Nemotron 3 Superのベンチマーク性能｜Qwen3.5・GPT-OSS比較と3.5 Super・Ultraとの違い

NVIDIA Nemotron 3 Superは、2026年3月11日に公開された総1200億・活性120億パラメータ（120B-A12B）のオープンモデルです。この記事では、Hugging Faceの公式モデルカードに載っている主要な比較値を並べ、Qwen3.5-122B-A10B・GPT-OSS-120Bに勝つ項目と負ける項目、数値の読み違えが起きやすい測定条件、2026年10月に出た後継Nemotron 3.5 Superとの関係、動かすのに必要なGPUと料金までを一次情報で確かめて整理します。

まとめ：Nemotron 3 Superのベンチマークで分かることと後継との関係

• 勝つ項目：長文脈（RULER 1Mで91.75。GPT-OSS-120Bは22.30）、数学（HMMT Feb25で93.67）、SciCode、BIRD、SWE-Bench Multilingual。
• 負ける項目：Qwen3.5-122BにGPQA（79.23対86.60）・SWE-Bench（OpenHandsで60.47対66.40）・TauBench V2平均（61.15対74.53）・HLEで負け、GPT-OSS-120BにはLiveCodeBench（81.19対88.00）とArena-Hard-V2（73.88対90.26）で負けます。
• 読み方の注意：SWE-Benchはハーネスで最大6.7ポイント動き、「GPT-OSS比2.2倍」のスループットは8k入力・64k出力の条件での値です。第三者のArtificial Analysisの測定では、GPT-OSS比で1GPUあたり11%高い程度でした。
• 後継：2026年10月15日に、3 Superを初期値にしたNemotron 3.5 Super（VL）が公開されました。画像・動画入力に対応し、NVFP4版は1基のH200やDGX Sparkでも動きます。これから新しく選ぶなら3.5 Superが先に検討する候補です。
• 3 Superを選ぶ理由が残る場面：Amazon Bedrockの東京リージョンで使いたい場合や、既存の3 Super向け評価・ファインチューニング資産がある場合。ライセンスは3 SuperがNVIDIA Nemotron Open Model License、3.5 SuperとUltraはOpenMDW-1.1で別物です。

Qwen3.5-122B・GPT-OSS-120Bとのベンチマーク比較表

NVIDIAがモデルカードに掲載している比較値から、カテゴリごとに主要な項目を抜き出しました。Nemotron 3 Superの値はNVIDIAがNeMo Evaluator SDKで測ったもので、他社モデルの値は公式公表値などが混ざっています。NVIDIAが3モデルを同じ環境で並べて測った表ではない点を前提に読んでください。

Superが上回る項目：100万トークンの長文脈と数学

差が最も大きいのは長文脈です。RULERは256kで96.30、1Mでも91.75を保ち、GPT-OSS-120Bは256kで52.30、1Mで22.30まで落ちます。Qwen3.5-122Bとはどの長さでもほぼ同水準です。ただし文書を読んで答える実務寄りのAA-LCRでは58.31で、Qwen3.5（66.90）に8.59ポイント負けます。「長い文脈を保持できる」ことと「長い資料から正しく答えを組み立てる」ことは別の能力として見たほうが安全です。数学ではHMMT Feb25で93.67と3モデル中トップですが、AIME25では3位（90.21）で、得意とまでは言い切れません。

Qwen3.5-122Bに負ける項目：GPQA・SWE-Bench・TauBench

同じ規模のQwen3.5-122Bには、知識・科学推論・エージェントの主要項目で負けています。GPQAで7.37ポイント、SWE-Bench（OpenHands）で5.93ポイント、TauBench V2平均で13.38ポイントの差です。TauBenchの内訳ではTelecomが64.36対95.00と30ポイント以上離れており、ツール呼び出しを何度も重ねる業務フローでは差が出やすいと読めます。多言語のMMLU-ProXも5.70ポイント下で、日本語を含む7言語に公式対応しているとはいえ、多言語の知識問題ではQwen3.5が有利です。

GPT-OSS-120Bとの差：コード生成は負け、エージェント系は勝ち

GPT-OSS-120Bに対しては、LiveCodeBench v5（81.19対88.00）とArena-Hard-V2（73.88対90.26）で大きく負けます。単発の競技プログラミングと対話の好まれやすさはGPT-OSSが上です。一方、Terminal Bench Core 2.0（31.00対18.70）やSWE-Bench Multilingual（45.78対30.80）のようにツールを使って複数ステップで進める評価ではSuperが上回ります。GPT-OSS-120Bの性能を詳しく知りたい場合はgpt-oss-120bの性能と比較｜20b・Qwen3.5・Nemotron 3 Superとのベンチマーク、必要スペックで整理しています。

ベンチマークの比較条件：ハーネス・入出力長・推論設定

Nemotron 3 Superの数値を引用するときに読み違えやすい箇所が3つあります。どれも同じ項目名のまま条件だけが違うため、表の数字だけを比べると結論が逆になることがあります。

SWE-Benchのハーネス別スコア差：最大6.74ポイント

モデルカードはSWE-Bench Verifiedを3種類のエージェント・ハーネスで載せています。OpenHandsで60.47、OpenCodeで59.20、OpenAIのCodexで53.73です。同じモデルでも最大6.74ポイント違い、Qwen3.5-122B側も66.40・67.40・61.20と動きます。GPT-OSS-120Bの41.9はOpenHandsでの値で、OpenAI自身がgpt-ossのモデルカード（arXiv:2508.10925）で公表している62.4（high）とは20ポイント以上離れています。「SuperがSWE-BenchでGPT-OSSに勝つ」と書く記事は、このハーネスの違いを無視していることがあります。比べるときは、ハーネス名に加え、バージョン、プロンプト、ツール、推論予算、試行回数がそろっているかも確認してください。

スループット「GPT-OSS比2.2倍」は8k入力・64k出力での値

NVIDIAの技術レポートは、B200でGPT-OSS-120B比最大2.2倍、Qwen3.5-122B比最大7.5倍のスループットを示しています。条件は入力8kトークン・出力64kトークンで、vLLMとTensorRT-LLMのうち速いほうの値を採っています。精度はGPT-OSSがMXFP4重み、Qwen3.5はBF16（16ビット）です。7.5倍には、モデルの構造の差だけでなく、重みの精度の差も含まれています。

第三者のArtificial Analysisが8基のB200とvLLM 0.17.0で、入力50k・出力2k、投機的デコーディングなしという条件で測った結果は、NVFP4版のSuperがMXFP4版のGPT-OSS-120Bより1GPUあたり11%高く、Qwen3.5-122BはSuperより40%低いというものでした。入出力長に加え、推論エンジン、並列化、バッチ条件、投機的デコーディングの有無なども異なり、GPT-OSSとの倍率はNVIDIAの測定で最大2.2倍、Artificial Analysisの測定で1.11倍でした。自社のワークロードに近い条件で測るまで、カタログの倍率はコスト試算に使わないほうが安全です。量子化形式そのものの違いは量子化（モデル量子化）とは？仕組み・PTQとQATの違いと実装判断を解説【2026年版】で解説しています。

第三者評価のIntelligence Indexは36、出力トークン数はgpt-ossの約1.4倍

Artificial Analysisの公開時の評価（Intelligence Index v4）は36で、gpt-oss-120b（33）より上、Qwen3.5-122B（42）より下でした。評価は3つある推論モードのうち最も深い「regular」で行われ、指標の計算に出力1億1000万トークンを使っています。これはgpt-oss-120b（high）より約40%多い量です。料金の単価が安くても、推論モードのまま使うと出力トークン数でその差が埋まることがあります。この指標は版の改定でスコアの尺度が変わるため、集計サイトに載っている別の数値と36を混ぜて比べないでください。

ベンチマークを生む設計：Mamba-2・LatentMoE・MTPとNVFP4

Mamba-2・LatentMoE・注意層による長文脈処理の構成

Superは88層のうち大半をMamba-2（状態空間モデル）で構成し、注意層を選んで挟み込んでいます。Mamba-2は系列長に対して計算量が線形で、生成時の状態サイズも一定なので、長文脈処理のメモリ負荷を抑えられます。RULERでの精度には、注意層との組み合わせや長文脈学習も関係します。エキスパートの層はLatentMoEで、各層512個のエキスパートから22個を選んで動かします。モデル次元4096を1024の潜在次元に圧縮してからルーティングするため、GPU間の通信量が減ります。MoEの基本的な仕組みはMoE（Mixture of Experts）とは？疎活性化とルーターの仕組み・VRAM要件と採用判断を実装者向けに解説を参照してください。

MTPの受理長は3.45、2026年8月公開のMTPv2で4.31

Superは複数のトークンを先読みするMulti-Token Prediction（MTP）のヘッドを内蔵しており、追加の下書きモデルなしで投機的デコーディングができます。技術レポートでは、下書き長7で平均受理長3.45でした。2026年8月11日には差し替え用のMTPv2ヘッドが公開され、同じ条件（SPEED-Bench・下書き長7・temperature 0）で受理長が4.31に伸びています。MTPv2は本体の重みを変えずにヘッドだけを差し替えるため、検証付きの投機的デコーディングで出力品質を維持しながら高速化を狙えますが、実際の速度向上はGPU、同時実行数、文脈長、推論設定に依存します。仕組みはMTP（Multi-Token Prediction）とは？LLMの複数トークン予測の仕組みと投機的デコーディングでの使い方で解説しています。

25兆トークンをNVFP4で事前学習し、NVFP4版の精度は中央値99.8%

事前学習は20兆トークンと5兆トークンの2フェーズ、合計25兆トークンで、行列演算の大半を4ビット浮動小数点のNVFP4で行っています。その後のSFTと、NeMo Gymを使った21環境・37データセットでの強化学習で、エージェント向けに仕上げました。公開中のNVFP4版の精度は、技術レポートによるとBF16版比で中央値99.8%です。学習データのうちNemotron-CC-v2は9.13兆トークン、Nemotron-CC-Code-v1は4279億トークンで、どちらもHugging Faceで公開されています。

Nemotron 3.5 Super・Nemotron 3 Ultraとの違いと選び方

2026年10月31日時点で、Superの名前を持つモデルは2世代あり、上位にはUltraがあります。仕様は次のとおりです。

必要GPUと公開日は各モデルカード（3.5 Super VL・3 Ultra）、単価はOpenRouterのAPIで2026年10月31日に取得した提供元別の単価の幅です。同日時点で、3 Superの無料版（:free）はOpenRouterのモデル一覧に無く、提供元も0件でした。3.5 Super VLにはNVIDIAが提供する無料版があります。

3.5 Superは3 Superを初期値にUltraから蒸留した後継

Nemotron 3.5の技術レポートによると、3.5 Superは3 SuperのBaseを初期値にし、Ultra 3のBaseを教師として1兆トークンの蒸留を行い、その後にソフトウェアエンジニアリング向けの中間学習と画像・動画の学習を加えています。SWE-bench Proでは51.78を記録し、活性パラメータが約4.6倍あるNemotron 3 Ultra（49.66）を上回ったとしています。

3 Superと3.5 Superのカードは評価環境が違うため（3 SuperはNeMo Evaluator、3.5 SuperはNeMo Gym）、スコアを直接引き算することはできません。以下では各評価環境内のQwen3.5-122B-A10Bとの差を併記します。ただし、基準モデルとの差を取っても評価条件の違いは解消されず、世代間の改善幅は算定できません。

3.5 Superの評価では、Qwen3.5に対してGPQAとtau2 Airlineで上回り、SWE-bench Verifiedは近い値です。ただし、tau2 Telecomでは約14ポイント下回っており、この弱点は残っています。Qwen3.5側の値も表によって違う（SWE-bench OpenCodeで67.40と71.87）ので、この差は目安として扱ってください。

3 Superを使い続けてよい条件

新しく採用するなら3.5 Superを先に評価すべきです。同じ120B-A12Bで、各評価環境のQwen3.5との差が縮まっており、NVFP4版はB200がなくても1基のH200や2基のH100で動きます。そのうえで、次のどれかに当てはまる場合は3 Superを使い続ける理由になります。

• Amazon Bedrockの東京リージョン（ap-northeast-1）でマネージドに使いたい。AWSのモデルカードでは、3 Super（モデルID nvidia.nemotron-super-3-120b）は東京を含む17リージョンでIn-Region提供されています。ただしBedrockでのコンテキスト長は256Kです。
• 3 Superで評価・LoRAファインチューニング済みのパイプラインがあり、モデル更新に伴う再評価のコストが大きい。
• 社内の法務審査をNemotron Open Model Licenseで通しており、OpenMDW-1.1で審査をやり直す余裕がない。

反対に、画像やPDFのページ画像を直接入力する用途には3 Superは対応しません。SWE系の精度を優先する新規導入では、3.5 Superを先に評価してください。3 Superを既定モデルとして組み込んでいるエージェント基盤についてはNVIDIA NemoClawとは？OpenClawとの違い・WSL導入手順とポリシー設定で扱っています。

推論モードとreasoning_budgetの設定方法

Superは1つのデプロイで3つの推論モードを切り替えられます。チャットテンプレートのenable_thinkingで推論のオン・オフを切り替え、low_effortを足すと思考を短く抑えたモードになります。モデルカードは、推論・ツール呼び出し・通常のチャットのすべてでtemperature=1.0、top_p=0.95を使うよう指示しています。Unslothの実行ガイドには「チャットはtop_p=1.0、ツール呼び出しはtemperature=0.6」という別の推奨が載っていますが、vLLMやSGLangで動かす場合は現行のモデルカードに合わせてください。

from openai import OpenAI

client = OpenAI(base_url="http://localhost:8000/v1", api_key="EMPTY")

def ask(prompt, mode="on"):
    kwargs = {"enable_thinking": mode != "off"}
    if mode == "low":
        kwargs["low_effort"] = True
    return client.chat.completions.create(
        model="nvidia/nemotron-3-super",
        messages=[{"role": "user", "content": prompt}],
        temperature=1.0,
        top_p=0.95,
        extra_body={"chat_template_kwargs": kwargs},
    )

print(ask("このPRの差分で壊れそうな箇所を挙げて", mode="low").choices[0].message.content)

思考の長さの上限はreasoning_budgetで指定します。上限の手前で改行が来たところで思考を閉じ、500トークン以内に改行がなければ「reasoning_budget＋500」の位置で打ち切る、という仕様です。カードのサンプルでは、思考部分をmax_tokens=reasoning_budgetで生成してから回答を続けて生成する2段階の呼び出しになっています。そのためmax_tokensはreasoning_budgetより大きくしてください。コーディングエージェントで使うときは、空の応答を防ぐためにforce_nonempty_content: Trueをチャットテンプレートの引数に足すよう、カードに注記があります。

Nemotron 3 Superを動かすのに必要なGPUと起動手順

チェックポイント別の必要GPU

Hugging Faceには3種類の精度のチェックポイントがあり、必要なGPUの数がそれぞれ違います。2026年7月版のこの記事では「最小構成は8基のH100」とだけ書いていましたが、それはBF16版の要件です。FP8版は2基のH100で動きます。

BF16の重みだけでも約240GB（120B×2バイトの概算）あり、これにKVキャッシュとMamba-2の状態キャッシュが加わります。3 Superのカードの最小構成にRTX PRO 6000は挙がっていません。一方、3.5 SuperのNVFP4版のカードには「1×RTX PRO 6000」が明記されているので、ワークステーション1台で動かしたい場合は3.5 Superが候補になります。

vLLMでBF16版を起動するコマンド

モデルカードに載っているvLLM 0.18.1向けのコマンドです。8基のH100でテンソル並列とエキスパート並列を組み合わせ、コンテキスト長は256kに設定しています。

pip install vllm==0.18.1

vllm serve nvidia/NVIDIA-Nemotron-3-Super-120B-A12B-BF16 \
  --served-model-name nvidia/nemotron-3-super \
  --async-scheduling \
  --dtype auto \
  --kv-cache-dtype fp8 \
  --tensor-parallel-size 8 \
  --enable-expert-parallel \
  --max-model-len 262144 \
  --swap-space 0 \
  --trust-remote-code \
  --gpu-memory-utilization 0.9 \
  --max-cudagraph-capture-size 128 \
  --enable-chunked-prefill \
  --mamba-ssm-cache-dtype float32 \
  --reasoning-parser nemotron_v3 \
  --enable-auto-tool-choice \
  --tool-call-parser qwen3_coder

100万トークンまで使う場合は、環境変数VLLM_ALLOW_LONG_MAX_MODEL_LEN=1を設定し、--max-model-len 1048576に変えます。B200で動かす場合は--tensor-parallel-size 2にして--enable-expert-parallelを外します。Mamba-2の状態キャッシュの型はBF16版のコマンドではfloat32ですが、NVFP4版のカードではfloat16を使い、別途配布の推論パーサーsuper_v3_reasoning_parser.pyを読み込みます。精度ごとにカードのコマンドをそのまま使うのが確実です。TensorRT-LLMで低レイテンシ運用する場合の考え方はTensorRT-LLMとは？NVIDIA GPUでのLLM推論高速化の仕組みと採用判断を解説【2026年版】にまとめています。

APIで試す：build.nvidia.com・OpenRouter・Amazon Bedrock

GPUを用意せずに試す場合は、NVIDIAのAPIカタログ（build.nvidia.com）から無料のAPIキーを発行し、OpenAI互換のベースURLhttps://integrate.api.nvidia.com/v1にモデル名nvidia/nemotron-3-super-120b-a12bを指定するのが最短です。上のPythonコードでは、base_urlとmodelに加え、api_key="EMPTY"を発行済みのNVIDIA APIキーに差し替えてください。推論モードの追加引数は、接続先APIの対応仕様に合わせて設定します。2026年10月31日時点で、このカタログには3.5 Super VLと3 Ultraも並んでいます。本番で使う場合は、OpenRouter経由の従量課金か、Amazon Bedrockのbedrock-runtimeエンドポイント（OpenAI互換のbedrock-mantleエンドポイントもあります）から選びます。

ライセンスと導入判断

Nemotron Open Model Licenseの終了条項は特許・著作権訴訟の1点

3 SuperのNVIDIA Nemotron Open Model License（2025年12月15日改定版）は、商用利用・派生モデルの作成・再配布を認めています。ライセンスが終了するのは、モデルやその出力が特許または著作権を侵害しているとして訴訟を起こした場合です。一部の海外記事には「安全ガードレールを外すとライセンスが終了する」という説明がありますが、現行のライセンス本文にガードレールに関する条項はありません。再配布するときは、ライセンスの写しを添付し、著作権表示とNOTICEファイルを残す義務があります。3.5 SuperとUltraはOpenMDW-1.1という別のライセンスで公開されているため、3 Superから移行する場合は改めて法務の確認が必要です。

3 Superを選ぶ場面と避ける場面

3 Superは、既存のH100クラスタで100万トークン近い文脈を扱う場合や、256Kトークン以内の文脈をBedrock東京で扱う場合に候補になります。RULERの数値が示すとおり長文脈を保持する力はQwen3.5と並び、GPT-OSSより大きく上です。ログやコードベース全体から計画を立てる用途では、RULERだけで判断せず、実データで情報抽出の正確性と計画の実行成功率を評価してください。

避けるべきなのは次の3つの場面です。1つ目は単発のコード生成や対話の品質が最優先の場合で、GPT-OSS-120Bのほうが上です。2つ目は科学知識や多言語の知識問題が中心の場合で、Qwen3.5-122Bが上です。3つ目は新しく導入する場合で、同じサイズの3.5 Superのほうが、Qwen3.5との差が小さい評価になっています。Qwen3.5系の各モデルの比較はQwen3.5-397B-A17Bとは｜必要VRAM・GGUFサイズ・商用利用・API料金とQwen3.5全モデル一覧で確認できます。どのオープンモデルを社内のどの業務に当てるかの評価設計から相談したい場合は、生成AI導入支援で検証環境の構築から対応しています。

よくある質問

Nemotron 3 Superのベンチマークで最も強い項目は何ですか？

長文脈です。RULER 1Mで91.75を記録し、GPT-OSS-120B（22.30）を大きく上回り、Qwen3.5-122B（91.33）ともほぼ同じです。数学のHMMT Feb25でも93.67と3モデル中トップです。

Nemotron 3 SuperとQwen3.5・GPT-OSSはどれが優れていますか？

用途によって変わります。RULERではSuperがGPT-OSSを大きく上回ってQwen3.5と近い値、Terminal Bench Core 2.0ではSuperがGPT-OSSを上回ります。一方、GPQAやTauBenchなど知識・エージェント評価ではQwen3.5-122B、LiveCodeBenchや対話品質ではGPT-OSS-120Bが上です。SWE-Benchはハーネスで数値が変わるため、同じハーネスどうしで比べてください。

Nemotron 3 SuperとNemotron 3.5 Superの違いは何ですか？

3.5 Superは3 Superを初期値にし、Ultraから蒸留して2026年10月15日に公開された後継です。パラメータ数は同じ120B-A12Bですが、画像・動画の入力に対応し、カード上のQwen3.5との差はGPQAやSWE-Benchで縮まっています（評価環境が違うため目安）。ライセンスはOpenMDW-1.1に変わっています。

Nemotron 3 SuperのNVFP4版はどのGPUで動きますか？

モデルカードの最小構成は1基のB200、または1台のDGX Sparkです。NVFP4はBlackwell世代向けの形式で、H100で動かす場合はFP8版（2基）かBF16版（8基）を使います。

Nemotron 3 Superは無料で使えますか？

重みは無料でダウンロードでき、商用利用もできます。APIはbuild.nvidia.comで無料キーを発行すれば試せます。2026年10月31日にOpenRouterのAPIで確認したところ、3 Superの無料版はモデル一覧に無く、有料の提供元だけでした。無料版の有無は時期で変わるので、利用前に確認してください。

関連記事

• gpt-oss-120bの性能と比較｜20b・Qwen3.5・Nemotron 3 Superとのベンチマーク、必要スペック
• Qwen3.5-397B-A17Bとは｜必要VRAM・GGUFサイズ・商用利用・API料金とQwen3.5全モデル一覧
• MoE（Mixture of Experts）とは？疎活性化とルーターの仕組み・VRAM要件と採用判断を実装者向けに解説
• MTP（Multi-Token Prediction）とは？LLMの複数トークン予測の仕組みと投機的デコーディングでの使い方
• NVIDIA NemoClawとは？OpenClawとの違い・WSL導入手順とポリシー設定