Στον δικό της πίνακα σύγκρισης, η Nanbeige βγαίνει μπροστά σε 17 από τις 20 δοκιμές. Στις ίδιες δοκιμές όμως, κάποια νούμερα των ανταγωνιστών δεν συμφωνούν με όσα δημοσιεύουν οι δημιουργοί τους. Το Nanbeige4.3-33B, το νέο ανοιχτό μοντέλο του εργαστηρίου, είναι φτιαγμένο για agentic coding και για εργασίες γραφείου.
Το Nanbeige LLM Lab ανήκει στην πλατφόρμα προσλήψεων BOSS Zhipin. Το μοντέλο κυκλοφορεί στο Hugging Face με άδεια Apache 2.0, που επιτρέπει ελεύθερη χρήση. Μαζί δημοσιεύτηκε και το Nanbeige4.3-33B-Base, για όσους θέλουν να το εκπαιδεύσουν περαιτέρω για δικούς τους σκοπούς, όπως αναφέρει το MarkTechPost.
Τι είναι και πόσο μεγάλο είναι
Έχει 33 δισεκατομμύρια παραμέτρους και είναι «πυκνό» μοντέλο: σε κάθε λέξη δουλεύουν όλες οι παράμετροι, χωρίς να ενεργοποιούνται μόνο ειδικά τμήματα. Το παράθυρο συμφραζομένων, δηλαδή το κείμενο που μπορεί να έχει ταυτόχρονα μπροστά του, φτάνει τα 524.288 tokens. Δέχεται μόνο κείμενο.
Το εργαστήριο το περιγράφει ως το «δάσκαλο» της σειράς 4.3. Η στρατηγική του είναι να φτιάξει πρώτα ένα ισχυρό μοντέλο και μετά να μεταφέρει τις δεξιότητές του σε μικρότερα, με πρώτο το Nanbeige4.3-3B.
Τα νούμερα του εργαστηρίου
Η Nanbeige το συνέκρινε με τα Qwen3.8-27B, Muse-Glimmer-30B και Gemma4-31B, με τη μέγιστη ρύθμιση «σκέψης» για όλα. Όλα τα σκορ είναι δικά της μετρήσεις.
- Στο Terminal-Bench 2.1 παίρνει 80,9, ενώ το Qwen3.8-27B 73,0.
- Στο DeepSWE η διαφορά είναι η μεγαλύτερη: 65,5 έναντι 42,5.
- Στο Automation Bench φτάνει 54,2 έναντι 38,3 και στο JobBench 44,8 έναντι 34,5.
- Στο AIME 2026 παίρνει 95,2.
Χάνει τρεις δοκιμές. Το Qwen3.8-27B προηγείται στο SWE-Bench Pro (61,7 έναντι 60,3) και στο GDPval (86,4 έναντι 84,8), ενώ το Gemma4-31B στο GPQA Diamond (91,3 έναντι 89,5). Η χειρότερη επίδοση του μοντέλου είναι 23,8 στο Terminal-Bench 4.0.
Όταν τα νούμερα των άλλων δεν ταιριάζουν
Το MarkTechPost συνέκρινε τον πίνακα με τις επίσημες κάρτες των ανταγωνιστικών μοντέλων και βρήκε αποκλίσεις. Η Meta δίνει στο Muse-Glimmer-30B 51,2 στο SWE-Bench Pro και στο Gemma4-31B 36,9, ενώ η Nanbeige τα έχει ανάποδα. Η Google δίνει στο Gemma 4 31B 84,3 στο GPQA Diamond, και η Nanbeige καταγράφει 91,3. Στο Terminal-Bench 2.1 η Meta αναφέρει 51,7 για το Muse-Glimmer-30B και η Nanbeige μέτρησε 61,8.
Ένα μέρος της διαφοράς μπορεί να οφείλεται στα διαφορετικά εργαλεία δοκιμής. Το ζεύγος του SWE-Bench Pro πάντως μοιάζει με αντιστροφή. Το MarkTechPost συμβουλεύει να θεωρηθούν οι γραμμές αυτές προσωρινές, μέχρι να υπάρξουν ανεξάρτητες μετρήσεις.
Τι χρειάζεται για να τρέξει
Δεν είναι μοντέλο για κοινό laptop. Τα βάρη σε μορφή BF16 ζυγίζουν περίπου 66 GB, σύμφωνα με υπολογισμό του MarkTechPost από το config.json. Οι οδηγίες για SGLang και vLLM προβλέπουν τέσσερις κάρτες γραφικών. Για πλήρες παράθυρο 524.288 tokens, η προσωρινή μνήμη χρειάζεται περίπου 112 GB επιπλέον. Προς το παρόν, κανένας πάροχος του Hugging Face δεν το φιλοξενεί.
Πηγή: MarkTechPost
