Nemotron 3.5 Super VL vs Qwen3.8-Max: Phân khúc mở trọng số đối đầu với biên giới tính phí theo mức dùng

Ai đang lên kế hoạch cho một pipeline xử lý tài liệu trong quý này chỉ có đúng hai hình dạng để lựa chọn, và chúng không cùng một hình dạng. NVIDIA Nemotron 3.5 Super VL là một checkpoint thị giác-ngôn ngữ 120B tham số, kích hoạt 12B thuộc OpenMDW-1.1, có trọng số được đăng lên vào ngày 12 tháng 10 năm 2026, ba ngày trước thông báo của chính NVIDIA vào ngày 15 tháng 10: bạn tải nó về, bạn tự vận hành nó, bạn trả bằng GPU và điện. Qwen3.8-Max là flagship độc quyền của Alibaba — một mixture-of-experts 2,4 nghìn tỷ tham số với 95B tham số hoạt động, đầu vào thị giác, cửa sổ ngữ cảnh 1M token và tính phí theo token ở mức 2 đô la mỗi triệu đầu vào và 6 đô la mỗi triệu đầu ra với mức chiết khấu bộ nhớ đệm 88%. Một bên là chi phí vốn với toàn quyền kiểm soát; bên kia là chi phí vận hành với một bảng giá. Mọi thứ khác trong so sánh này đều là hệ quả của sự phân chia đó.

Hai mô hình kinh doanh khoác lên mình lớp áo so sánh chuẩn

Thật dễ bị cám dỗ khi xếp chúng cạnh nhau theo năng lực rồi tuyên bố một người thắng cuộc. Cách đóng khung đó che khuất quyết định thực sự, vốn là về việc ai sở hữu kiểu thất bại. Với Super VL, nếu thông lượng khiến bạn thất vọng, bạn huấn luyện lại, lượng tử hoá lại hoặc mua phần cứng khác — trần giới hạn là của bạn để nâng lên. Với Qwen3.8-Max, nếu thông lượng khiến bạn thất vọng, bạn đổi chuỗi mô hình hoặc bạn thương lượng; trần giới hạn thuộc về Alibaba, và lộ trình cũng vậy.

Sự khác biệt đó có thể thấy rõ qua những gì mỗi nhà cung cấp đã công bố. NVIDIA phát hành một báo cáo kỹ thuật, các công thức huấn luyện, bộ dữ liệu mở, môi trường RL và ba đường giải mã suy đoán riêng biệt cho dòng mô hình này — bộ máy của một mô hình được tạo ra để triển khai và chỉnh sửa. Qwen phát hành một API kèm bảng giá và ưu đãi bộ nhớ đệm, tức là bộ máy của một mô hình được tạo ra để tiêu thụ.

Super VL mang lại cho bạn những gì mà một endpoint được host không thể.

NVIDIA Nemotron 3.5 Super VL là một mô hình lai: các lớp Mamba-2 xen kẽ, một mixture-of-experts với 512 chuyên gia định tuyến mỗi lớp MoE, và một số lớp attention chọn lọc, được kết hợp với bộ mã hoá thị giác C-RADIO và một bộ kết nối thị giác-ngôn ngữ. Đầu vào là văn bản, hình ảnh và khung video; đầu ra là văn bản. Xương sống ngôn ngữ của nó được khởi tạo từ Nemotron 3 Super Base, được chưng cất trong một nghìn tỷ token từ Nemotron 3 Ultra Base, sau đó được mở rộng thêm 35 tỷ token để đạt ngữ cảnh 1M, huấn luyện trung gian về kỹ thuật phần mềm và một giai đoạn phục hồi ngữ cảnh dài. Multi-Token Prediction gốc cung cấp giải mã suy đoán mà không cần một bộ soạn thảo riêng. Nó chạy ở BF16 trên 4×H100 hoặc 2×GB200, với bản dựng NVFP4 và một vi dịch vụ NIM để triển khai trong môi trường production.

• Những gì bạn sở hữu — trọng số, bộ tách token, bộ mã hoá thị giác, quy trình hậu huấn luyện và dấu vết kiểm toán. Mọi prompt đều nằm trong vành đai của bạn, điều mà với công việc bảo hiểm, tín dụng, y tế hay quốc phòng không phải là sở thích mà là yêu cầu bắt buộc.

• Bạn phải trả gì — bộ tăng tốc. Bốn chiếc H100 ở độ chính xác đầy đủ là tấm vé vào cửa, và đường cong chi phí nằm ở mức sử dụng: đắt khi nhàn rỗi, gần như miễn phí khi bão hòa.

• Điều bạn phải đánh đổi — một bảng giá. Tính đến ngày 16 tháng 10 năm 2026, không có mức giá nào được công bố cho Super VL từ bất kỳ ai, vì vậy mọi so sánh tổng chi phí mà bạn xây dựng hôm nay đều dựa trên các phép đo thông lượng của chính bạn, chứ không phải con số từ nhà cung cấp.

Điều mà Qwen3.8-Max mang lại cho bạn mà một checkpoint không thể

Qwen3.8-Max kích hoạt 95 tỷ tham số mỗi token từ một pool 2,4 nghìn tỷ tham số, xử lý cả hình ảnh lẫn văn bản, và mặc định có cửa sổ ngữ cảnh chỉ dưới một triệu token. Trên Artificial Analysis, nó đạt Intelligence Index là 45, cao hơn mười chín điểm so với mức 26 được ghi nhận cho NVIDIA Nemotron 3.5 Super VL trên cùng chỉ số — và khác với hầu hết các con số trên trang này, cả hai đều là kết quả đo lường của bên thứ ba chứ không phải tuyên bố từ nhà cung cấp.

• Những gì bạn nhận được — một mô hình đa dụng đẳng cấp hàng đầu, bao gồm cả thị giác, có thể gọi ngay chiều nay chỉ với một API key. Không cần phần cứng, không cần vận hành, không cần lập kế hoạch công suất.

• Bạn phải trả bao nhiêu — 2 đô-la cho đầu vào và 6 đô-la cho đầu ra trên mỗi triệu token, cùng mức giảm giá 88% cho đầu vào được lưu trong bộ nhớ đệm, điều này thay đổi bài toán kinh tế của bất kỳ khối lượng công việc nào có tiền tố ổn định dài: một system prompt dài, một tài liệu cố định, một lược đồ công cụ thường trú.

• Điều bạn phải từ bỏ — các trọng số. Không có tải xuống, không có triển khai cục bộ, không có tinh chỉnh mô hình phục vụ, và không có khả năng giữ dữ liệu trên phần cứng của riêng bạn.

Khoản chiết khấu bộ nhớ đệm xứng đáng được ghi chú riêng vì đây là con số thường bị mô hình hóa sai nhất ở cả hai cột. Mức giảm 88% trên đầu vào được lưu đệm không có nghĩa là hóa đơn rẻ đi 88%; nó có nghĩa là phần lặp lại trong prompt của bạn tốn khoảng một phần chín giá niêm yết, và lợi ích tỷ lệ thuận với việc mỗi yêu cầu có bao nhiêu phần thực sự giống hệt yêu cầu trước đó. Các pipeline gửi lại một phần mở đầu tĩnh lớn được hưởng lợi cực lớn. Các pipeline gửi một tài liệu mới trong mỗi lần gọi hầu như không được hưởng lợi chút nào.

Đường giá, được vận hành một cách trung thực

Bản năng mách bảo ta tính điểm giao nhau — ở mức bao nhiêu token thì tự vận hành sẽ thắng? Phép tính đó cho ra một con số, và con số ấy thường sai, vì nó bỏ qua hai chi phí chi phối: thời gian kỹ thuật để giữ cho ngăn xếp suy luận tự vận hành luôn cập nhật, và chi phí cơ hội của một mô hình nhỏ hơn trong những ca khó.

Một phiên bản hữu ích hơn: chạy hồ sơ lưu lượng thực tế của bạn đối chiếu với mức giá công bố của Qwen3.8-Max và nhận được con số chính xác theo tháng, vì phía đó có bảng giá. Sau đó hỏi xem một mô hình có 12B tham số hoạt động có thể xử lý bao nhiêu phần trong lượng lưu lượng đó đạt tiêu chuẩn của bạn, rồi chỉ định giá phần đó bằng GPU. Trong hầu hết các pipeline trích xuất tài liệu, câu trả lời là phần lớn khối lượng mang tính cơ học — hóa đơn, biểu mẫu, biểu đồ, bố cục lặp lại — và một phần đuôi nhỏ mới đòi hỏi sự phán đoán. Phần lớn là nơi tự vận hành (self-hosting) thắng thế; phần đuôi là nơi một mô hình tiên tiến như Qwen3.8-Max thắng thế.

Sự phân tách đó chính là điều mà lớp định tuyến của chúng tôi tồn tại để phục vụ, và những sự thật liên quan đủ hẹp để có thể nói thẳng ra. Qwen3.8-Max có trong danh mục của chúng tôi với qwen/qwen3.8-max/ ở mức giá niêm yết của Alibaba với 0% phụ trội — nhà cung cấp tính bao nhiêu thì bạn trả bấy nhiêu, và việc nhà cung cấp giảm giá được áp dụng ngay trong ngày chứ không phải đợi đến kỳ thanh toán tiếp theo. NVIDIA Nemotron 3.5 Super VL không có trong danh mục của chúng tôi và sẽ không bao giờ có dưới dạng một endpoint, bởi vì nó là một checkpoint do bạn tự host chứ không phải một dịch vụ mà ai đó có thể bán lại cho bạn. Thứ nằm giữa hai điều đó là sự kết hợp: DSL định tuyến cho phép một lệnh gọi duy nhất phân nhánh, nhờ đó những trang mang tính máy móc có thể được đưa đến bất kỳ mô hình rẻ nào mà bạn chỉ định, trong khi những trang cần phán đoán sẽ được nâng cấp, và cơ chế chuyển đổi dự phòng tự động sẽ chuyển một yêu cầu sang một upstream khỏe mạnh khi upstream mà nó đang hướng tới bị suy giảm. Một khóa cho nửa phần được host, GPU của riêng bạn cho phần còn lại, một chính sách quyết định yêu cầu nào đi đâu.

Một cấu hình đã được triển khai thực tế chứ không phải một giả thuyết: cùng một pipeline có thể gửi một biểu mẫu một trang đến một mô hình văn bản nhỏ thông qua danh mục, định tuyến một báo cáo thường niên nhiều biểu đồ đến một mô hình thị giác, và giữ Qwen3.8-Max ở chế độ dự phòng cho số ít tài liệu mà việc trích xuất thực sự mơ hồ. Mô hình dự phòng tốn $6 cho mỗi triệu token đầu ra và không tốn gì khi không dùng đến, một giải pháp tốt hơn nhiều so với việc cấp phát một chiếc H100 thứ tư cho khối lượng công việc chỉ tăng vọt hai lần mỗi tháng.

Ai nên làm việc nào, bắt đầu từ tuần này

Nếu công việc của bạn liên quan đến dữ liệu được quản lý — bất kỳ hạng mục nào mà việc gửi một trang cho bên thứ ba đòi hỏi phải được xem xét pháp lý — thì quyết định đã được đưa ra thay bạn và đó là Super VL, cùng với yêu cầu tối thiểu về phần cứng và mọi thứ đi kèm. Nếu công việc của bạn là hiểu tài liệu và màn hình với khối lượng lớn trong điều kiện riêng tư thông thường, thì câu trả lời đúng đắn rẻ nhất cho hầu hết các đội ngũ hiện nay là mô hình tiên phong tính phí theo mức dùng, vì nó hoạt động được ngay hôm nay và giá của nó đã biết. Nếu bạn ở khoảng giữa, nơi hầu hết các pipeline thực tế đang nằm, thì hai thứ này hoàn toàn không phải là đối thủ của nhau: Qwen3.8-Max cho phần đuôi khó và Super VL tự vận hành cho khối lượng lớn, với một bộ định tuyến quyết định theo từng yêu cầu.

Điều sẽ thay đổi trang này là một mức giá được công bố cho Super VL từ bất kỳ nhà cung cấp dịch vụ serving nào. Ngay khi một checkpoint Nemotron xuất hiện sau một endpoint tính phí theo mức sử dụng, lập luận phản đối về mức triển khai tối thiểu sẽ tan biến, so sánh trở thành giá đối giá, và câu hỏi đáng quan tâm chuyển từ mô hình nào sang nhà cung cấp nào. Cho đến lúc đó, hai cột vẫn đang trả lời những câu hỏi khác nhau — và câu trả lời trung thực cho "cái nào tốt hơn" là một mô hình có giá và một mô hình có giấy phép không phải là cùng một loại đối tượng.