En 33B-modell med 512K kontext, under Apache 2.0
Nanbeige LLM Lab har publicerat Nanbeige4.3-33B på Hugging Face under Apache 2.0-licens. Vikterna lades upp den 24 oktober och modellkortet reviderades dagen därpå. Det är en modell med 33 miljarder parametrar i BF16, stöder engelska och kinesiska och tar ett kontextfönster på 524 288 tokens — en halv miljon, åtta gånger vad de flesta modeller i den storleken erbjuder.
Modellkortet beskriver den som “flaggskeppets lärarmodell i Nanbeige4.3-serien”, vilket betyder att dess avsedda uppgift är att förankra destillation till mindre modeller snarare än att köras direkt. En motsvarande bascheckpoint, Nanbeige4.3-33B-Base, lades upp tre minuter tidigare.
Kortet namnger ingen arkitektur utöver taggen llama, och kontaktadressen på det använder domänen kanzhun.com.
Sjutton av tjugo, enligt dess egen räkning
Kortet publicerar en tabell med 20 mätningar som jämför Nanbeige4.3-33B med Qwen3.8-27B, Muse-Glimmer-30B och Gemma4-31B. Nanbeige har högsta poäng på 17 av de 20. Kortets egen formulering är blygsammare än tabellen: den säger att modellen “leder på de flesta av mätningarna”.
Det är utvecklarens egna siffror, körda på testselar och inställningar den själv valt, och ingenting här har reproducerats oberoende.
Några av marginalerna är mycket breda, vilket i sig är värt att notera. På Terminal-Bench 4.0 får den 23,8 mot 6,3 för Qwen3.8-27B, 1,6 för Muse-Glimmer-30B och 0,0 för Gemma4-31B — en mätning där två av de tre jämförelsemodellerna i praktiken får noll. På DeepSWE noterar den 65,5 mot 42,5, 4,4 och 2,7. På de agentiska raderna upprepas mönstret: Automation Bench 54,2 mot 38,3, DeepPlanning 63,3 mot 49,2.
Så stora avstånd brukar betyda ett av två: en verklig förmågeskillnad, eller en testsele som de andra modellerna inte var uppsatta för. Kortet avgör inte vilket, utöver att notera att varje mätning använde egna inställningar.
De tre den förlorar
De mest informativa raderna är de Nanbeige inte vinner. På SWE-Bench Pro, tabellens mest etablerade test av mjukvaruutveckling, får den 60,3 mot Qwen3.8-27B:s 61,7. På GDPval får den 84,8 mot Qwens 86,4. På GPQA Diamond får den 89,5 mot Gemma4-31B:s 91,3.
Alla tre är knappa förluster, och alla tre sker på de mest använda och mest externt definierade mätningarna i uppsättningen. De bredaste segrarna sker på de minst bekanta.
En mätning anges i dollar
Raden märkt YC-bench redovisar ingen procentsats. Den redovisar pengar: 1 025 437 dollar för Nanbeige4.3-33B, mot 641 290 för Qwen3.8-27B, 513 978 för Muse-Glimmer-30B och 265 152 för Gemma4-31B.
Kortet ger ingen metodbeskrivning för vad siffran representerar, och en mätning som ger ett dollarbelopp är ett annat slags påstående än en som ger en träffsäkerhet. Det är tabellens enda rad vars enhet inte är jämförbar med någon annan, och det är raden som sannolikast kommer att citeras.
Resonemang och resten
I resonemang toppar modellen en tät klunga snarare än leder fältet: AIME 2026 på 95,2 mot 94,5, 94,7 och 89,2; AA-LCR på 84,0 mot 82,0, 83,3 och 72,0. På GPQA Diamond spänner de fyra modellerna över 83,5 till 91,3. Det är raderna där de fyra modellerna liknar varandra mest.
Vad som är värt att följa
Modellen hade 284 gillningar och inga registrerade nedladdningar när listningen kontrollerades, vilket är signaturen för ett släpp som folk läser snarare än kör. Om det ändras är det första provet.
Det andra är SWE-Bench Pro. Det är tabellens enda rad där Nanbeige förlorar mot en modell som är sex miljarder parametrar mindre, på den mätning som fältet för kodmodeller redan enats om att mäta sig mot. Om oberoende körningar reproducerar både marginalen på Terminal-Bench 4.0 och den förlusten är detta en genuint stark öppen kodmodell. Om bara förlusten reproduceras mätte tabellen testselen.
