Nemotron 3.5 Bolt 与 Qwen 3.8 Max：这两款模型都能观看视频

很少有模型组合会让人意外于它们所共有的一项能力。这两者NVIDIA Nemotron 3.5 Bolt 74B-A9B 24GB和Qwen 3.8 Max都接受视频作为输入，并且都返回文本。Qwen 3.8 Max 由阿里巴巴于 2026 年 8 月 3 日发布，是一个托管式多模态模型，上下文长度为 1,000,000 token，通过 OpenAI 兼容、Anthropic 兼容以及原生 DashScope 接口从五个区域提供服务，定价为每百万输入 token 2.00 美元、每百万输出 token 6.00 美元，缓存读取为 0.25 美元。Nemotron 3.5 Bolt 由 NVIDIA 于 2026 年 10 月 15 日发布，是一个 24GB 的开放权重文件，配备 C-RADIO v4-H 视觉编码器，窗口为 262,144 token，且完全没有价格。

两个模型都能接收一段屏幕录制，彼此之间唯一的区别，只在于它们在哪里运行，以及这需要多少成本。这比大多数正面比拼所能得到的比较都更清晰，而且一旦你不再追问哪个更聪明，很快就能得出结论。

两个多模态堆栈，一个内存包络

Bolt 的多模态能力是继承而来的，而非专门为其构建。NVIDIA 通过一种其称为 Star Elastic 的路由器引导搜索，将其 120B-A12B 的 Nemotron 3.5 Super VL 模型压缩到 74B-A9B，然后借助量化感知蒸馏，将结果以 IQ2_XXS 格式压缩到每个专家权重 2.0625 比特。视觉塔——一个 C-RADIO v4-H 编码器——随压缩一同保留下来，而推理模式开关与 Super VL 客户端所公开的相同：聊天模板中的一个 enable_thinking 标志。总参数量 74B，每 token 激活 9B，主干是厂商称为 LatentMoE 的 Mamba-2 与 Transformer 混合架构，许可证为 OpenMDW-1.1，可用于商业和非商业用途。

Qwen 3.8 Max 是一种截然不同的产物。它是 Alibaba 能力最强的层级，原生支持多模态，并且仅以端点形式存在。没有可供下载的检查点，没有可在工作站上运行的量化版本，也没有哪个版本的边际成本只是电费。它取而代之拥有的是覆盖范围：三种通信格式，因此现有的 Anthropic SDK 或 DashScope 集成无需重写即可使用；以及横跨亚洲、欧洲和北美的五个服务区域，这使得延迟问题既是工程问题，也同样是一个地理问题。

实际的后果是，Bolt 的多模态行为受限于同样那 24GB 显存，而这 24GB 还要容纳 KV 缓存、对话历史和工具结果。而 Qwen 3.8 Max 的行为则受限于端点所配置的资源，那不是你该操心的问题。

您支付什么，以及支付给谁

Qwen 3.8 Max 按量计费，就其能力而言费率很低。一个 20,000 token 的提示词加上 3,000 token 的回答，输入费用为 $0.04，输出费用为 $0.18，每次调用约 $0.22——而缓存读取为每百万 $0.25，意味着稳定的系统提示词或重复的文档在第二次处理时几乎免费。在我们的目录中，其首个 token 的 p50 时间为 3.22 秒，p95 为 10.00 秒，并且在过去七天里承载了 4,130 万 token 的路由流量。

Nemotron 3.5 Bolt 没有价目表，因为没有任何东西需要计量。没有托管端点，没有供应商 API，也没有我们能指给你看的第三方平台在为其提供服务。正是因为这个原因，Artificial Analysis 将其速度和每项 Intelligence Index 任务的成本都列为 N/A。如果你运行它，成本就是一块 GPU、一笔电力消耗和一段摊销期，而接下来一百万 token 的边际价格为零。对于每天读取同一语料库的夜间作业来说，这不是折扣——而是一种不同的会计模型，盈亏平衡点完全取决于你运行它的频率。

窗口，以及使用它的能力

语境是这样一根轴：两者在纸面上看起来最为接近，在实践中却分离得最快。

• 声明的窗口 —— Qwen 3.8 Max 为 1,000,000 个 token，而 Nemotron 3.5 Bolt 为 262,144 个。大约四比一，而正是这个比例，决定了整库代码或整个归档任务究竟能否在单次请求中完成。

• 窗口内的召回 —— Artificial Analysis 记录到 Qwen 3.8 Max 的长上下文召回指标为 80.3。Bolt 没有同等的独立数据，而且其窗口本来就更小，这使得这是一项已实测能力与一项未实测能力之间的比较。

• 还有什么在共享同一块空间——Bolt 的 262,144 个 token 与权重、视频帧和 KV 缓存共处同样的 24GB 之内。一段长视频提示词和一段长对话会争夺同一份内存。Qwen 3.8 Max 的窗口由运营方配置，因此约束在于价格，而非硬件。

• 推理控制——Qwen 3.8 Max 提供了 enable_thinking 开关，或在 Responses API 上使用 reasoning.effort。Bolt 的对应做法是同一类标志中的一个聊天模板开关，继承自 Super VL 客户端。两者都不稀奇；它们都能让你在例行调用上不再为深思熟虑买单。

以未测量之物衡量

Artificial Analysis 在其智能指数上给 Qwen 3.8 Max 打了 45.4 分，在已测量的 145 个模型中排名第十五——进入了前百分之十，但并未登顶。其支撑性指标在智能体工作负载所需之处表现强劲：AA 编码指数为 76.2，在 138 个模型中排名第九；Terminal-Bench 2.1 上为 88.8；GPQA Diamond 上为 92.8。其相对短板是 80.3 的长上下文召回率，对于一个百万 token 模型而言，这算得上体面，但并非出类拔萃。

Bolt 的数据范围更窄。它在同一指数上得分 21，在其按规模筛选后的类别中位列 67 个模型中的第四，而该类别的中位数为 8，Artificial Analysis 将其描述为同类规模中领先的开放权重模型之一。其测得的运行速度和成本为空。其余所有数据——Terminal-Bench 2.1 得分 50.98、GPQA Diamond 86.43、BrowseComp 66.75、WebArena vision 50.86、SciCode 41.02——均来自 NVIDIA 自己的模型卡，其中每个基线都是另一个规模仅为其三分之一的模型。这些数据行并非不诚实；它们回答的是关于效率的问题，而非关于前沿能力的问题，把它们当作与托管旗舰模型的较量来解读，是对这份文档的误读。

速度差距同样值得认真对待。Artificial Analysis 无法测量 Bolt 的吞吐量，因为没有任何东西可供调用。NVIDIA 报告的设计目标是解码速度至少达到每秒 80 个 token，在 RTX Spark 上运行 AIPerf SPEED-Bench 时为 84，在一台配备 128GB 内存的 Surface Laptop Ultra 上运行 llama.cpp 时为 83.99，而这一切均未得到复现。Qwen 3.8 Max 的首 token 耗时 3.22 秒是经过测量并公开的。请以经过测量的数字为规划依据，将另一个视为期望目标。

路由问题，在这里并不对称

Qwen 3.8 Max 已收录在我们的目录中，型号为 qwen/qwen3.8-max，按阿里巴巴的供应商标价路由，加价 0%——每百万 token 2.00 美元和 6.00 美元，我们页面上的数字与供应商的完全一致，这意味着供应商侧的价格变动当天就能传达到我们的用户，而不必等到合同续签。它与另外 200 多个模型共用同一个密钥，当某个上游提供商出现性能下降时，可在多个上游提供商之间自动故障转移，并提供路由 DSL，用于将多个模型组合成单个请求。

Nemotron 3.5 Bolt 不在我们的目录中，我们也不提供它。没有 Bolt 端点，没有可用于指向请求的标识符，本文中也没有任何内容构成托管 NVIDIA 检查点的要约。这里路由建议的真实形态是一种分工，而不是一个选择：托管的多模态模型负责长窗口请求、对 24GB 共享内存来说过大的视频语料库，以及任何需要能够从任意位置调用的内容；本地文件负责那些数据不应离开大楼、且规模会让按 token 计费变得肉疼的高频轮次。模型融合是值得了解的一种变体，前提是那些昂贵的调用属于后果重大的调用——一组模型共同回答同一个提示，然后你采用它们一致的结果，这是一种用低成本为你无法轻易逆转的决策买来信心的方式。

这一个如何解决

二者的交集是视频，而这也正是它们值得比较的原因——在这个体量上，大多数本地模型根本“看不见”，而大多数托管模型要想接收一段屏幕录制，就得经过抽帧步骤，而这会丢失你本想展示给它的东西。

越过那处重叠之后，它们在每个维度上都分道扬镳。Qwen 3.8 Max 在宽窗口、实测延迟、更丰富的输入集上胜出，并且以大幅优势在独立评分的智能上胜出。Nemotron 3.5 Bolt 在唯一一个没有托管模型能争夺的维度上胜出：无论有没有网络，它都在你的数据已经所在之处运行，边际成本为零。

这个决定通常不是偏好问题。如果视频从不离开这栋楼，托管方案就从来不是一个可选项，比较也就坍缩为单一候选。如果语料是一百万 token 的文本，那么本地方案出于同样的理由、只是方向相反地从来就不可选。在两者真正接近的情形下——数据量不大、数据在法律上可以外传、工作内容主要是短小的工具调用、偶尔有长读取——打破平局的是这项比较中缺失的那个数字：这个 24GB 检查点在你自己的硬件上实际跑得有多快，而这个数字在 NVIDIA 之外还没有人测过。