Сравнение моделей Llama 3.3 Nemotron Super 49B V1.5 vs Qwen3 VL 235B A22B Instruct

× nvidia/llama-3.3-nemotron-super-49b-v1.5

Llama-3.3-Nemotron-Super-49B-v1.5 — англоцентричная модель рассуждений/чата на 49B параметров, производная от Meta Llama-3.3-70B-Instruct с контекстом 128K. Она пост‑обучена для агентных рабочих процессов (RAG, вызов инструментов) через SFT на математике, коде, науке и многоходовом чате, затем через несколько стадий RL: Reward‑aware Preference Optimization (RPO) для выравнивания, RL with Verifiable Rewards (RLVR) для пошаговых рассуждений и итеративное DPO для улучшения поведения при использовании инструментов. Дистилляционно‑управляемый Neural Architecture Search («Puzzle») заменяет часть attention‑блоков и варьирует ширину FFN для уменьшения памяти и повышения throughput, позволяя развёртывание на одном GPU (H100/H200) при сохранении следования инструкциям и качества CoT. Во внутренних оценках (NeMo-Skills, до 16 прогонов, temp = 0.6, top_p = 0.95) модель показывает сильные результаты по рассуждениям/кодингу: например, MATH500 pass@1 = 97.4, AIME-2024 = 87.5, AIME-2025 = 82.71, GPQA = 71.97, LiveCodeBench (24.10–25.02) = 73.58 и MMLU-Pro (CoT) = 79.53. Модель ориентирована на практическую эффективность инференса (высокие токены/с, сниженное потребление VRAM) с поддержкой Transformers/vLLM и явными режимами «reasoning on/off» (по умолчанию chat‑first; при отключении рекомендуется greedy). Подходит для построения агентов, ассистентов и систем долговременного поиска, где важен баланс точности/стоимости и надёжное использование инструментов.

× qwen/qwen3-vl-235b-a22b-instruct

Qwen3-VL-235B-A22B Instruct — open‑weight мультимодальная модель, объединяющая сильную генерацию текста с визуальным пониманием изображений и видео. Instruct‑вариант нацелен на общее использование в vision‑language задачах (VQA, разбор документов, извлечение данных из графиков/таблиц, многоязычный OCR). Серия делает акцент на устойчивом восприятии (распознавание разнообразных реальных и синтетических категорий), пространственном понимании (2D/3D привязка) и длинной визуальной интерпретации, показывая конкурентные результаты на публичных мультимодальных бенчмарках как в восприятии, так и в рассуждениях. Помимо анализа, Qwen3‑VL поддерживает агентное взаимодействие и использование инструментов: может следовать сложным инструкциям в многоизображенных, многоходовых диалогах; сопоставлять текст с временными шкалами видео для точных запросов по времени; и управлять элементами GUI для задач автоматизации. Модели также поддерживают визуальные рабочие процессы программирования — превращение скетчей/макетов в код и помощь в отладке UI — при сохранении сильной текстовой производительности, сопоставимой с флагманскими языковыми моделями Qwen3. Это делает Qwen3‑VL подходящей для продакшн‑сценариев: document AI, многоязычный OCR, помощь в разработке UI, пространственные задачи и исследования агентных vision‑language систем.