Nanbeige LLM Lab a publié Nanbeige4.3-33B sur Hugging Face sous la licence Apache 2.0. Nanbeige4.3-33B est un modèle de langage dense de 33B conçu pour le codage agentique et les tâches de « cowork » de type bureautique. Le laboratoire fait partie de la plateforme de recrutement BOSS Zhipin. Il a également publié Nanbeige4.3-33B-Base pour un post-entraînement personnalisé. Le modèle prend en charge une fenêtre de contexte de 524,288 tokens. Dans le propre tableau du laboratoire, il domine 17 des 20 benchmarks face à 3 modèles open proches de 30B.
TL;DR
- Taille : 33B paramètres, dense (pas de MoE), contexte de 524,288 tokens (512K), poids BF16.
- Tourne sur : Serveurs multi-GPU. Les recettes SGLang et vLLM de la fiche utilisent un parallélisme tensoriel à 4 voies. Les poids BF16 nécessitent environ 66 GB (notre calcul). 1 quantization communautaire est répertoriée.
- Performance : Domine 17 des 20 lignes de la propre comparaison de Nanbeige face à Qwen3.8-27B, Muse-Glimmer-30B et Gemma4-31B.
- Meilleur score : 80.9 sur Terminal-Bench 2.1, contre 73.0 pour Qwen3.8-27B.
- Pire score : 23.8 sur Terminal-Bench 4.0 (son score le plus bas). Il est également devancé par Qwen3.8-27B sur SWE-Bench Pro, 60.3 contre 61.7.
Qu’est-ce que Nanbeige4.3-33B ?
Nanbeige4.3-33B est le modèle « enseignant » phare de la série Nanbeige4.3. La stratégie annoncée du laboratoire consiste d’abord à construire un enseignant solide. Il prévoit ensuite de distiller des compétences agentiques dans des modèles plus petits, à commencer par Nanbeige4.3-3B.
Comment Nanbeige4.3-33B est-il construit ?
Le config.json déclare une LlamaForCausalLM architecture standard. Il n’y a pas de routage d’experts, donc les 33B paramètres s’exécutent sur chaque token.
- 52 couches, taille cachée 7,168
- 56 têtes de requête et 8 têtes clé-valeur (grouped-query attention), dimension de tête 128
- Taille intermédiaire FFN de 22,016, vocabulaire de 166,912 tokens
- Theta RoPE de 120,000,000 et 524,288 positions maximales
Le modèle de chat expose 3 contrôles. enable_thinking active/désactive le raisonnement et est activé par défaut. preserve_thinking conserve le raisonnement des tours précédents. Nanbeige le recommande pour l'usage d'outils multi-tours et les agents de code. Passer tools active l'appel d'outils, et un format d'appel XML est recommandé.
Comment Nanbeige4.3-33B se comporte-t-il sur les benchmarks ?
Nanbeige a comparé le modèle avec Qwen3.8-27B, Muse-Glimmer-30B et Gemma4-31B. Chaque modèle a tourné à son effort de réflexion maximal, avec des hyperparamètres et des harnais partagés. Tous les scores de cette section sont auto-déclarés.
- Codage agentique: il obtient 80.9 sur Terminal-Bench 2.1, contre 73.0 pour Qwen3.8-27B. DeepSWE montre l'écart le plus large : 65.5 contre 42.5. Sur Terminal-Bench 4.0, il obtient 23.8 tandis que Gemma4-31B obtient 0.0.
- Travail agentique en équipe: il affiche 54.2 sur Automation Bench contre 38.3, et 44.8 sur JobBench contre 34.5. Sur YC-bench, les gains simulés atteignent $1,025,437 contre $641,290.
- Raisonnement: il rapporte 95.2 sur AIME 2026 et 84.0 sur AA-LCR.
Il perd 3 lignes sur 20. Qwen3.8-27B mène sur SWE-Bench Pro (61.7 contre 60.3) et GDPval (86.4 contre 84.8). Gemma4-31B mène sur GPQA Diamond dans le tableau de Nanbeige, 91.3 contre 89.5.
Le Modèle de base bat Gemma4-31B-Base sur les 8 tâches rapportées. Exemples : MMLU-Pro (66.9 contre 59.3) et GPQA (62.0 contre 41.5).
Retour</button><button class="btn" id="nbgNext">Étape suivante </button><button class="btn ghost" id="nbgPlay">Lecture automatique</button></div> <div class="spec"> <div><b>52</b><span>couches</span></div> <div><b>56 / 8</b><span>têtes de requête / KV (GQA)</span></div> <div><b>7,168</b><span>taille cachée</span></div> <div><b>524,288</b><span>positions maximales</span></div> </div> </div> <div class="pane" id="p2"> <div class="seg" id="nbgSeg"> <button class="on" data-c="coding">Codage agentique</button> <button data-c="cowork">Collaboration agentique</button> <button data-c="reason">Raisonnement</button> <button data-c="base">Modèle de base</button> </div> <div class="legend" id="nbgLegend"></div> <div id="nbgBars"></div> <p class="note">Tous les scores sont auto-déclarés par Nanbeige sur ses fiches de modèles Hugging Face, à l'effort de réflexion le plus élevé de chaque modèle avec des harnais partagés. Non vérifiés de manière indépendante.</p> </div> <div class="pane" id="p3"> <div class="calc"> <div> <div class="field"><label>Longueur de contexte <b id="nbgCtxL">131,072 tokens</b></label><input type="range" id="nbgCtx" min="0" max="6" step="1" value="4"></div> <div class="field"><label>Séquences simultanées <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">Poids BF16</button><button data-w="1">Poids 8 bits</button></div> <div class="seg" id="nbgK"><button class="on" data-k="2">Cache KV BF16</button><button data-k="1">Cache KV FP8</button></div> <p class="note">Calcul à partir du config.json : 52 couches × 8 têtes KV × 128 dimensions × 2 (K et V) × octets par valeur. Cela fait 212,992 octets (environ 208 KiB) par token en BF16. Les poids utilisent 33B de paramètres. Exclut les activations et la surcharge du framework.</p> </div> <div class="stack"> <div class="kv"><span>Mémoire GPU estimée</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> Poids</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> Cache KV</span><b id="nbgKv"></b></div> <div class="kv"><span>Par GPU de 80 GB (ajustement idéal)</span><b id="nbgGpu"></b></div> <p class="note">Les recettes SGLang et vLLM de la fiche du modèle utilisent un parallélisme tensoriel à 4 voies.</p> </div> </div> </div> <div class="pane" id="p4"> <table> <tr><th>Ligne du tableau de Nanbeige</th><th>Nanbeige indique</th><th>Fiche officielle</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">semble inversé</span></td></tr> <tr><td>Gemma4-31B, SWE-Bench Pro</td><td class="bad">51.2</td><td>36.9 (rapporté par Meta)</td><td><span class="flag">semble inversé</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">conflit</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">harnais ?</span></td></tr> <tr><td>Qwen3.8-27B, GPQA Diamond</td><td>89.2</td><td>89.2 (Qwen)</td><td>correspondance</td></tr> <tr><td>Muse-Glimmer-30B, AIME 2026</td><td>94.7</td><td>94.7 (Meta)</td><td>correspondance</td></tr> </table> <p class="note">Nanbeige a réexécuté chaque modèle avec son propre harnais, ce qui explique certains écarts. Autres limites : entrée texte uniquement, calcul dense sur chaque token, et Nanbeige4.3-3B n'est pas encore publié.</p> </div> <div class="ft"><span>Sources : <a href="https://huggingface.co/Nanbeige/Nanbeige4.3-33B" target="_blank" rel="noopener">fiche du modèle Nanbeige</a> · <a href="https://huggingface.co/Nanbeige/Nanbeige4.3-33B-Base" target="_blank" rel="noopener">Fiche du modèle de base</a> · fiches HF des concurrents</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>Modèle de base.</b> Nanbeige4.3-33B-Base est un checkpoint dense LlamaForCausalLM. Nanbeige rapporte qu'il bat Gemma4-31B-Base sur les 8 tâches listées, par exemple MMLU-Pro 66.9 contre 59.3.', '<b>Agent enseignant.</b> Le modèle post-entraîné raisonne par défaut (<code>enable_thinking</code>). <code>preserve_thinking</code> conserve les raisonnements antérieurs pour l'usage d'outils multi-tours. Nanbeige recommande le format d'appel d'outils XML.', '<b>Harness d'agent.</b> Nanbeige l'a évalué dans Terminus 2, mini-swe-agent v2.4.6 et le harness Claude Code. Échantillonnage d'agent recommandé : température 1.0, top_p 0.95, 65,536 nouveaux tokens maximum.', '<b>Distillation.</b> Le modèle 33B est l'enseignant de la série Nanbeige4.3. Le premier élève prévu est Nanbeige4.3-3B. Aucune date de sortie n'est donnée.' ]; 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='Auto-play'}} 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='Pause';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:[['Automation Bench',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'); // calc 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)+' tokens';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)+' GB'; document.getElementById('nbgWv').textContent=w.toFixed(1)+' GB';document.getElementById('nbgKv').textContent=kv.toFixed(1)+' GB'; document.getElementById('nbgGpu').textContent=Math.ceil(t/80)+' × 80 GB'; 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">Comment se compare-t-il avec les model cards des concurrents eux-mêmes ?
| Spécifications | Nanbeige4.3-33B | Qwen3.8-27B | Muse-Glimmer-30B | Gemma 4 31B |
|---|---|---|---|---|
| Développeur | Nanbeige LLM Lab (BOSS Zhipin) | Qwen (Alibaba) | Meta Superintelligence Lab | Google DeepMind |
| Paramètres | 33B dense | 27B dense (LM) plus encodeur de vision | ~29.6B dense, dont ~1.8B pour l'encodeur de vision | 30.7B dense |
| Contexte | 524,288 | 262,144 natif, jusqu'à 1M | 131,072+ | 256K |
| Modalité d'entrée | Texte | Texte, image, vidéo | Texte, image | Texte, image |
| Licence | Apache 2.0 | Apache 2.0 | Apache 2.0 | Apache 2.0 |
| Terminal-Bench 2.1 | 80.9* | 73.0 | 51.7 | Non divulgué |
| SWE-Bench Pro | 60.3* | 61.7 | 51.2 | Non divulgué |
| GPQA Diamond | 89.5* | 89.2 | 83.5 (AA) | 84.3 |
| AIME 2026 | 95.2* | Non divulgué | 94.7 | 89.2 |
| Conseils sur le matériel local | Recette en parallélisme de tenseurs sur 4 GPU | Non divulgué | 24 Go ou 32 Go de VRAM à ~4 bits | GPU grand public et stations de travail |
*Auto-déclaré par Nanbeige. Les valeurs des concurrents proviennent des cartes de modèles Hugging Face de chaque laboratoire.
Certains chiffres de concurrents dans le tableau de Nanbeige diffèrent de ce que ces laboratoires publient :
- Meta indique Muse-Glimmer-30B à 51.2 sur SWE-Bench Pro et Gemma4-31B à 36.9. Nanbeige liste l'inverse.
- Google liste Gemma 4 31B à 84.3 sur GPQA Diamond. Le tableau de Nanbeige affiche 91.3.
- Meta rapporte Muse-Glimmer-30B à 51.7 sur Terminal-Bench 2.1. Nanbeige a mesuré 61.8.
Des harnais d'évaluation différents expliquent certains écarts. La paire SWE-Bench Pro semble inversée. Considérez ces lignes comme provisoires jusqu'à l'apparition de tests indépendants.
Comment déployer Nanbeige4.3-33B ?
La carte du modèle fournit des recettes pour Transformers, SGLang et vLLM. Ses exemples de serveur utilisent un parallélisme tensoriel à 4 avec les parseurs de raisonnement et d'appels d'outils de Qwen3. Les paramètres d'agent recommandés sont une température de 1.0, un top_p de 0.95 et 65,536 tokens max en génération. Le raisonnement et le chat utilisent une température de 0.6 et 262,144 tokens max.
Par calcul à partir de config.json, les poids BF16 nécessitent environ 66 GB. Le cache KV ajoute environ 208 KiB par token en BF16. Une séquence complète de 524,288 tokens nécessite donc environ 112 GB de cache KV. À la publication, aucun Hugging Face Inference Provider n'héberge le modèle.
Points clés à retenir
- 33B dense, Apache 2.0, contexte de 512K, texte uniquement.
- 80.9 auto-déclaré sur Terminal-Bench 2.1 et 65.5 sur DeepSWE.
- En tête sur 17 des 20 lignes du tableau de Nanbeige lui-même.
- Plusieurs chiffres de concurrents contredisent les cartes officielles.
- Conçu comme le professeur du futur Nanbeige4.3-3B.
Découvrez les poids du modèle, le modèle Base et le post de lancement sur X. N'hésitez pas également à nous suivre sur Twitter et n'oubliez pas de rejoindre notre SubReddit 150k+ML et de vous abonner à notre Newsletter. Attention ! Êtes-vous sur telegram ? vous pouvez désormais nous rejoindre sur telegram également.
Besoin de vous associer à nous pour promouvoir votre dépôt GitHub OU votre page Hugging Face OU le lancement d'un produit OU un webinaire, etc. ? Connectez-vous avec nous
La publication Nanbeige Releases Nanbeige4.3-33B, a 33B Open Agentic Coding Model est apparue en premier sur MarkTechPost.