NVIDIA: Nemotron 3.5 Super VL jest tworzony przez NVIDIA, a Reflection: Beam 1.0 501B A23B jest tworzony przez Reflection. Oba są modelami tekstowymi w tym sensie, że ich wynikiem jest tekst, i oba są udostępniane przez api14 obok siebie. Ci dwaj dostawcy to różne firmy, więc modele pochodzą z odrębnych procesów treningowych, nawet jeśli tutaj znajdują się za tą samą powierzchnią API.
Najwyraźniejszy podział między nimi dotyczy modalności wejściowych. Nemotron 3.5 Super VL przyjmuje jako dane wejściowe tekst, obrazy i wideo, natomiast Beam 1.0 501B A23B przyjmuje tylko tekst. Oba podają długość kontekstu wynoszącą 1,048,576 tokenów, więc nie ma istotnej różnicy w tym, ile można im podać. Jeśli chodzi o parametry, obie listy są niemal identyczne: oba obsługują frequency_penalty, include_reasoning, logit_bias, logprobs, max_tokens, min_p, presence_penalty, reasoning, repetition_penalty, response_format, seed, stop, structured_outputs, temperature, tool_choice, tools, top_k, top_logprobs oraz top_p. Beam 1.0 501B A23B dodaje do tego zestawu reasoning_effort, co daje pokrętło do regulowania intensywności rozumowania, którego Nemotron 3.5 Super VL nie udostępnia. Nemotron 3.5 Super VL jest tańszy z tych dwóch zarówno na wejściu, jak i na wyjściu, więc jeśli koszt za token ma znaczenie, to właśnie ku niemu warto się skłaniać.
Przy praktycznym wyborze zacznij od danych wejściowych, które faktycznie masz. Jeśli twoje zadanie obejmuje zrzuty ekranu, zeskanowane dokumenty, diagramy, zdjęcia lub klatki wideo, Nemotron 3.5 Super VL jest jedynym z tych dwóch, który może przyjąć taki materiał bezpośrednio, więc jest domyślnym wyborem. Jeśli twoje dane wejściowe to zwykły tekst, oba są możliwe do użycia, a decyzja sprowadza się do kosztu i kontroli. Nemotron 3.5 Super VL jest tańszy zarówno na wejściu, jak i na wyjściu, co czyni go atrakcyjnym przy pracy z tekstem o dużym wolumenie, takiej jak klasyfikacja, ekstrakcja, streszczanie i masowe generowanie. Beam 1.0 501B A23B warto rozważyć, gdy chcesz mieć wyraźną kontrolę nad tym, ile rozumowania wykonuje model, ponieważ reasoning_effort jest dostępny tam, a nie w modelu NVIDIA. Poza tym oba są wystarczająco bliskie pod względem długości kontekstu i obsługiwanych parametrów, że każdy z nich poradzi sobie z długimi dokumentami, wywołaniami narzędzi i ustrukturyzowanym wynikiem.
Wywoływanie któregokolwiek z tych modeli przez api14 działa tak samo, ponieważ brama udostępnia API zgodne z OpenAI. Kierujesz swojego klienta na ten sam bazowy URL, wysyłasz to samo ciało żądania w stylu chat completions i zmieniasz tylko identyfikator modelu. Użyj "nvidia/nemotron-3.5-super-vl", gdy chcesz model NVIDIA, oraz "reflection/beam-1.0-501b-a23b", gdy chcesz model Reflection. Wszystko inne w żądaniu, w tym messages, tools, response_format i parametry próbkowania, pozostaje bez zmian, z zastrzeżeniem powyższych list parametrów. Oznacza to, że możesz przełączać się między nimi do porównania lub awaryjnego działania, edytując pojedynczy ciąg znaków, bez przepisywania swojej integracji.
Istnieje przypadek, w którym Beam 1.0 501B A23B jest wciąż lepszym wyborem, mimo że kosztuje więcej i przyjmuje tylko tekst. Jeśli twoje obciążenie jest oparte na tekście i konkretnie potrzebujesz kontroli reasoning_effort, aby dostroić, ile wewnętrznego rozumowania wykonuje model, ten parametr występuje tylko w modelu Reflection. W takiej sytuacji dodatkowy koszt i brak wejścia obrazowego oraz wideo nie mają znaczenia, ponieważ twoje dane wejściowe to tekst, a twoim priorytetem jest sterowanie głębokością rozumowania, a nie minimalizowanie wydatków. W pozostałych przypadkach, zwłaszcza gdy chodzi o obrazy lub wideo, albo o dowolne obciążenie tekstowe, w którym decydującym czynnikiem są tańsze stawki, Nemotron 3.5 Super VL jest bardziej naturalnym domyślnym wyborem.