Nemotron 3.5 Super VL so với DeepSeek V4 Flash Vision Exp: Tám điểm chỉ số, và chỉ một trong số đó là sản phẩm

Trên Artificial Analysis Intelligence Index, DeepSeek V4 Flash Vision Exp đánh bại NVIDIA Nemotron 3.5 Super VL 8,35 điểm — 34,84 so với 26,49, cả hai đều không phải ước tính — và nó làm được như vậy với mức giá đã công bố là $0,44 mỗi triệu token đầu vào và $1,32 đầu ra trong khi NVIDIA hoàn toàn không công bố giá. Đó là bản tóm tắt mà một người đọc bảng thông số sẽ mang theo, và đó là bản tóm tắt mà bạn không nên hành động dựa theo. Hai mô hình không cạnh tranh cho cùng một vị trí. NVIDIA Nemotron 3.5 Super VL là một mô hình được cung cấp rộng rãi với báo cáo kỹ thuật, một microservice NIM, hỗ trợ doanh nghiệp và hệ sinh thái hậu huấn luyện bao gồm Scale AI, Salesforce và CrowdStrike. DeepSeek V4 Flash Vision Exp, qua chính tên tệp của nó, là một thử nghiệm: thành viên đa phương thức đầu tiên của dòng V4, được phát hành dưới dạng trọng số cùng với một bản triển khai tham chiếu PyTorch tối giản, và được chấm điểm trên bảng đó trong một cấu hình mà DeepSeek không bán. Tám điểm là một khoảng cách thực sự. Đó cũng là khoảng cách giữa một dịch vụ và một sản phẩm nghiên cứu, và câu hỏi hữu ích không phải là ai thắng mà là cái nào có thể nằm trong ranh giới tuân thủ của bạn trong sáu tháng tới.

Thực tế mỗi thứ là gì

NVIDIA Nemotron 3.5 Super VL là một mô hình hybrid 120 tỷ tham số — gồm các lớp Mamba-2, mixture-of-experts với 512 chuyên gia được định tuyến và cơ chế attention — cùng bộ mã hóa thị giác C-RADIO, 12 tỷ tham số hoạt động mỗi token, ngữ cảnh lên tới 1M token và Multi-Token Prediction gốc để giải mã suy đoán mà không cần drafter riêng. Đầu vào của nó là văn bản, hình ảnh và video; đầu ra là văn bản. Đánh giá của chính NVIDIA bao gồm OCR, suy luận biểu đồ và tài liệu, hiểu video và các tác vụ ngữ cảnh dài, và giấy phép là OpenMDW-1.1, cho phép sử dụng thương mại. Mô hình đi kèm một báo cáo kỹ thuật và một công thức triển khai đã công bố cho 4×H100 hoặc 2×GB200.

DeepSeek V4 Flash Vision Exp được xây dựng dựa trên kiến trúc DeepSeek-V4-Flash, bổ sung các mô-đun thị giác và huấn luyện tiếp. Kho lưu trữ chứa 48 phân mảnh safetensors theo giấy phép MIT, một tokenizer, một mô-đun mã hóa chuyển các khối tin nhắn kiểu OpenAI thành prompt, và một triển khai PyTorch tối giản bao gồm vision encoder, aligner, DFlash attention, MoE, Hyper-Connections và đường forward của DSpark. Config cho thấy một MoE 43 lớp với 256 chuyên gia định tuyến, 6 chuyên gia mỗi token, 1.048.576 vị trí tối đa và một head dự đoán đa token ba lớp. Thẻ mô hình nói rõ rằng đây là mô hình đa phương thức thử nghiệm đầu tiên của DeepSeek trong dòng V4, và rằng nó cải thiện so với DeepSeek-V4-Flash-0731 trên các tác vụ agent đa phương thức trong khi vẫn giữ hiệu năng tương đương trên các tác vụ chỉ văn bản.

• Tham số và cấu trúc — NVIDIA Nemotron 3.5 Super VL: tổng 120B / 12B hoạt động, MoE lai với thị giác C-RADIO. DeepSeek V4 Flash Vision Exp: tổng 284B / 13B hoạt động MoE, 256 chuyên gia định tuyến, 6 mỗi token.

• Intelligence Index — 26,49 cho Super VL, 34,84 cho cấu hình DeepSeek đang phục vụ. Cả hai đều không phải ước tính, cả hai đều theo Artificial Analysis.

• Số token đầu ra cho mỗi tác vụ lập chỉ mục — 49.174 so với 69.174. Super VL hoàn thành các tác vụ của ban đánh giá với số token ít hơn 29%.

• Giá — không có mức giá nào được công bố ở bất kỳ đâu cho Super VL; $0.44 đầu vào / $1.32 đầu ra trên mỗi triệu cho cấu hình DeepSeek được phục vụ, theo cùng bảng đó.

• Giấy phép và cam kết — OpenMDW-1.1 với quyền sử dụng thương mại, GA và dịch vụ NIM cho Super VL; trọng số MIT và bản triển khai tham chiếu, được dán nhãn thử nghiệm, dành cho DeepSeek V4 Flash Vision Exp.

• Các phương thức — văn bản, hình ảnh và video đầu vào cho Super VL theo bảng thông số của NVIDIA; hình ảnh vào, văn bản ra đối với mô hình DeepSeek, mà bảng đánh giá của chính mô hình này không có dòng nào về video cả.

Khoảng cách tám điểm vẫn đứng vững; còn việc so sánh giá thì không.

Hãy bắt đầu với phần thực sự đã ngã ngũ. Mô hình của DeepSeek đạt điểm cao hơn và tốn ít chi phí hơn trên mỗi token, và mức chênh lệch này không phải nhiễu — 8,35 điểm chỉ số gần tương đương khoảng cách giữa NVIDIA Nemotron 3.5 Super VL và mẫu 550B NVIDIA Nemotron 3 Ultra 550B A55B của chính NVIDIA, mẫu đang ở mức 22,93. Vậy nên cách diễn đạt trung thực là: một bản phát hành đa phương thức 284B mang tính thử nghiệm của một phòng thí nghiệm Trung Quốc hiện đang đạt điểm cao hơn mô hình thị giác mở hàng đầu của một phòng thí nghiệm Mỹ, với kích thước chỉ khoảng một phần ba trên trục tham số hoạt động và ở một mức giá đã công bố. Nếu khối lượng công việc của bạn là hiểu màn hình và biểu đồ được cung cấp qua API, thì đó là toàn bộ câu trả lời và bạn có thể ngừng đọc.

Sự so sánh sụp đổ ngay khi bạn muốn tự chạy nó, đó là lý do cả hai mô hình này tồn tại. Con số 34.84 gắn với cấu hình Max được phục vụ, không phải với một checkpoint bạn có thể triển khai. Kho lưu trữ Hub là một bản phát hành trọng số thực sự theo giấy phép MIT, nhưng thẻ của chính DeepSeek trình bày nó như một tạo tác thử nghiệm với đường suy luận tối thiểu — kiểu phát hành mà một phòng thí nghiệm công bố để các nhà nghiên cứu tái tạo một bài báo, không phải kiểu mà nó hỗ trợ bằng hợp đồng doanh nghiệp. NVIDIA đang làm điều ngược lại: công bố trọng số cùng lúc với sản phẩm, với bên gọi được kỳ vọng sẽ tự triển khai. Trên các benchmark mà hai phòng thí nghiệm chọn công bố, sự khác biệt thể hiện rõ. DeepSeek nhấn mạnh công việc tác nhân đa phương thức — ApexBench 36.5 so với 26.2 của chính nó cho mô hình chỉ văn bản, Chartography 64.3, ZeroBench ở 35.0 pass@5, Agents' Last Exam 27.3. NVIDIA nhấn mạnh các bề mặt tài liệu và video — OCRBench v2 ở 68.12 bằng tiếng Anh, MMLongBench-Doc 62.82, CharXiv reasoning 80.82, Video-MME v2 32.85. Không bộ nào trong hai bộ có thể so sánh với bộ kia, và cả hai đều do nhà cung cấp báo cáo.

Khi các số liệu của nhà cung cấp không khớp với nhau

Có một chi tiết trong chính bảng của NVIDIA đáng để dành hẳn một đoạn, vì nó đúng kiểu điều thường bị làm mờ đi trong khâu tổng hợp. Cột so sánh của NVIDIA có bao gồm DeepSeek-V4-Flash0731 và báo cáo Terminal-Bench 2.1 ở mức 76,80 cho mô hình này. Thẻ của chính DeepSeek lại báo cáo 82,7 cho cùng mô hình trên cùng benchmark, và 83,9 cho DeepSeek V4 Flash Vision Exp. Ba con số, một benchmark, hai harness, và không bên nào đối chiếu cho khớp. Đây không phải là một vụ bê bối — các cấu hình scaffolding và mức nỗ lực suy luận khác nhau có thể làm lệch các benchmark tác nhân vài điểm, và NVIDIA công bố các công thức NeMo Gym của mình chính xác là để có thể kiểm tra các cài đặt đó. Nhưng điều đó có nghĩa là khi bạn thấy một khoảng cách tám điểm trên chỉ số, bản thân chỉ số là phần đáng tin cậy, còn các benchmark thành phần thì không. Chỉ số là một harness duy nhất được bên thứ ba áp dụng cho cả hai mô hình. Các bảng benchmark là bốn phòng thí nghiệm tự chấm bài của mình trên scaffolding riêng của họ.

Trên cùng một bảng, cả hai mô hình đều mang chỉ số toàn tri âm. Super VL ở mức âm 4,22 với độ chính xác 23,3% và tỷ lệ ảo giác 35,8%; hàng đó đo lường việc một mô hình có từ chối trả lời khi nó không biết hay không, và cả hai mô hình này đều không giỏi việc đó. GDPval-AA — đo các sản phẩm bàn giao hoàn chỉnh thay vì câu trả lời — cho Super VL 1.162,41 và thang đánh giá AA-Briefcase cho Elo là 998,76. Với mô hình DeepSeek, các hàng tương tự không được điền trong cấu hình được phục vụ. Nếu trường hợp sử dụng của bạn là truy xuất tri thức, thì cả hai con số đều không đáng khích lệ. Nếu là sản xuất tài liệu, Super VL có hàng đo lường duy nhất trong cặp này.

Chạy một trong hai

Triển khai là nơi các hướng đi tách biệt vĩnh viễn. NVIDIA Nemotron 3.5 Super VL phục vụ BF16 trên 4×H100 hoặc 2×GB200 với các container vLLM và SGLang được ghim phiên bản, bổ sung bản dựng NVFP4 cho dấu chân gọn gàng hơn, và tài liệu hóa một pipeline video lấy mẫu 256 khung hình ở 2 FPS với tỷ lệ cắt tỉa 0,5. DeepSeek V4 Flash Vision Exp công bố một công thức vLLM cho một node 4×GB300 duy nhất với FP8 KV cache, block size 256 và giải mã suy đoán DSpark lấy từ chính checkpoint đó, cùng với một đường SGLang — nhẹ hơn ở phía bán, nhưng nặng hơn ở giả định rằng bạn biết mình đang làm gì. Cả hai đều cần phần cứng cấp trung tâm dữ liệu; không cái nào là mô hình chạy trên laptop. Đáng chú ý, điểm chung duy nhất của chúng là khi một nhà cung cấp hạ giá xuống mức niêm yết, nó xuất hiện với đúng giá gốc trên OrcaRouter ngay trong ngày ra mắt, bởi vì chúng tôi chuyển tiếp giá của nhà cung cấp ở mức markup 0% trên hơn 200 mô hình chỉ với một khóa duy nhất, và tự động chuyển đổi dự phòng cho phép bạn đặt một checkpoint chưa được kiểm chứng lên một phần lưu lượng trong khi một checkpoint đã được kiểm chứng giữ phần còn lại. Đó là câu trả lời thực tế khi khoảng cách tám điểm và mức giá còn thiếu khiến quyết định thực sự sát nút: định tuyến cả hai, đo lường trên chính dữ liệu đầu vào của bạn, và để lưu lượng quyết định — kèm theo lưu ý rằng chỉ một trong hai mới có thể được định tuyến ngay hôm nay. DeepSeek V4 Flash Vision Exp đã có trong danh mục của chúng tôi, ở mức giá mà nhà cung cấp của nó công bố chứ không phải mức đã bị đánh lên; NVIDIA Nemotron 3.5 Super VL thì chưa có, bởi vì không ai phục vụ một cách đáng tin cậy một checkpoint mới ba ngày tuổi. Sự bất đối xứng đó đáng được nói thẳng ra thay vì ngụ ý rằng chúng tôi cung cấp cả hai.

Mỗi lựa chọn trên một dòng

Chọn NVIDIA Nemotron 3.5 Super VL khi công việc là tài liệu, biểu đồ, trang quét và video, khi giấy phép phải cho phép sử dụng thương mại, và khi bạn cần một nhà cung cấp vẫn sẽ trả lời phiếu hỗ trợ về checkpoint sau một năm — chấp nhận rằng bạn đang từ bỏ 8,35 điểm chỉ số và trả tiền cho GPU thay vì token. Chọn DeepSeek V4 Flash Vision Exp khi công việc là hiểu biểu đồ và màn hình qua API, khi $0,44 và $1,32 mỗi triệu token là dòng ngân sách, và khi cách định vị cấp beta của một bản phát hành thử nghiệm là chấp nhận được — chấp nhận rằng cấu hình được phục vụ không phải là checkpoint và checkpoint không được hỗ trợ. Các nhóm cần cả hai hành vi thường chạy hai workload khác nhau, và hai workload khác nhau chính là mục đích của một endpoint có failover.