Was ist Nanbeige4.3-33B?
Nanbeige4.3-33B ist ein dichtes Textmodell mit 33 Milliarden Parametern vom Nanbeige LLM Lab bei BOSS Zhipin, der chinesischen Jobplattform von Kanzhun. Es erschien am 24. Oktober 2026 auf Hugging Face, zusammen mit einem separaten Basismodell für eigenes Post-Training. Es liest Englisch und Chinesisch, hat einen Kontext von 524.288 Tokens (512K) und einen standardmäßig aktiven Denkmodus.
Das Labor beschreibt es als Lehrermodell: Es wurde gebaut, um bei Coding-Agenten und büroartigen "Cowork"-Aufgaben zu glänzen, und soll in ein kommendes Nanbeige4.3-3B destilliert werden. Das Chat-Template unterstützt Tool-Aufrufe in XML oder JSON und eine Option, früheres Reasoning über mehrere Runden zu behalten.
Die Gewichte stehen unter Apache 2.0. Eine gehostete API des Labors gibt es nicht; die Modellkarte liefert Rezepte für SGLang und vLLM mit vierfacher Tensor-Parallelität.
Was kostet Nanbeige4.3-33B?
| Tarif | Preis | Was enthalten ist |
|---|---|---|
| Weights | Free | Apache 2.0 |
| Hosted API | Not offered | Kein eigener Endpunkt aufgeführt |
Offene Gewichte unter Apache 2.0; keine offizielle gehostete API.
Lohnt sich Nanbeige4.3-33B?
Die Behauptungen zu Nanbeige4.3-33B sind groß und vollständig selbst gemeldet. In der Tabelle des Labors schlägt es Qwen3.8-27B in 18 von 20 Benchmarks, mit den größten Abständen beim agentischen Programmieren: 65,5 gegen 42,5 bei DeepSWE, 23,8 gegen 6,3 bei Terminal-Bench 4.0 und 80,9 gegen 73,0 bei Terminal-Bench 2.1. Bei SWE-Bench Pro (60,3 zu 61,7) und GDPval (84,8 zu 86,4) liegt es hinter Qwen. Laut Labor liefen alle Modelle mit demselben Harness und denselben Einstellungen, doch eine Woche nach dem Release führt es keine unabhängige Rangliste.
Einige Entscheidungen beim Testaufbau verdienen einen zweiten Blick. Die eigenen Werte wurden mit eingeschaltetem Preserved Thinking ermittelt, die Antworten bei SWE-Atlas bewertete GPT-6 Sol, und mehrere Cowork-Benchmarks sind so jung, dass kleine Änderungen am Aufbau die Ergebnisse stark verschieben. Sehr große Vorsprünge bei neuen Agenten-Benchmarks und Gleichstand bei etablierten sind ein häufiges Muster in Launch-Tabellen.
Der praktische Kompromiss ist die Architektur. Anders als die Mixture-of-Experts-Modelle, mit denen es konkurriert, laufen alle 33 Milliarden Parameter bei jedem Token. BF16-Gewichte brauchen etwa 66GB, und eine Analyse beziffert eine 4-Bit-Version auf etwa 21GB plus 28GB Cache bei 128K Kontext, mehr als eine einzelne Consumer-GPU fasst. Außerdem verarbeitet es nur Text, während Qwen3.8-27B Bilder liest.
Was es bietet, ist eine saubere Apache-2.0-Lizenz, ein veröffentlichtes Basismodell und ein Kontext von 512K. Zusammen machen sie es zu einem vernünftigen Ausgangspunkt für eine Firma, die ihren eigenen Agenten nachtrainieren will. Als Lösung von der Stange braucht es unabhängige Zahlen, bevor es Qwen verdrängt.
Wo es sich lohnt
Ein Plattform-Team in einer Softwarefirma mit 200 Entwicklern
Einen internen Coding-Agenten auf eigenen GPUs betreiben
Betreibe es mit dem vLLM-Rezept der Modellkarte auf vier GPUs mit Tensor-Parallelität und dem Tool-Parser qwen3_coder. Vergleiche es vorher mit Qwen3.8-27B auf den eigenen Repositories des Teams, denn der Vorsprung von 23 Punkten bei DeepSWE ist eine Zahl des Labors.
Ein ML-Verantwortlicher bei einem Vertical-SaaS-Anbieter
Einen Fachagenten für HR- oder Finanz-Workflows nachtrainieren
Starte mit Nanbeige4.3-33B-Base unter Apache 2.0 ohne Umsatzgrenzen. Das Labor lädt zur Zusammenarbeit an Branchenagenten ein, was bei Daten helfen kann, aber es gibt keine veröffentlichten Support-Bedingungen.
Ein Entwickler, der offene Modelle für Büroaufgaben mit langem Kontext prüft
Lange Dokumente und mehrstufige Tool-Nutzung in einem Kontext verarbeiten
Der Kontext von 512K fasst ganze Verträge oder Codebasen, aber bei 128K belegt allein der Cache laut einer Schätzung etwa 28GB, daher kostet das empfohlene Ausgabebudget von 65.536 Tokens für Agentenaufgaben spürbar Speicher.
Bevor du dich festlegst
- Einrichtung
- Lade die Gewichte herunter und betreibe sie mit SGLang oder vLLM mit --tp-size 4 sowie den Parsern qwen3 für Reasoning und qwen3_coder für Tools; Transformers braucht trust_remote_code.
- Integrationen
- Transformers, SGLang, vLLM; OpenAI-kompatible Endpunkte von beiden Servern; das Labor ließ NL2Repo und JobBench über das Claude-Code-Harness laufen.
- Daten und Datenschutz
- Apache 2.0 ohne Nutzungsbeschränkungen; nur selbst gehostet, daher gelten keine Datenbedingungen Dritter. Keine Angaben zur Datenherkunft über die Modellkarte hinaus.
- Kosten im großen Maßstab
- BF16-Gewichte brauchen etwa 66GB, also vier GPUs mit 24GB oder zwei mit 48GB vor dem Cache; eine 4-Bit-Version braucht etwa 21GB plus etwa 28GB Cache bei 128K Kontext.
- Grenzen
- Nur Text; Englisch und Chinesisch; die empfohlenen Ausgabebudgets von 65.536 Tokens für Agenten und 262.144 für Reasoning machen lange Läufe bei einem dichten Modell langsam.
Was gut ist
- Schlägt Qwen3.8-27B in 18 von 20 Benchmarks des Labors, am deutlichsten beim agentischen Programmieren
- Apache 2.0, mit veröffentlichtem Basismodell für Post-Training
- Kontext von 512K Tokens
- Tool-Aufrufe in XML und JSON mit optional erhaltenem Reasoning
Was nicht
- Alle Benchmark-Ergebnisse selbst gemeldet; noch keine unabhängige Rangliste
- Dicht mit 33B: etwa 66GB in BF16, pro Token langsamer als MoE-Rivalen mit 3B aktiven Parametern
- Nur Text; Qwen3.8-27B liest auch Bilder
- Keine gehostete API vom Labor
Am besten für
Teams, die selbst hosten und einen offenen Coding-Agenten unter Apache-Lizenz oder ein Basismodell zum Nachtrainieren wollen und die Behauptungen an eigenen Aufgaben prüfen können.
Alternativen zu Nanbeige4.3-33B
Nanbeige4.3-33B: häufige Fragen
- Lohnt sich Nanbeige4.3-33B?
- Nach den Zahlen seiner Macher ist Nanbeige4.3-33B der stärkste offene Coding-Agent um 30B, aber außerhalb des Labors hat das noch niemand bestätigt, und als dichtes Modell ist es schwer zu betreiben. Wir bewerten es mit 3.8 von 5.
- Was kostet Nanbeige4.3-33B?
- Offene Gewichte unter Apache 2.0; keine offizielle gehostete API.
- Welche Nachteile hat Nanbeige4.3-33B?
- Alle Benchmark-Ergebnisse selbst gemeldet; noch keine unabhängige Rangliste; Dicht mit 33B: etwa 66GB in BF16, pro Token langsamer als MoE-Rivalen mit 3B aktiven Parametern; Nur Text; Qwen3.8-27B liest auch Bilder; Keine gehostete API vom Labor.
- Für wen eignet sich Nanbeige4.3-33B?
- Teams, die selbst hosten und einen offenen Coding-Agenten unter Apache-Lizenz oder ein Basismodell zum Nachtrainieren wollen und die Behauptungen an eigenen Aufgaben prüfen können.
- Was kostet Nanbeige4.3-33B für ein Team oder im Produktivbetrieb?
- BF16-Gewichte brauchen etwa 66GB, also vier GPUs mit 24GB oder zwei mit 48GB vor dem Cache; eine 4-Bit-Version braucht etwa 21GB plus etwa 28GB Cache bei 128K Kontext.
- Ist Nanbeige4.3-33B sicher für Firmendaten?
- Apache 2.0 ohne Nutzungsbeschränkungen; nur selbst gehostet, daher gelten keine Datenbedingungen Dritter. Keine Angaben zur Datenherkunft über die Modellkarte hinaus.
- Was sind die besten Alternativen zu Nanbeige4.3-33B?
- Die nächsten Alternativen, die wir getestet haben, sind Qwen3.8-27B, Gemma 4, Granite 4.2 und Sage-A1.5.
Antworten geprüft am 31. Okt. 2026.