chứng về năng lực 1M-token.

• If you want the model to improve on your domain — V4 Pro gives you no path. Super VL gives you weights, and N​VIDIA published the post-training datasets and NeMo Gym RL environments alongside it, which is the more reusable half of that release.

Điều gì sẽ thay đổi bài viết này

Ba điều, theo thứ tự về mức độ chúng sẽ làm thay đổi câu trả lời.

A price for Super VL, from N​VIDIA or from anyone serving it. The moment a per-token figure exists, the first section of this piece becomes arithmetic instead of a framework, and the crossover discussion collapses into a comparison of two numbers.

A second independent dataset on the model. N​VIDIA has one third-party score, and it does not include a long-context or a coding-agent row. A panel re-run that publishes those rows would settle the two questions this article has to leave open.

And the Terminal-Bench 2.1 discrepancy in N​VIDIA's own paperwork — 66.70 on the model card against 60.67 in the technical report's summary table, with everything else in those documents agreeing. One of two primary sources is wrong. Until somebody re-runs the recipes, both values are unsafe to quote, and the fact that the discrepancy exists at all is a reason to treat every other single-sourced row in that report as provisional.

Điểm chuẩn thì lỗi thời, giá cả thì biến động; nhưng hồ sơ thất bại thì không: những sự cố AI và lỗi tác nhân (agent) được ghi nhận đằng sau các mô hình thuộc nhóm này đều được tập hợp trong the OrcaRouter AI Incident Archive, nơi mỗi mục đều đi kèm nguồn riêng, mức độ nghiêm trọng, xếp hạng độ tin cậy và cờ đánh dấu tranh chấp.