난베이(南北, Nanbeige) LLM Lab이 공개했습니다 Nanbeige4.3-33B Apache 2.0 라이선스로 Hugging Face에 공개되었습니다. Nanbeige4.3-33B는 에이전트형 코딩과 오피스 스타일의 'cowork' 작업을 위해 구축된 33B dense 언어 모델입니다. 이 연구소는 채용 플랫폼 내부에 자리하고 있습니다. BOSS Zhipin~. 또한 다음과 같이 보도했습니다 Nanbeige4.3-33B-Base 커스텀 포스트 트레이닝을 위해 제공됩니다. 이 모델은 524,288 토큰의 컨텍스트 윈도우를 지원합니다. 연구실 자체 표에서는 30B 근처의 오픈 모델 3개와 비교해 20개 벤치마크 중 17개에서 선두를 차지합니다.
핵심 요약
- 크기: 33B 파라미터, dense(MoE 없음), 524,288토큰(512K) 컨텍스트, BF16 가중치.
- 실행 환경: 멀티 GPU 서버. 이 카드의 SGLang 및 vLLM 레시피는 4방향 텐서 병렬성을 사용합니다. BF16 가중치는 약 66 GB가 필요합니다(우리의 계산 기준). 커뮤니티 양자화 1건이 등재되어 있습니다.
- 성능: Nanbeige 자체 비교에서 Qwen3.8-27B, Muse-Glimmer-30B, Gemma4-31B을 상대로 20개 행 중 17개에서 선두를 차지합니다.
- 최고: Terminal-Bench 2.1에서 80.9로, Qwen3.8-27B의 73.0과 비교됩니다.
- 최악: Terminal-Bench 4.0에서 23.8(가장 낮은 점수)을 기록했습니다. 또한 SWE-Bench Pro에서는 Qwen3.8-27B에 뒤처 60.3 vs 61.7을 보였습니다.
Nanbeige4.3-33B란 무엇인가요?
Nanbeige4.3-33B는 Nanbeige4.3 시리즈의 대표 ‘교사(teacher)’ 모델입니다. 이 연구소의 명시된 전략 먼저 강력한 교사(teacher) 모델을 구축하는 것입니다. 이후 Nanbeige4.3-3B부터 시작해 에이전트 기술을 더 작은 모델로 증류할 계획입니다.
Nanbeige4.3-33B는 어떻게 구축되었나요?
The config.json 은 표준 LlamaForCausalLM 아키텍처를 선언합니다. expert routing이 없으므로 모든 33B 파라미터가 모든 토큰에서 실행됩니다.
- 52개 레이어, hidden size 7,168
- 56개 query head와 8개 key-value head(grouped-query attention), head dimension 128
- FFN 중간 크기 22,016, 어휘 166,912 토큰
- 120,000,000의 RoPE theta와 524,288의 최대 위치 수
채팅 템플릿은 3개의 컨트롤을 노출합니다. enable_thinking 추론을 토글하며 기본적으로 켜져 있습니다. preserve_thinking 이전 턴의 추론을 유지합니다. Nanbeige는 멀티턴 도구 사용 및 코드 에이전트에 이를 권장합니다. 통과 tools 도구 호출을 지원하며, XML 호출 형식이 권장됩니다.
Nanbeige4.3-33B은 벤치마크에서 어떤 성능을 보이나요?
Nanbeige는 이 모델을 Qwen3.8-27B, Muse-Glimmer-30B, Gemma4-31B와 비교했습니다. 모든 모델은 최고 사고 수준에서, 동일한 하이퍼파라미터와 하네스를 사용해 실행되었습니다. 이 섹션의 모든 점수는 자체 보고된 수치입니다.
- 에이전틱 코딩: Terminal-Bench 2.1에서 80.9점을 기록하며, Qwen3.8-27B의 73.0점을 앞섭니다. DeepSWE는 가장 큰 격차를 보이며 65.5 대 42.5를 기록합니다. Terminal-Bench 4.0에서는 23.8점을 받은 반면 Gemma4-31B는 0.0점에 그칩니다.
- 에이전틱 코워크: Automation Bench에서는 38.3 대비 54.2를, JobBench에서는 34.5 대비 44.8을 기록합니다. YC-bench에서는 시뮬레이션 수익이 $641,290 대비 $1,025,437에 도달합니다.
- 추론: AIME 2026에서는 95.2를, AA-LCR에서는 84.0을 기록했습니다.
20개 행 중 3개를 잃습니다. Qwen3.8-27B는 SWE-Bench Pro(61.7 vs 60.3)와 GDPval(86.4 vs 84.8)에서 선두입니다. Gemma4-31B는 Nanbeige의 표에서 GPQA Diamond에서 91.3 vs 89.5로 앞서고 있습니다.
그 베이스 모델 보고된 8개 과제 전부에서 Gemma4-31B-Base를 능가합니다. 예로는 MMLU-Pro(66.9 vs 59.3)와 GPQA(62.0 vs 41.5)가 있습니다.
이전</button><button class="btn" id="nbgNext">다음 단계 </button><button class="btn ghost" id="nbgPlay">자동 재생</button></div> <div class="spec"> <div><b>52</b><span>레이어</span></div> <div><b>56 / 8</b><span>쿼리 / KV 헤드 (GQA)</span></div> <div><b>7,168</b><span>히든 사이즈</span></div> <div><b>524,288</b><span>최대 위치</span></div> </div> </div> <div class="pane" id="p2"> <div class="seg" id="nbgSeg"> <button class="on" data-c="coding">에이전트 코딩</button> <button data-c="cowork">에이전트 협업</button> <button data-c="reason">추론</button> <button data-c="base">베이스 모델</button> </div> <div class="legend" id="nbgLegend"></div> <div id="nbgBars"></div> <p class="note">모든 점수는 각 모델의 최고 사고 effort에서 공용 하네스를 사용해 Nanbeige가 자체 Hugging Face 모델 카드에 보고한 수치입니다. 독립적으로 검증되지 않았습니다.</p> </div> <div class="pane" id="p3"> <div class="calc"> <div> <div class="field"><label>컨텍스트 길이 <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>동시 시퀀스 수 <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">가중치 BF16</button><button data-w="1">가중치 8-bit</button></div> <div class="seg" id="nbgK"><button class="on" data-k="2">KV 캐시 BF16</button><button data-k="1">KV 캐시 FP8</button></div> <p class="note">config.json 기준 산술: 52 레이어 × 8 KV 헤드 × 128 차원 × 2 (K와 V) × 값당 바이트 수. BF16에서 토큰당 212,992바이트(약 208 KiB)입니다. 가중치는 33B 파라미터를 사용합니다. 활성화값과 프레임워크 오버헤드는 제외됩니다.</p> </div> <div class="stack"> <div class="kv"><span>추정 GPU 메모리</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> 가중치</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> KV 캐시</span><b id="nbgKv"></b></div> <div class="kv"><span>80 GB GPU당 (이상적 적재)</span><b id="nbgGpu"></b></div> <p class="note">모델 카드의 SGLang 및 vLLM 레시피는 4방향 텐서 병렬화를 사용합니다.</p> </div> </div> </div> <div class="pane" id="p4"> <table> <tr><th>Nanbeige 표의 행</th><th>Nanbeige가 표기한 값</th><th>공식 카드</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">뒤바뀐 것으로 보임</span></td></tr> <tr><td>Gemma4-31B, SWE-Bench Pro</td><td class="bad">51.2</td><td>36.9 (Meta 보고)</td><td><span class="flag">뒤바뀐 것으로 보임</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">상충</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">하네스 문제?</span></td></tr> <tr><td>Qwen3.8-27B, GPQA Diamond</td><td>89.2</td><td>89.2 (Qwen)</td><td>일치</td></tr> <tr><td>Muse-Glimmer-30B, AIME 2026</td><td>94.7</td><td>94.7 (Meta)</td><td>일치</td></tr> </table> <p class="note">Nanbeige는 모든 모델을 자체 하네스로 재실행했으며, 이것이 일부 격차를 설명합니다. 기타 한계: 텍스트 전용 입력, 모든 토큰에 대한 밀집 연산, 그리고 Nanbeige4.3-3B는 아직 출시되지 않았습니다.</p> </div> <div class="ft"><span>출처: <a href="https://huggingface.co/Nanbeige/Nanbeige4.3-33B" target="_blank" rel="noopener">Nanbeige 모델 카드</a> · <a href="https://huggingface.co/Nanbeige/Nanbeige4.3-33B-Base" target="_blank" rel="noopener">베이스 카드</a> · 경쟁사 HF 카드들</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>베이스 모델.</b> Nanbeige4.3-33B-Base는 dense LlamaForCausalLM 체크포인트입니다. Nanbeige는 이 모델이 나열된 8개 작업 전부에서 Gemma4-31B-Base를 능가한다고 보고했으며, 예를 들어 MMLU-Pro는 66.9 대 59.3입니다.', '<b>교사 에이전트.</b> 포스트트레이닝된 모델은 기본적으로 추론합니다(<code>enable_thinking</code>). <code>preserve_thinking</code>는 멀티턴 도구 사용을 위해 이전 추론을 유지합니다. Nanbeige는 XML 도구 호출 형식을 권장합니다.', '<b>에이전트 하네스.</b> Nanbeige는 Terminus 2, mini-swe-agent v2.4.6 및 Claude Code 하네스에서 이 모델을 평가했습니다. 권장 에이전트 샘플링: temperature 1.0, top_p 0.95, 최대 새 토큰 65,536개.', '<b>증류.</b> 33B 모델은 Nanbeige4.3 시리즈의 교사 모델입니다. 첫 번째로 계획된 학생 모델은 Nanbeige4.3-3B입니다. 공개 일정은 밝혀지지 않았습니다.' ]; 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='자동 재생'}} 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='일시정지';timer=setInterval(function(){setStep(s+1)},2200)}; setStep(0); // 막대 그래프 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'); // 계산기 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)+' 토큰';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">경쟁사들의 자체 모델 카드와는 어떻게 비교될까?
| 사양 | Nanbeige4.3-33B | Qwen3.8-27B | Muse-Glimmer-30B | Gemma 4 31B |
|---|---|---|---|---|
| 개발사 | Nanbeige LLM Lab (BOSS Zhipin) | Qwen (Alibaba) | Meta Superintelligence Lab | Google DeepMind |
| 파라미터 | 33B dense | 27B dense LM 및 비전 인코더 | 약 29.6B dense, 비전 인코더 약 1.8B 포함 | 30.7B dense |
| 컨텍스트 | 524,288 | 262,144 네이티브, 최대 1M | 131,072+ | 256K |
| 입력 모달리티 | 텍스트 | 텍스트, 이미지, 비디오 | 텍스트, 이미지 | 텍스트, 이미지 |
| 라이선스 | Apache 2.0 | Apache 2.0 | Apache 2.0 | Apache 2.0 |
| Terminal-Bench 2.1 | 80.9* | 73.0 | 51.7 | 공개되지 않음 |
| SWE-Bench Pro | 60.3* | 61.7 | 51.2 | 공개되지 않음 |
| GPQA Diamond | 89.5* | 89.2 | 83.5 (AA) | 84.3 |
| AIME 2026 | 95.2* | 공개되지 않음 | 94.7 | 89.2 |
| 로컬 하드웨어 가이던스 | 4-GPU 텐서 병렬 레시피 | 공개되지 않음 | 약 4-bit에서 24 GB 또는 32 GB VRAM | 소비자용 GPU 및 워크스테이션 |
*Nanbeige의 자체 보고 수치입니다. 경쟁사 수치는 각 연구소가 자체적으로 게시한 Hugging Face 모델 카드에서 가져왔습니다.
남베이지(Nanbeige) 표의 일부 경쟁사 수치는 해당 연구소들이 발표한 것과 다릅니다:
- 메타(Meta) Muse-Glimmer-30B는 SWE-Bench Pro에서 51.2, Gemma4-31B는 36.9를 기록했다고 보도합니다. Nanbeige는 그 반대의 수치를 제시합니다.
- 구글 Gemma 4 31B는 GPQA Diamond에서 84.3을 기록했다고 나열되어 있습니다. Nanbeige의 표에는 91.3으로 표시되어 있습니다.
- Meta는 Muse-Glimmer-30B가 Terminal-Bench 2.1에서 51.7을 기록했다고 보고했습니다. Nanbeige는 61.8을 측정했습니다.
서로 다른 하니스가 일부 격차를 설명해 줍니다. SWE-Bench Pro 쌍은 뒤바뀐 것으로 보입니다. 독립적인 실행 결과가 나올 때까지 이 행들은 잠정적인 것으로 취급하십시오.
Nanbeige4.3-33B는 어떻게 배포하나요?
모델 카드는 Transformers, SGLang 및 vLLM 레시피를 제공합니다. 서버 예시는 Qwen3 추론 및 도구 호출 파서와 함께 4방향 텐서 병렬 처리를 사용합니다. 권장 에이전트 설정은 temperature 1.0, top_p 0.95, 최대 새 토큰 65,536입니다. 추론 및 채팅에는 temperature 0.6과 최대 새 토큰 262,144를 사용합니다.
config.json의 산술 계산으로 보면 BF16 가중치에는 약 66 GB가 필요합니다. KV 캐시는 BF16 기준 토큰당 약 208 KiB를 추가합니다. 따라서 524,288토큰 전체 시퀀스에는 약 112 GB의 KV 캐시가 필요합니다. 발행 시점 기준으로 이 모델을 호스팅하는 Hugging Face Inference Provider는 없습니다.
핵심 요약
- 33B dense, Apache 2.0, 512K 컨텍스트, 텍스트 전용.
- Terminal-Bench 2.1에서 자체 보고 기준 80.9, DeepSWE에서 65.5를 기록했습니다.
- 난베이즈(Nanbeige) 자체 표에서 20개 행 중 17개 행에서 선두를 차지합니다.
- 여러 경쟁사 수치가 공식 카드와 충돌합니다.
- 다가오는 Nanbeige4.3-3B의 교사 모델로 구축되었습니다.
확인해 보세요: 모델 가중치, 베이스 모델 그리고 X의 출시 포스트. 또한, Twitter 에서 저희를 팔로우하고 150k+ML SubReddit 에 가입하여 저희 뉴스레터를 구독하는 것도 잊지 마세요. 잠깐! 텔레그램을 사용하시나요? 이제 텔레그램에서도 저희와 함께하실 수 있습니다.
GitHub 저장소, Hugging Face 페이지, 제품 출시, 웨비나 등을 홍보하기 위해 저희와 파트너십이 필요하신가요? Connect with us
이 게시물 Nanbeige, 33B 오픈 에이전트 코딩 모델 Nanbeige4.3-33B 출시 은 최초로 다음에서 게시되었습니다 MarkTechPost.