Nemotron 3.5 Super VL vs Step 5 : poids, licences et test

👁 140 lectures

NVIDIA Nemotron 3.5 Super VL et StepFun Step 5 Preview proposent deux approches bien distinctes pour exécuter de grands modèles aux poids téléchargeables en ce mois d’octobre 2026. J’ai soumis ces deux modèles aux mêmes 12 tâches lors de mon test en polonais mené le 19 octobre via l’API. Nemotron a réussi chaque consigne, tandis que Step en a validé neuf, renvoyant trois réponses vides à la limite maximale autorisée.

Ce que proposent ces deux versions

NVIDIA a lancé Nemotron 3.5 Super VL le 15 octobre 2026. StepFun a publié les poids de Step 5 Preview à la même date, après avoir d’abord rendu le modèle accessible sur son API. Leurs trajectoires diffèrent : NVIDIA enrichit sa propre famille, tandis que StepFun propose au téléchargement les poids d’un modèle déjà exploité en ligne. Mes analyses sur le lancement de l’API de Step 5 Preview et sur son comparatif face à Kimi K3, GLM et Qwen restent disponibles pour le contexte, et les deux autres sorties majeures de la semaine figurent dans mon dossier sur les modèles IA aux poids ouverts d’octobre 2026.

Super VL combine traitement visuel et linguistique. NVIDIA le met en avant pour la compréhension documentaire, le code, le raisonnement et l’utilisation d’outils. De son côté, StepFun insiste sur le travail agentique prolongé, l’ingénierie logicielle et les tâches professionnelles. Les deux modèles revendiquent un contexte long, mais ces allégations constituent simplement un point de départ pour l’évaluation, et non la preuve d’une efficacité garantie sur votre propre flux de travail.

La fiche de StepFun indique 600 milliards de paramètres, alors que les métadonnées sur Hugging Face en dénombrent 604 milliards. Cette valeur globale aide à repérer le modèle, mais ne correspond pas à l’inventaire strict de chaque tenseur stocké. Pareillement, les paramètres actifs mesurent l’effort de calcul par token, et non le volume total des poids que votre infrastructure devra charger en mémoire.

L’approche visuelle de Nemotron et ses options de déploiement

D’après sa fiche technique, NVIDIA s’appuie sur une architecture hybride mariant Mamba-2, des modules d’attention et des composants mixture-of-experts (MoE) à un encodeur visuel. Le modèle accepte du texte, des images et des vidéos en entrée, et produit du texte en sortie. NVIDIA accompagne cette version de ressources et de recettes d’entraînement, ce qui facilite à la fois la personnalisation et l’inférence.

Pour le format NVFP4, la documentation mentionne un DGX Spark, un GPU H200, deux GPU H100 ou un GB200. Pour le format BF16, elle indique quatre GPU H100 ou deux systèmes GB200. Ces repères correspondent à des niveaux de précision et des configurations techniques distincts. Il ne faut pas les résumer à un chiffre magique de configuration minimale.

Dans le rôle d’assistant documentaire, l’analyse visuelle prend tout son sens face à une image de document, un graphique ou une capture d’écran. Pour ma tâche portant sur une facture, j’avais fourni un descriptif purement textuel : la réponse JSON exacte de Nemotron découle donc d’une extraction de texte. Je n’ai pas testé la reconnaissance optique de caractères (OCR), la compréhension vidéo ni la navigation sur interface graphique.

Il convient également de ne pas confondre Super VL avec les modèles Bolt, plus compacts, dévoilés lors de la même annonce. Les besoins matériels indiqués pour un autre modèle de la gamme ne s’appliquent pas à Super VL. Porter un nom de famille commun ne garantit absolument pas qu’un checkpoint fonctionnera sur votre station de travail.

Les poids de Step 5 imposent une lourde infrastructure

StepFun distribue des checkpoints en BF16 et FP8, et NVIDIA a également mis à disposition une déclinaison en NVFP4. Pour le format FP8, les exemples officiels recommandent quatre GPU B300 ou huit GPU H200. En BF16, ces exemples montent à huit GPU B300 ou seize GPU H200. Il s’agit d’installations considérables, avant même d’aborder la complexité opérationnelle liée au déploiement d’un service applicatif.

La documentation insiste bien sur la différence entre le chargement des poids bruts et l’allocation de mémoire requise pour une requête longue. La conservation du contexte et les tampons de calcul réclament des ressources additionnelles. Réduire la taille du contexte ou limiter les requêtes simultanées s’avère souvent indispensable, même lorsque le checkpoint tient en mémoire. L’annonce d’une fenêtre d’un million de tokens doit donc être rattachée à une configuration matérielle testée, sans être tenue pour acquise sur n’importe quel serveur.

Si vous envisagez d’exploiter les facultés agentiques de Step 5, le véritable banc d’essai implique d’évaluer le processus complet : interpréter l’instruction, déclencher les bons appels d’outils, surmonter les erreurs et renvoyer un résultat exploitable. L’accès aux poids téléchargeables permet de mener ce travail sur votre propre infrastructure. Cela ne garantit pas pour autant que la tâche soit déjà couronnée de succès.

Des licences aux conditions bien distinctes

La licence OpenMDW 1.1 accorde des libertés étendues sur les ressources couvertes du modèle. Toute redistribution impose de maintenir le texte de l’accord ainsi que les mentions d’origine correspondantes. Elle ne soumet pas les sorties générées à des obligations spécifiques, tout en conservant certaines clauses usuelles, notamment la résiliation des droits accordés en cas de litige expressément mentionné.

La StepFun Model License 1.0 oblige à conserver les mentions légales et à expliciter les éventuelles modifications en cas de distribution. Son texte, vérifié par mes soins le 20 octobre 2026, comporte par ailleurs des seuils financiers et d’usage importants :

• Si un produit commercial exploitant le modèle dépasse 100 millions d’utilisateurs actifs mensuels ou génère plus de 20 millions de dollars de chiffre d’affaires sur un mois civil, il doit afficher la mention « Powered by StepFun AI » sur son interface et dans sa documentation (section 2(b)).
• Les constructeurs et marques d’appareils matériels (smartphones, véhicules, objets connectés portables ou robots) doivent obtenir une licence commerciale séparée avant d’intégrer le modèle en tant que fonctionnalité, indépendamment de leurs revenus (section 2(c)).
• Les sociétés opérant un service de type modèle à la demande (model-as-a-service) doivent souscrire une licence commerciale séparée dès que leur chiffre d’affaires cumulé dépasse 20 millions de dollars sur une période de 12 mois consécutifs (section 2(c)).

On ne peut donc pas prétendre que cette licence soit dépourvue de seuils d’utilisation ou de chiffre d’affaires.

Cette distinction s’avère déterminante avant de retenir l’un de ces modèles pour un usage commercial. La recherche interne, la diffusion de poids modifiés, la vente d’accès API ou l’intégration dans un appareil matériel relèvent de cadres différents. La licence StepFun fixe des conditions et des exceptions précises pour chaque cas. Cette analyse s’appuie sur la version de la licence consultée le 20 octobre 2026.

Ce que révèle le banc d’essai polonais

J’ai envoyé à chaque modèle une série de 12 consignes, une seule fois par tâche, avec une température réglée à 0 et un plafond de 6 000 tokens de complétion couvrant à la fois le raisonnement interne et la réponse finale. Nemotron a fourni une réponse validée sur l’ensemble des 12 tâches (le protocole détaillé est consultable dans mon comparatif de quatre modèles ouverts sur 12 tâches en polonais). De son côté, Step a validé neuf consignes, mais a renvoyé des réponses totalement vides sur l’exercice de mise en forme sur le thème de l’automne, la question portant sur les régions administratives et la correction orthographique.

Chacun de ces trois échecs chez Step correspond précisément à un blocage à la limite de 6 000 tokens de complétion. Sa requête la plus longue a duré 230,1 secondes, pour un temps médian de 2,15 secondes. Nemotron a affiché une médiane de 1,20 seconde, sa requête la plus lente n’ayant pris que 11,7 secondes. Il s’agit là de durées constatées via l’API, soumises à des infrastructures distantes potentiellement différentes, et non d’un benchmark mesuré sur des déploiements locaux identiques.

Mes relevés de consommation indiquent un coût d’environ 0,0022 USD pour la série de Nemotron et 0,0537 USD pour celle de Step. Ces montants arrondis reflètent les dépenses réelles enregistrées lors de ma session. Ils ne préjugent pas des tarifs publics en vigueur ni du budget nécessaire pour des chaînes d’agents plus complexes. Les réponses vides de Step méritent une attention particulière : elles ont englouti l’intégralité du quota de tokens sans produire la moindre ligne de texte utilisable.

Le score de Nemotron tient compte d’un ajustement de correction transparent : l’expression « Weź parasol » (« Prends un parapluie », à l’impératif) a été acceptée comme une alternative légitime à la forme infinitive « wziąć » attendue par le barème initial. J’ai également accepté quelques variations de présentation dans les réponses. Les résultats doivent ainsi être interprétés comme la réussite effective des tâches demandées, et non comme un respect absolu de chaque micro-consigne de mise en page.

• Sur ces requêtes brèves en langue polonaise, Nemotron démontre un taux d’achèvement nettement supérieur.
• Pour des flux de travail visuels, évaluez Nemotron sur vos propres images et documents avant d’en tirer des conclusions.
• Pour les chaînes d’agents avec Step 5, vérifiez la capacité du modèle à finaliser sa réponse sous des limites de raisonnement réalistes.
• Si vous envisagez une exécution locale, étudiez minutieusement le niveau de précision, le moteur d’inférence et la licence retenus.

Foire aux questions

Step 5 est-il inefficace en polonais ?

Ce test ponctuel ne permet pas de l’affirmer. Mes mesures mettent en évidence trois réponses vides sous un plafond de tokens donné, ainsi que des réponses correctes sur les neuf autres tâches. Un échantillon de requêtes plus vaste ou d’autres paramètres pourraient donner des résultats différents.

Nemotron Super VL peut-il tourner sur un GPU grand public ?

Les configurations indiquées ici sont celles publiées officiellement par NVIDIA pour Super VL. Elles n’attestent aucunement d’un fonctionnement sur une simple carte grand public dotée de 24 Go de mémoire. Examinez précisément le checkpoint et l’environnement d’exécution visés, sans calquer vos prévisions sur les besoins du modèle Bolt.

Lequel privilégier pour une application en anglais ?

Mon test réalisé en polonais ne permet pas de trancher cette question. Il est nécessaire d’effectuer vos propres essais avec des requêtes en anglais représentatives de votre service, en mesurant simultanément le taux d’achèvement, la justesse, le format, la latence et les coûts associés.

// lire la suiteQwen-Image-2.1 : avis, tests sur RTX 4090 et licenceBenchmarksQwen-Image-2.1 : test des poids officiels sans modérationBenchmarksAgnes-Video-2.0-MoE : Sapiens AI ouvre ses poids sous Apache 2.0Actualités