NVIDIA Nemotron 3.5 Super VL 120B 对比 DeepSeek V4 Pro：像素的成本是文本的 40 倍，以下是算法

DeepSeek V4 Pro 每百万输入 token 收费 0.66 美元。不管你用 N​VIDIA N​emotron 3.5 Super VL 120B A12B 处理一页扫描合同要花多少钱，它都不会是每百万 66 美分，原因是你并不是在租用它——你是在购买 GPU。正是这一处不对称，构成了这场比较的全貌——比较对象是 DeepSeek V4 Pro、D​eepSeek 自 2026 年 4 月起上架的 1.6 万亿参数纯文本旗舰模型，以及 N​VIDIA N​emotron 3.5 Super VL 120B A12B，即 N​VIDIA 于 2026 年 10 月 12 日上传到 Hugging Face 的开放权重视觉语言模型，在任何服务路径上都未公布价格。比较它们的基准分数很容易，而且基本没什么用。比较它们在处理同一份文档时各自要你承担多少成本，才是真正能决定一切的那项练习。

简短的回答

如果你的输入是文本，而预算只是一项单列条目，那么 DeepSeek V4 Pro 会以任何开源模型都无法缩小的优势胜出——第三方评测小组将其排在 Super VL 之前 9.5 个指数点，而每千个 token 的成本仅为零点几美分。如果你的输入包含图像、视频或页面扫描件，那就完全没有可比性，因为 DeepSeek V4 Pro 看不到它们。这两个模型在大多数团队真正关心的那个维度上并不重叠。

每个模型是什么，一次讲清

DeepSeek V4 Pro 是一款拥有 1.6T 参数的混合专家模型，每个 token 激活 49B 参数，上下文窗口为 1M token，最多可输出 384K token，且输入与输出模态均仅为文本。自 2026 年 4 月 24 日起，它已通过 DeepSeek 自有 API 及第三方平台全面开放使用，定价为每百万输入 token 0.66 美元、每百万输出 token 1.98 美元，缓存读取为 0.022 美元。根据 Artificial Analysis 评测面板的独立测评（最近一次评测于 2026 年 8 月 13 日），其智能指数得分为 36.0，在 147 个模型中排名第 41 位。

Nemotron 3.5 Super VL 120B A12B 是一款 Mamba-2/Transformer 混合架构模型，每个 MoE 层有 512 个路由专家，总参数量 120B，每 token 激活 12B，配备 C-RADIO 视觉编码器、原生多 Token 预测（Multi-Token Prediction），并支持 1M tokens 上下文。输入为文本、图像和视频；输出为文本。它在 OpenMDW-1.1 下开源并允许商业使用，提供 BF16、base-BF16 和 NVFP4 版本，在 BF16 下可运行于 4× H100 或 2× GB200，在 NVFP4 下可运行于单张 H200、单张 GB200、2× H100 或一台 DGX Spark。独立测评在同一评测面板上将其测得 26.49，随着对话推进，这个数字值得牢记。

投入成本实际所在之处

这是没有人公布过的一笔账。拿一套 200 页的扫描合同来说。走 DeepSeek V4 Pro，它必须先经过 OCR 和文本提取才能送到模型那里，然后模型会针对提取出的文本，按每百万输入 token 向你收取 $0.66。走 Super VL，页面以图像形式一次性送入一个你已经按 GPU 小时付费的模型。

• 按标价使用 DeepSeek V4 Pro——每百万 token 输入 $0.66、输出 $1.98、缓存读取 $0.022。一次 200 页的抽取足够便宜，单次调用成本根本不会出现在预算审查里。

• Super VL 的推理成本——BF16 下为 4× H100 或 2× GB200，NVFP4 下为一块 H200 / 一块 GB200 / 一台 DGX Spark。无论是否有文档到达，这都是一直在累积的租金或资本支出。

• 交叉点——即自托管 Super VL 变得比 OCR-plus-V4-Pro 更便宜的那个点——取决于你的文档量以及你能让 GPU 保持的利用率。没有人公布过它，而对于低文档量的团队来说，它很可能永远不会到来。

• 两列中都没有的东西——DeepSeek 的路径所需的 OCR 流水线。那是第二个系统、第二种故障模式，也是大多数文档流水线真正会断裂的地方：被 OCR 弄乱的表格、在提取中消失的图表、盖在签名块上的印章。

这才是视觉模型真正的论据，而且这不是一个基准测试论据。它在于提取步骤消失了。页面以它原本的样子到达模型，模型必须处理图表、表格和别扭的布局，而不是接收它们被扁平化后的近似表示。Super VL 的视觉能力是否足够好到值得拥有 GPU，这是一个关于你的文档的问题，而唯一诚实的回答方式，是把你自己的一组样本放在单块 H200 上的 NVFP4 构建版上跑一遍，并统计错误。

存在的基准行，以及它们属于谁

这里涉及两种不同的数，如果没有标签，就绝不应在同一句话中引用它们。

面板实测数据，来自Artificial Analysis，DeepSeek V4 Pro最后一次评估是在2026年8月13日：

• 智能指数 — DeepSeek V4 Pro 36.0 对比 Nemotron 3.5 Super VL 26.49。

• 人类最后的考试 — DeepSeek V4 Pro 41.0。该面板不含 Super VL 行。

• 长上下文召回——在 AA-LCR 评分尺度上，DeepSeek V4 Pro 为 80.3，Super VL 为 0.69，这是本文中比例差距最大的一项。

• SciCode — DeepSeek V4 Pro 51.0 对比 Super VL 在面板上未公布的那一行。

• Terminal-Bench 4.0 — DeepSeek V4 Pro 14.1 对比 Super VL 0.0。

• τ²-bench — DeepSeek V4 Pro 96.2，这是 DeepSeek 引以为傲的领先数字，而该评测面板并未公布 Super VL 的对应成绩。

厂商报告称，该结果来自 N​VIDIA 自己对 Super VL 的 NeMo Gym 评估；N​VIDIA 用其自家模型对照其选定的基线运行了该评估：

• 智能体 — SWE-bench Verified 71.10、SWE-bench Multilingual 67.72、SWE-bench Pro 51.78、tau2-bench 零售 69.24 与航空 76.50、BrowseComp 78.91、GraphWalks 89.71（在超过 100 万 token 的设置下）。

• 推理——GPQA-Diamond 89.52，HLE 在不使用工具时为 31.79，在单独的内部测试框架上使用工具时升至 46.01。

• 视觉 — CharXiv-RQ 80.82，MathVision 78.16，V* 85.60，OCR-Reasoning 65.08，OCRBench-v2 英文 68.12、中文 59.15，MMLongBench-Doc 62.82，OSWorld 52.14，Video-MME-v2 32.85。

这两份文档没有任何一行是共有的，正因如此，上面那项索引对比才是唯一可用的干净排名。而读者应当注意到一个容易被忽略的事实：Super VL 的 SWE-bench Verified 71.10 是个很亮眼的数字，而且是 NVIDIA 自家测出来的，可评审小组却给同一个模型在 Terminal-Bench 4.0 上打了 0.0。这两件事可以同时为真。在厂商自建评测框架上测得的智能体编程分数，与第三方测得的终端分数，并不是同一类证据；诚实的解读是，Super VL 的智能体能力画像只是被宣称，而非被确立。

为什么长上下文之争才是最该担心的那个

两份规格表上都写着 100 万 token 的上下文窗口。但在实际测试中，评测小组测得 DeepSeek V4 Pro 的长上下文召回率为 80.3，Super VL 为 0.69，而 NVIDIA 自己的反驳依据是 GraphWalks 在超过 100 万 token 的设置下达到 89.71——这是一个厂商给出的数字，跑在厂商自己的测试框架上，而且任务要求 Super VL 走一遍图，而不是召回一段文本。

这些测量的不是同一件事，而这正是任何需要做决定的人面对的问题。如果你的工作负载是“在这份 900,000 token 的文件中找到那个条款”，评测小组的数字更接近你的任务，但它仍不接近。如果你的工作负载是“遍历这组相互链接的文档，并报告什么依赖什么”，厂商的数字更接近，但它仍应被视为一种声称。在有人独立针对该检查点运行这两项任务之前，稳妥的规划假设是：Super VL 的有效上下文比其规格表所说的要短得多。

两条路线，一个关键，以及显而易见的价差

DeepSeek V4 Pro 在OrcaRouter 目录中，价格为 DeepSeek 公布的 $0.66 和 $1.98，零加价——提供商的标价直接透传，因此 DeepSeek 的价格变化当天就会在这里生效，而不是等到下一个计费周期。在过去七天通过网关的请求中，V4 Pro 的 p50 首 token 时间为 1.89 秒，输出速度为每秒 81.9 个 token，并在这段时间内承载了 4.803 亿 token 的流量。这些是真实调用的实测数据，而非厂商基准测试，它们才是构建成本模型所应依据的数字。

Nemotron 3.5 Super VL 120B A12B 不在我们的产品目录中。NVIDIA 未在任何途径上公布其按 token 计费的价格，包括其自家的 NIM 微服务，因此我们没有什么可转嫁的，本文也不会假装并非如此——它是一个需你自行托管的检查点，运行在上文配方所述的硬件上。

在这种搭配中，网关真正给你的，是让管道的两半不再是两个集成。提取与分流的调用发往你自己的 Super VL 部署；推理、编码以及低成本高并发的文本调用则发往 DeepSeek V4 Pro，用的是 同一个端点和同一个密钥；而这种划分以路由规则的形式表达，而不是应用程序代码里的条件判断。当图像路由成为决定性因素时，DSL 可以直接依据提示词是否携带图像附件来判定——这比记住哪条代码路径做什么事，是维护这条边界更干净的方式。跨提供商的自动故障转移就位于被路由的模型之下，因此文本调用遇到上游 429 时会落到回退方案上，而不是落到你的用户身上。

弄清楚你站在线的哪一边

• 如果你没有图像——DeepSeek V4 Pro，无需进一步分析。领先九点五个指数点，每百万输入 $0.66，p50 首 token 1.89 秒，且无需任何运维。

• 如果你有图像、但数据量不大——那就用 OCR 加 DeepSeek V4 Pro，直到抽取错误率带来的成本超过上 GPU 的成本为止。先测出抽取错误率；决定这个临界点的，是那个数字，而不是基准测试的差距。

• 如果你有图像，却无法将它们发送到任何地方——Super VL 是唯一可选的方案，而决定就变成了选择哪个检查点：如果你打算进行微调，就选 BF16；如果你打算提供服务，就选 NVFP4。

• 如果长上下文召回是工作负载的核心——那就在投入之前先做测试。评测组的 0.69 对 80.3 已是足够大的差距，因此一份 100 万 token 的规格表不应被当作具备 100 万 token 能力的证据。

• 如果你想让模型在你的领域上有所提升——V4 Pro 不会给你任何可行路径。Super VL 则把权重交到你手上，NVIDIA 还随之一并发布了后训练数据集和 NeMo Gym RL 环境，而这才是那次发布中更具可复用价值的一半。

什么会改变这篇文章？

三件事，按它们对答案的影响程度排序。

Super VL 的价格——来自 N​VIDIA，或来自任何提供它的服务方。一旦有了按 token 计算的数字，这篇文章的第一部分就会变成算术，而不再是一个框架，关于交叉点的讨论也会坍缩成两个数字的比较。

在该模型上使用第二个独立数据集。N​VIDIA 只有一个第三方分数，而其中不包含长上下文或编码智能体行。一次公布这些行的面板重跑，将会解决本文不得不留待的两个问题。

还有 NVIDIA 自己文件中 Terminal-Bench 2.1 的差异——模型卡上为 66.70，而技术报告汇总表中为 60.67，且两份文件中的其他所有内容都相互一致。两个主要来源中有一个是错的。在有人重新运行这些配方之前，这两个数值都不宜引用；而这一差异竟然存在，本身就足以让人把该报告中所有其他单一来源的行都视为暂定值。

基准测试会过时，价格会变动，但失败记录不会：这一类模型背后有据可查的 AI 事故与智能体故障，均收录于OrcaRouter AI 事故档案库，其中每条记录都带有各自的来源、严重程度、置信度评级和争议标记。