Un modelo de 33B con contexto de 512K, bajo Apache 2.0
Nanbeige LLM Lab ha publicado Nanbeige4.3-33B en Hugging Face con licencia Apache 2.0. Los pesos se subieron el 24 de octubre y la ficha se revisó al día siguiente. Es un modelo de 33.000 millones de parámetros en BF16, admite inglés y chino y acepta una ventana de contexto de 524.288 tokens: medio millón, ocho veces lo que ofrecen la mayoría de modelos de ese tamaño.
La ficha del modelo lo describe como “el modelo maestro insignia de la serie Nanbeige4.3”, es decir, su función prevista es anclar la destilación hacia modelos más pequeños en lugar de servirse directamente. Un checkpoint base equivalente, Nanbeige4.3-33B-Base, se subió tres minutos antes.
La ficha no nombra una arquitectura más allá de la etiqueta llama, y la dirección de contacto que incluye usa el dominio kanzhun.com.
Diecisiete de veinte, según su propio recuento
La ficha publica una tabla de 20 pruebas que compara Nanbeige4.3-33B con Qwen3.8-27B, Muse-Glimmer-30B y Gemma4-31B. Nanbeige ostenta la mejor puntuación en 17 de las 20. La formulación de la propia ficha es más modesta que la tabla: dice que el modelo “encabeza la mayoría de las pruebas”.
Son cifras del propio desarrollador, obtenidas con arneses y ajustes elegidos por él, y nada de esto ha sido reproducido de forma independiente.
Algunos de los márgenes son muy amplios, lo que en sí mismo merece atención. En Terminal-Bench 4.0 obtiene 23,8 frente a 6,3 de Qwen3.8-27B, 1,6 de Muse-Glimmer-30B y 0,0 de Gemma4-31B: una prueba en la que dos de los tres modelos de comparación puntúan prácticamente nada. En DeepSWE anota 65,5 frente a 42,5, 4,4 y 2,7. En las filas de carácter agéntico el patrón se repite: Automation Bench 54,2 frente a 38,3, DeepPlanning 63,3 frente a 49,2.
Distancias así de grandes suelen significar una de dos cosas: una diferencia real de capacidad, o un arnés para el que los demás modelos no estaban preparados. La ficha no resuelve cuál, más allá de señalar que cada prueba usó sus propios ajustes.
Las tres que pierde
Las filas más informativas son las que Nanbeige no gana. En SWE-Bench Pro, la prueba de ingeniería de software más consolidada de la tabla, obtiene 60,3 frente a los 61,7 de Qwen3.8-27B. En GDPval obtiene 84,8 frente a los 86,4 de Qwen. En GPQA Diamond obtiene 89,5 frente a los 91,3 de Gemma4-31B.
Las tres son derrotas por poco, y las tres se dan en las pruebas más usadas y definidas desde fuera del conjunto. Las victorias más amplias se dan en las menos conocidas.
Una prueba está denominada en dólares
La fila etiquetada YC-bench no informa de un porcentaje. Informa de dinero: 1.025.437 dólares para Nanbeige4.3-33B, frente a 641.290 de Qwen3.8-27B, 513.978 de Muse-Glimmer-30B y 265.152 de Gemma4-31B.
La ficha no da metodología sobre qué representa la cifra, y una prueba que arroja un importe en dólares es un tipo de afirmación distinto de una que arroja una precisión. Es la única fila de la tabla cuya unidad no es comparable con ninguna otra, y es la fila con más probabilidades de ser citada.
Razonamiento y lo demás
En razonamiento el modelo encabeza un grupo muy apretado más que destacar sobre el campo: AIME 2026 con 95,2 frente a 94,5, 94,7 y 89,2; AA-LCR con 84,0 frente a 82,0, 83,3 y 72,0. En GPQA Diamond la horquilla entre los cuatro modelos va de 83,5 a 91,3. Son las filas en las que los cuatro modelos más se parecen.
Qué vigilar
El modelo tenía 284 “me gusta” y ninguna descarga registrada cuando se consultó la ficha, que es la firma de un lanzamiento que la gente lee más que ejecuta. Si eso cambia es la primera prueba.
La segunda es SWE-Bench Pro. Es la única fila de la tabla en la que Nanbeige pierde ante un modelo seis mil millones de parámetros más pequeño, en la prueba con la que el campo de los modelos de código ya acuerda medirse. Si las ejecuciones independientes reproducen tanto el margen de Terminal-Bench 4.0 como esa derrota, estamos ante un modelo abierto de código genuinamente fuerte. Si solo se reproduce la derrota, la tabla estaba midiendo el arnés.
