Nemotron 3.5 Super VL vs Qwen3.8-Max：开放权重梯队对阵按量计费前沿

本季度正在规划文档处理流水线的人，恰好只有两种形态可选，而它们并非同一种形态。NVIDIA Nemotron 3.5 Super VL是一个 120B 参数、12B 激活的视觉语言检查点，采用 OpenMDW-1.1 许可，其权重于 2026 年 10 月 12 日上线，比 NVIDIA 自己在 10 月 15 日的发布还早三天：你下载它、你托管它，你用 GPU 和电费来买单。Qwen3.8-Max是阿里巴巴的专有旗舰模型——一个 2.4 万亿参数的混合专家模型，95B 激活参数，支持视觉输入，拥有 1M token 的上下文窗口，按 token 计费，输入每百万 2 美元、输出每百万 6 美元，并享有 88% 的缓存折扣。前者是资本支出，换来完全掌控；后者是运营支出，附一张价目表。这一对比中其余的一切，都是这一分野的下游结果。

两种商业模式披着基准比较的外衣

很容易按能力把两者排在一起，然后宣布谁胜出。但这种框架掩盖了真正的决策：关键在于谁来承担失效模式。使用 Super VL 时，如果吞吐量不尽如人意，你可以重新训练、重新量化，或者购买不同的硬件——上限由你自己抬高。使用 Qwen3.8-Max 时，如果吞吐量不尽如人意，你要么改模型字符串，要么去谈判；上限属于 Alibaba，路线图也属于 Alibaba。

这种差异在两家厂商各自发布的内容中清晰可辨。NVIDIA 发布了一份技术报告、训练配方、开放数据集、强化学习环境，以及该系列三条各自独立的投机解码路径——这是一套意在供部署和修改的模型所配备的完整装置。Qwen 发布的则是一个 API，附带一份价目表和一项缓存折扣，这属于一种意在供人直接调用消费的模型的装置。

Super VL 能提供哪些托管端点无法提供的东西

NVIDIA Nemotron 3.5 Super VL 是一款混合架构模型：交错的 Mamba-2 层、每个 MoE 层配备 512 个路由专家的混合专家结构，以及少量注意力层，它们与 C-RADIO 视觉编码器和视觉语言连接器相连接。输入文本、图像和视频帧，输出文本。其语言主干网络从 Nemotron 3 Super Base 初始化，后者从 Nemotron 3 Ultra Base 蒸馏了 1 万亿个 token，随后又经过 350 亿个 token 的扩展，将上下文提升至 100 万，并经历了软件工程中期训练和长上下文恢复阶段。原生多 Token 预测无需单独的草稿模型即可提供投机解码。它以 BF16 精度在 4×H100 或 2×GB200 上运行，并提供 NVFP4 版本以及用于生产部署的 NIM 微服务。

• 你拥有什么——权重、分词器、视觉编码器、后训练流水线和审计追踪。每一条提示词都留在你的边界之内，对于保险、信贷、医疗或国防工作而言，这不是一种偏好，而是一项要求。

• 你付出的成本——加速器。四块全精度的 H100 是入场门槛，而成本曲线取决于利用率：闲置时昂贵，饱和时近乎免费。

• 你放弃的是什么——一份费率表。截至2026年10月16日，没有任何一方公布过Super VL的价格，因此你今天所做的任何总成本比较，都只能基于你自己的吞吐量测量数据，而非供应商给出的数字。

Qwen3.8-Max 能给你什么，而检查点不能？

Qwen3.8-Max 每个 token 从 2.4 万亿参数的池中激活 95B 参数，既能处理图像也能处理文本，默认上下文窗口接近一百万个 token。在 Artificial Analysis 上，它的 Intelligence Index 为 45，比 NVIDIA Nemotron 3.5 Super VL 在同一指数上录得的 26 高出十九分——而且与本页大多数数字不同，这两个都是第三方测量结果，而非厂商宣称。

• 你将获得——一个前沿级别的通用模型，包含视觉能力，今天下午拿上 API 密钥就能调用。无需硬件，无需运维，无需容量规划。

• 你需要支付的费用——每百万 token 输入 $2、输出 $6，缓存输入可享 88% 折扣，这改变了任何具有大型稳定前缀的工作负载的经济账：一段很长的系统提示词、一份固定文档、一个持久化的工具 schema。

• 你放弃的是什么——权重。没有下载，没有本地部署，无法微调服务模型，也无法将数据保留在你自己的硬件上。

缓存折扣值得特别说明，因为它是两列中最常被错误建模的数字。对缓存输入削减 88% 并不意味着账单便宜 88%；它意味着提示词中重复的部分成本约为标价价的九分之一，而收益的规模取决于每次请求中有多少内容与上一次真正完全相同。那些反复发送一大段静态前置内容的流水线获益巨大。那些每次调用都发送一份全新文档的流水线则几乎毫无获益。

价格线，诚信运营

本能是去算一个盈亏平衡点——到多少 token 时自托管才划算？这种计算会得出一个数字，而这个数字通常是错的，因为它忽略了两项占主导地位的成本：让自托管推理栈保持不落伍所需的工程时间，以及在困难任务上使用更小模型的机会成本。

一个更有用的版本：把你真实的流量画像套用到 Qwen3.8-Max 公布的价格上，算出一个精确的月度数字，因为那边有一张价目表。然后问，一个 12B 激活参数的模型能按你的标准处理其中多大比例，并只按这个比例来估算 GPU 成本。在大多数文档抽取流水线中，答案是：绝大部分量都是机械性的——发票、表单、图表、重复版式——而一小段长尾才承载着判断。批量部分正是自托管胜出的地方；长尾部分则是像 Qwen3.8-Max 这样的前沿模型胜出的地方。

这一区分正是我们自家路由层存在的意义所在，而相关事实足够明确，可以直接说清楚。Qwen3.8-Max 已收录在我们的目录中，即 qwen/qwen3.8-max/，按阿里云的标价、0% 加价——供应商收多少，你就付多少，而且供应商降价当天就生效，而不是等到下一个计费周期。NVIDIA Nemotron 3.5 Super VL 不在我们的目录中，也永远不会以端点形式存在，因为它是一个由你自己托管的检查点，而不是任何人都能转售给你的服务。介于两者之间的是组合编排：路由 DSL 让单次调用可以扇出，因此机械性的页面可以交给任何你指定的廉价模型处理，而需要判断力的页面则向上升级，并且当原本要发往的上游性能退化时，自动故障转移会把请求改发到健康的上游。托管的这一半用一个密钥，另一半用你自己的 GPU，由一套策略决定哪个请求发往哪里。

一个具体的实例，而非假设：同一条流水线可以通过目录将一页表单发送给小型文本模型，把图表密集的年度报告路由给视觉模型，并将 Qwen3.8-Max 留作备用，用于处理少数确实存在歧义的文档。备用模型每百万输出 token 收费 6 美元，闲置时不产生任何费用——相比为一个每月仅出现两次峰值的工作负载再配置一块 H100，这种安排要划算得多。

从本周开始，谁应该做什么

如果你的工作涉及受监管数据——任何一类把页面发送给第三方都需要经过法律审查的数据——那么决定已经替你做好了，那就是 Super VL，硬件底线什么的全都算上。如果你的工作是在常规隐私姿态下进行大体量的文档与屏幕理解，那么对大多数团队来说，眼下最便宜且正确的答案就是按量计费的前沿模型，因为它今天就能用，而且价格是已知的。如果你处在两者之间——大多数真实的流水线正位于此处——那么这两者根本就不是竞争关系：用 Qwen3.8-Max 处理困难的长尾，用自托管的 Super VL 处理大体量，再由一个路由器逐请求做决定。

会改变这个页面的，是任何服务提供商为 Super VL 公布的价格。一旦某个 Nemotron 检查点出现在按量计费的端点背后，关于部署门槛的顾虑就会烟消云散，比较就变成了价格对价格，而有趣的问题也从选哪个模型变成了选哪个提供商。在那之前，这两列仍然在回答不同的问题——而对“哪个更好”的诚实回答是：一个有价格的模型和一个有许可证的模型，并不是同一种对象。