أطلق مختبر Nanbeige LLM Lab Nanbeige4.3-33B على Hugging Face بموجب ترخيص Apache 2.0. نموذج Nanbeige4.3-33B هو نموذج لغوي كثيف بحجم 33B مصمم لمهام البرمجة الوكيلية ومهام العمل المشترك بأسلوب المكتب. ويقع المختبر داخل منصة التوظيف BOSS Zhipin. كما نشر Nanbeige4.3-33B-Base للتدريب اللاحق المخصص. يدعم النموذج نافذة سياق بحجم 524,288 رمزاً. وفي جدول المختبر الخاص، يتصدّر 17 من أصل 20 معياراً مقابل 3 نماذج مفتوحة قريبة من 30B.
TL;DR
- الحجم: 33B معلمة، كثيف (بدون MoE)، سياق 524,288 رمزاً (512K)، أوزان BF16.
- يعمل على: خوادم متعددة وحدات معالجة الرسومات. تستخدم وصفات SGLang وvLLM الخاصة بالبطاقة موازاة توترية بمقدار 4 اتجاهات. تحتاج أوزان BF16 إلى نحو 66 GB (حسابنا). تم إدراج 1 تكميماً مجتمعياً.
- الأداء: يتصدّر 17 من أصل 20 صفاً في مقارنة نانبيجي الخاصة مقابل Qwen3.8-27B وMuse-Glimmer-30B وGemma4-31B.
- الأفضل: 80.9 في Terminal-Bench 2.1، مقابل 73.0 لـ Qwen3.8-27B.
- الأضعف: 23.8 في Terminal-Bench 4.0 (أدنى نتيجة له). كما يتأخر عن Qwen3.8-27B في SWE-Bench Pro، بنسبة 60.3 مقابل 61.7.
ما هو Nanbeige4.3-33B؟
Nanbeige4.3-33B هو نموذج ‘المعلم’ الرائد في سلسلة Nanbeige4.3. استراتيجية المختبر المعلنة هي بناء معلم قوي أولاً، ثم تخطط لاستخلاص المهارات الوكيلية في نماذج أصغر، بدءاً من Nanbeige4.3-3B.
كيف بُني Nanbeige4.3-33B؟
يُعلن ملف config.json عن بنية LlamaForCausalLM قياسية. ولا يوجد توجيه خبيراء، لذا تعمل جميع معلمات الـ 33B على كل رمز.
- 52 طبقة، وحجم مخفي 7,168
- 56 رأس استعلام و8 رؤوس مفتاح-قيمة (انتباه مجموعة الاستعلامات)، وبُعد الرأس 128
- حجم الطبقة الوسطى FFN يبلغ 22,016، ومفردات مكوّنة من 166,912 رمزاً
- قيمة RoPE theta تبلغ 120,000,000 و524,288 موقعاً كحد أقصى
يوفّر قالب المحادثة 3 عناصر تحكم. enable_thinking يبدّل الاستدلال وهو مفعّل افتراضياً. preserve_thinking يحافظ على الاستدلال من الأدوار السابقة. توصي Nanbeige به للاستخدام متعدد الأدوار مع الأدوات ووكلاء الشيفرة. تمرير tools يُفعّل استدعاء الأدوات، ويوصى بتنسيق استدعاء بصيغة XML.
كيف يؤدي Nanbeige4.3-33B في المعايير المرجعية؟
قارنت Nanbeige النموذج مع Qwen3.8-27B وMuse-Glimmer-30B وGemma4-31B. شُغّل كل نموذج بأعلى مستوى جهد تفكير لديه، مع معاملات فائقة وأدوات اختبار مشتركة. جميع الدرجات في هذا القسم مُبلّغ عنها ذاتياً.
- البرمجة الوكيلة: سجّل 80.9 في Terminal-Bench 2.1، مقابل 73.0 لـ Qwen3.8-27B. ويُظهر DeepSWE أوسع فجوة: 65.5 مقابل 42.5. في Terminal-Bench 4.0، سجّل 23.8 بينما سجّل Gemma4-31B 0.0.
- العمل الجماعي الوكيل: سجّل 54.2 في Automation Bench مقابل 38.3، و44.8 في JobBench مقابل 34.5. في YC-bench، تبلغ الأرباح المحاكاة 1,025,437 دولاراً مقابل 641,290 دولاراً.
- الاستدلال: أبلغ عن 95.2 في AIME 2026 و84.0 في AA-LCR.
يخسر 3 صفوف من أصل 20. يتصدر Qwen3.8-27B معيار SWE-Bench Pro (61.7 مقابل 60.3) وGDPval (86.4 مقابل 84.8). ويتصدر Gemma4-31B معيار GPQA Diamond في جدول Nanbeige، بنتيجة 91.3 مقابل 89.5.
النموذج الأساس يتفوق على Gemma4-31B-Base في جميع المهام الـ 8 المُبلّغ عنها. من الأمثلة على ذلك MMLU-Pro (66.9 مقابل 59.3) وGPQA (62.0 مقابل 41.5).
رجوع</button><button class="btn" id="nbgNext">الخطوة التالية </button><button class="btn ghost" id="nbgPlay">تشغيل تلقائي</button></div> <div class="spec"> <div><b>52</b><span>طبقة</span></div> <div><b>56 / 8</b><span>رؤوس الاستعلام / KV (GQA)</span></div> <div><b>7,168</b><span>الحجم الخفي</span></div> <div><b>524,288</b><span>أقصى عدد للمواضع</span></div> </div> </div> <div class="pane" id="p2"> <div class="seg" id="nbgSeg"> <button class="on" data-c="coding">البرمجة الوكيلة</button> <button data-c="cowork">العمل المشترك الوكيل</button> <button data-c="reason">الاستدلال</button> <button data-c="base">النموذج الأساسي</button> </div> <div class="legend" id="nbgLegend"></div> <div id="nbgBars"></div> <p class="note">جميع الدرجات مُبلَّغ عنها ذاتياً من Nanbeige على بطاقات نماذجها في Hugging Face، وبأعلى جهد تفكير لكل نموذج وباستخدام أدوات اختبار مشتركة. لم يتم التحقق منها بشكل مستقل.</p> </div> <div class="pane" id="p3"> <div class="calc"> <div> <div class="field"><label>طول السياق <b id="nbgCtxL">131,072 توكناً</b></label><input type="range" id="nbgCtx" min="0" max="6" step="1" value="4"></div> <div class="field"><label>التسلسلات المتزامنة <b id="nbgSeqL">1</b></label><input type="range" id="nbgSeq" min="1" max="8" step="1" value="1"></div> <div class="seg" id="nbgW"><button class="on" data-w="2">الأوزان BF16</button><button data-w="1">الأوزان 8-bit</button></div> <div class="seg" id="nbgK"><button class="on" data-k="2">ذاكرة KV المؤقتة BF16</button><button data-k="1">ذاكرة KV ذاكرة KV المؤقتة FP8</button></div> <p class="note">الحساب من config.json: 52 طبقة × 8 رؤوس KV × 128 بُعداً × 2 (K و V) × البايتات لكل قيمة. أي 212,992 بايت (حوالي 208 KiB) لكل توكن في BF16. تستخدم الأوزان 33B معاملاً. لا تشمل التنشيطات ولا الحمل الإضافي للإطار البرمجي.</p> </div> <div class="stack"> <div class="kv"><span>ذاكرة GPU المقدَّرة</span></div> <div class="total" id="nbgTot">0 GB</div> <div class="stackbar"><i id="nbgBw" style="background:#5fd3bd"></i><i id="nbgBk" style="background:#7c8cf8"></i></div> <div class="kv"><span><i style="display:inline-block;width:9px;height:9px;background:#5fd3bd;border-radius:2px"></i> الأوزان</span><b id="nbgWv"></b></div> <div class="kv"><span><i style="display:inline-block;width:9px;height:9px;background:#7c8cf8;border-radius:2px"></i> ذاكرة KV المؤقتة</span><b id="nbgKv"></b></div> <div class="kv"><span>لكل GPU بسعة 80 GB (توافق مثالي)</span><b id="nbgGpu"></b></div> <p class="note">تستخدم وصفات SGLang و vLLM في بطاقة النموذج توازٍ موتري رباعي الاتجاهات (4-way tensor parallelism).</p> </div> </div> </div> <div class="pane" id="p4"> <table> <tr><th>الصف في جدول Nanbeige</th><th>ما ذكرته Nanbeige</th><th>البطاقة الرسمية</th><th></th></tr> <tr><td>Muse-Glimmer-30B، SWE-Bench Pro</td><td class="bad">36.9</td><td>51.2 (Meta)</td><td><span class="flag">يبدو أنها معكوسة</span></td></tr> <tr><td>Gemma4-31B، SWE-Bench Pro</td><td class="bad">51.2</td><td>36.9 (حسب Meta)</td><td><span class="flag">يبدو أنها معكوسة</span></td></tr> <tr><td>Gemma4-31B، GPQA Diamond</td><td class="bad">91.3</td><td>84.3 (Google)</td><td><span class="flag">تعارض</span></td></tr> <tr><td>Muse-Glimmer-30B، Terminal-Bench 2.1</td><td class="bad">61.8</td><td>51.7 (Meta)</td><td><span class="flag">أداة الاختبار؟</span></td></tr> <tr><td>Qwen3.8-27B، GPQA Diamond</td><td>89.2</td><td>89.2 (Qwen)</td><td>تطابق</td></tr> <tr><td>Muse-Glimmer-30B، AIME 2026</td><td>94.7</td><td>94.7 (Meta)</td><td>تطابق</td></tr> </table> <p class="note">أعادت Nanbeige تشغيل كل نموذج باستخدام أدواتها الخاصة، وهو ما يفسر بعض الفجوات. قيود أخرى: الإدخال نصي فقط، وحوسبة كثيفة على كل توكن، ولم يتم إطلاق Nanbeige4.3-3B بعد.</p> </div> <div class="ft"><span>المصادر: <a href="https://huggingface.co/Nanbeige/Nanbeige4.3-33B" target="_blank" rel="noopener">بطاقة نموذج Nanbeige</a> · <a href="https://huggingface.co/Nanbeige/Nanbeige4.3-33B-Base" target="_blank" rel="noopener">البطاقة الأساسية</a> · بطاقات HF للمنافسين</span><span class="brand">© Marktechpost</span></div> </div> <script> (function(){ var R=document.getElementById('mtp-nbg43'); function resize(){try{parent.postMessage({type:'mtp-nbg43-resize',height:R.offsetHeight+40},'*')}catch(e){}} // tabs R.querySelectorAll('.tab').forEach(function(t){t.addEventListener('click',function(){ R.querySelectorAll('.tab').forEach(function(x){x.classList.remove('on')});t.classList.add('on'); R.querySelectorAll('.pane').forEach(function(p){p.classList.remove('on')}); document.getElementById(t.dataset.p).classList.add('on'); if(t.dataset.p==='p2')drawBars(cur); setTimeout(resize,50);setTimeout(resize,400); })}); // flow var steps=[ '<b>النموذج الأساسي.</b> النموذج Nanbeige4.3-33B-Base هو نقطة فحص dense من نوع LlamaForCausalLM. أفادت Nanbeige بأنه يتفوق على Gemma4-31B-Base في جميع المهام الـ 8 المدرجة، على سبيل المثال MMLU-Pro 66.9 مقابل 59.3.', '<b>الوكيل المعلّم.</b> ينفّذ النموذج بعد التدريب عملية التفكير افتراضيًا (<code>enable_thinking</code>). يحافظ <code>preserve_thinking</code> على الاستدلال السابق للاستخدام متعدد الأدوار للأدوات. توصي Nanbeige بتنسيق استدعاء الأدوات XML.', '<b>هيكل الوكيل.</b> قيّمت Nanbeige النموذج في Terminus 2 وmini-swe-agent v2.4.6 وهيكل Claude Code. معايرة أخذ العينات الموصى بها للوكيل: درجة الحرارة 1.0، وtop_p 0.95، وبحد أقصى 65,536 رمزًا جديدًا.', '<b>التقطير.</b> نموذج 33B هو المعلّم لسلسلة Nanbeige4.3. الطالب الأول المخطط له هو Nanbeige4.3-3B. لا يُذكر أي تاريخ لإصدار النموذج.' ]; var s=0,timer=null; function setStep(i){s=(i+4)%4;R.querySelectorAll('.node').forEach(function(n,k){n.classList.toggle('on',k<=s)}); document.getElementById('nbgRail').style.width=((s+1)*25)+'%';document.getElementById('nbgDetail').innerHTML=steps[s];resize()} R.querySelectorAll('.node').forEach(function(n){n.addEventListener('click',function(){stop();setStep(+n.dataset.s)})}); function stop(){if(timer){clearInterval(timer);timer=null;document.getElementById('nbgPlay').textContent='تشغيل تلقائي'}} document.getElementById('nbgNext').onclick=function(){stop();setStep(s+1)}; document.getElementById('nbgPrev').onclick=function(){stop();setStep(s-1)}; document.getElementById('nbgPlay').onclick=function(){if(timer){stop();return}this.textContent='إيقاف مؤقت';timer=setInterval(function(){setStep(s+1)},2200)}; setStep(0); // bars var M={n:['Nanbeige4.3-33B','#5fd3bd'],q:['Qwen3.8-27B','#7c8cf8'],m:['Muse-Glimmer-30B','#f0a35e'],g:['Gemma4-31B','#6aa9f4']}; var D={ coding:[['Terminal-Bench 2.1',80.9,73.0,61.8,47.2],['DeepSWE',65.5,42.5,4.4,2.7],['SWE-Bench Pro',60.3,61.7,36.9,51.2],['SkillsBench',61.1,56.4,39.7,28.9],['Terminal-Bench 4.0',23.8,6.3,1.6,0.0]], cowork:[['معيار الأتمتة',54.2,38.3,15.2,9.7],['JobBench',44.8,34.5,16.6,9.0],['GDPval',84.8,86.4,75.8,71.4],['Toolathlon-Verified',70.4,68.5,47.2,27.8],['DeepPlanning',63.3,49.2,21.4,19.4]], reason:[['AIME 2026',95.2,94.5,94.7,89.2],['GPQA Diamond',89.5,89.2,83.5,91.3],['AA-LCR',84.0,82.0,83.3,72.0]], base:[['MMLU-Pro',66.9,null,null,59.3],['GPQA',62.0,null,null,41.5],['GSM8K',92.9,null,null,88.9],['Math',57.3,null,null,43.6],['CMMLU',86.8,null,null,76.9]] }; var cur='coding'; function drawBars(c){cur=c;var keys=c==='base'?['n','g']:['n','q','m','g']; var names=c==='base'?{n:'Nanbeige4.3-33B-Base',g:'Gemma4-31B-Base'}:{}; document.getElementById('nbgLegend').innerHTML=keys.map(function(k){return '<span><i style="background:'+M[k][1]+'"></i>'+(names[k]||M[k][0])+'</span>'}).join(''); var idx={n:1,q:2,m:3,g:4},h=''; D[c].forEach(function(r){h+='<div class="bench"><div class="bn">'+r[0]+'</div>'; keys.forEach(function(k){var v=r[idx[k]];h+='<div class="brow'+(k==='n'?' me':'')+'"><span class="lb">'+(names[k]||M[k][0])+'</span><div class="track"><div class="fill" data-w="'+v+'" style="background:'+M[k][1]+'"></div></div><span class="v">'+v.toFixed(1)+'</span></div>'}); h+='</div>'}); var box=document.getElementById('nbgBars');box.innerHTML=h; requestAnimationFrame(function(){requestAnimationFrame(function(){box.querySelectorAll('.fill').forEach(function(f){f.style.width=f.dataset.w+'%'})})}); resize();setTimeout(resize,300)} R.querySelectorAll('#nbgSeg button').forEach(function(b){b.onclick=function(){R.querySelectorAll('#nbgSeg button').forEach(function(x){x.classList.remove('on')});b.classList.add('on');drawBars(b.dataset.c)}}); drawBars('coding'); // حساب var CT=[8192,16384,32768,65536,131072,262144,524288],wb=2,kb=2; function fmt(n){return n.toLocaleString('en-US')} function calc(){var ctx=CT[+document.getElementById('nbgCtx').value],seq=+document.getElementById('nbgSeq').value; document.getElementById('nbgCtxL').textContent=fmt(ctx)+' رمز';document.getElementById('nbgSeqL').textContent=seq; var w=33e9*wb/1e9,kv=52*8*128*2*kb*ctx*seq/1e9,t=w+kv; document.getElementById('nbgTot').textContent=t.toFixed(1)+' جيجابايت'; document.getElementById('nbgWv').textContent=w.toFixed(1)+' جيجابايت';document.getElementById('nbgKv').textContent=kv.toFixed(1)+' جيجابايت'; document.getElementById('nbgGpu').textContent=Math.ceil(t/80)+' × 80 جيجابايت'; document.getElementById('nbgBw').style.width=(w/t*100)+'%';document.getElementById('nbgBk').style.width=(kv/t*100)+'%'} ['nbgCtx','nbgSeq'].forEach(function(id){document.getElementById(id).addEventListener('input',calc)}); R.querySelectorAll('#nbgW button').forEach(function(b){b.onclick=function(){R.querySelectorAll('#nbgW button').forEach(function(x){x.classList.remove('on')});b.classList.add('on');wb=+b.dataset.w;calc()}}); R.querySelectorAll('#nbgK button').forEach(function(b){b.onclick=function(){R.querySelectorAll('#nbgK button').forEach(function(x){x.classList.remove('on')});b.classList.add('on');kb=+b.dataset.k;calc()}}); calc(); window.addEventListener('load',resize);window.addEventListener('resize',resize);setTimeout(resize,200); })(); </script> </body></html> " style="width:100%!important;height:600px;border:0!important;background:transparent!important;display:block;" loading="lazy">كيف يقارن ببطاقات النماذج الخاصة بالمنافسين أنفسهم؟
| المواصفات | Nanbeige4.3-33B | Qwen3.8-27B | Muse-Glimmer-30B | Gemma 4 31B |
|---|---|---|---|---|
| المطوّر | مختبر Nanbeige LLM (BOSS Zhipin) | Qwen (علي بابا) | مختبر Meta للذكاء فائق (Meta Superintelligence Lab) | Google DeepMind |
| عدد المعاملات | نموذج مكثّف بحجم 33B | نموذج لغوي مكثّف بحجم 27B مع مشفّر رؤية | حوالي 29.6B مكثّف، بما في ذلك حوالي 1.8B لمشفّر الرؤية | 30.7B مكثّف |
| السياق | 524,288 | 262,144 أصلياً، وحتى 1M | 131,072+ | 256K |
| نمط الإدخال | النص | النص والصورة والفيديو | النص والصورة | النص والصورة |
| الرخصة | Apache 2.0 | Apache 2.0 | Apache 2.0 | Apache 2.0 |
| Terminal-Bench 2.1 | 80.9* | 73.0 | 51.7 | غير معلن |
| SWE-Bench Pro | 60.3* | 61.7 | 51.2 | غير معلن |
| GPQA Diamond | 89.5* | 89.2 | 83.5 (AA) | 84.3 |
| AIME 2026 | 95.2* | غير معلن | 94.7 | 89.2 |
| إرشادات العتاد المحلي | وصفة التوازي بالموتر على 4 وحدات معالجة رسومات | غير معلن | ذاكرة VRAM بسعة 24 جيجابايت أو 32 جيجابايت بدقة ~4-bit | وحدات معالجة رسومات استهلاكية ومحطات عمل |
*حسب التصريح الذاتي من Nanbeige. قيم المنافسين مأخوذة من بطاقة نموذج Hugging Face الخاصة بكل مختبر.
بعض أرقام المنافسين في جدول Nanbeige تختلف عما تنشره تلك المختبرات:
- Meta تذكر أن Muse-Glimmer-30B حقق 51.2 على SWE-Bench Pro وأن Gemma4-31B حقق 36.9. بينما يسرد Nanbeige العكس.
- Google تدرج Gemma 4 31B بنتيجة 84.3 على GPQA Diamond. ويظهر جدول Nanbeige النتيجة 91.3.
- تفيد Meta بأن Muse-Glimmer-30B حقق 51.7 على Terminal-Bench 2.1. وقد قاسه Nanbeige بنسبة 61.8.
تختلف أدوات الاختبار المستخدمة، وهو ما يفسر بعض الفجوات. ويبدو أن ثنائي SWE-Bench Pro قد تبادل مكاناه. تعامل مع هذه الصفوف كأنها مؤقتة إلى أن تظهر تشغيلات مستقلة.
كيف تنشر Nanbeige4.3-33B؟
توفر بطاقة النموذج وصفات للاستخدام مع Transformers وSGLang وvLLM. تستخدم أمثلة الخادم موازاة توتر بمقدار 4 اتجاهات مع محللي الاستدلال واستدعاء الأدوات الخاصين بـ Qwen3. الإعدادات الموصى بها للوكلاء هي درجة حرارة 1.0 وtop_p بقيمة 0.95 و65,536 رمزًا جديدًا كحد أقصى. أما الاستدلال والمحادثة فيستخدمان درجة حرارة 0.6 و262,144 رمزًا جديدًا كحد أقصى.
بالحساب من config.json، تحتاج أوزان BF16 إلى حوالي 66 جيجابايت. يضيف ذاكرة التخزين المؤقت KV حوالي 208 كيلوبايت لكل رمز في BF16. وبالتالي فإن تسلسلًا كاملًا بطول 524,288 رمزًا يحتاج تقريبًا إلى 112 جيجابايت من ذاكرة التخزين المؤقت KV. وعند وقت النشر، لا يستضيف أي مزود استدلال على Hugging Face هذا النموذج.
أهم النقاط
- نموذج كثيف بحجم 33B، برخصة Apache 2.0، وسياق 512K، نصي فقط.
- نتيجة معلنة ذاتيًا قدرها 80.9 على Terminal-Bench 2.1 و65.5 على DeepSWE.
- يتصدر 17 من أصل 20 صفًا في جدول Nanbeige الخاص.
- عدة أرقام للمنافسين تتعارض مع البطاقات الرسمية.
- بُني ليكون المعلم للنموذج القادم Nanbeige4.3-3B.
اطلع على أوزان النموذجو النموذج الأساسي و منشور الإطلاق على X. كما يمكنكم متابعتنا على تويتر ولا تنسوا الانضمام إلى سب ريديت ML الذي يتجاوز 150k+ مشترك والاشتراك في نشرتنا الإخبارية. مهلًا! هل أنت على تلغرام؟ يمكنك الآن الانضمام إلينا على تلغرام أيضًا.
هل تحتاج إلى الشراكة معنا للترويج لمستودع GitHub الخاص بك أو صفحة Hugging Face أو إطلاق منتج أو ندوة عبر الإنترنت وما إلى ذلك؟ تواصل معنا
ظهر المنشور Nanbeige تطلق Nanbeige4.3-33B، وهو نموذج برمجة وكيلي مفتوح بحجم 33B أول مرة على MarkTechPost.