¿Qué es Nanbeige4.3-33B?
Nanbeige4.3-33B es un modelo de texto denso de 33.000 millones de parámetros del Nanbeige LLM Lab de BOSS Zhipin, la plataforma china de empleo gestionada por Kanzhun. Se publicó en Hugging Face el 24 de octubre de 2026, junto con un modelo base aparte para post-entrenamiento propio. Lee inglés y chino, tiene un contexto de 524.288 tokens (512K) y un modo de razonamiento activado por defecto.
El laboratorio lo describe como un modelo maestro: se construyó para destacar en agentes de programación y tareas de oficina tipo "cowork", y se destilará en un futuro Nanbeige4.3-3B. La plantilla de chat admite llamadas a herramientas en XML o JSON y una opción para conservar el razonamiento anterior entre turnos.
Los pesos están bajo Apache 2.0. El laboratorio no ofrece una API alojada; la ficha incluye recetas para SGLang y vLLM con paralelismo tensorial a cuatro vías.
¿Cuánto cuesta Nanbeige4.3-33B?
| Plan | Precio | Qué incluye |
|---|---|---|
| Weights | Free | Apache 2.0 |
| Hosted API | Not offered | No hay endpoint propio publicado |
Pesos abiertos bajo Apache 2.0; sin API alojada oficial.
¿Merece la pena Nanbeige4.3-33B?
Las afirmaciones de Nanbeige4.3-33B son grandes y todas autodeclaradas. En la tabla del laboratorio supera a Qwen3.8-27B en 18 de 20 benchmarks, con las mayores diferencias en programación con agentes: 65,5 frente a 42,5 en DeepSWE, 23,8 frente a 6,3 en Terminal-Bench 4.0 y 80,9 frente a 73,0 en Terminal-Bench 2.1. Queda por detrás de Qwen en SWE-Bench Pro (60,3 a 61,7) y GDPval (84,8 a 86,4). El laboratorio dice que todos los modelos se ejecutaron con el mismo entorno y la misma configuración, pero una semana después del lanzamiento ninguna clasificación independiente lo incluye.
Algunas decisiones del entorno de pruebas merecen una segunda mirada. Sus propias puntuaciones se obtuvieron con el razonamiento preservado activado, las respuestas de SWE-Atlas las calificó GPT-6 Sol, y varios benchmarks de cowork son tan recientes que pequeños cambios de configuración mueven mucho los resultados. El patrón de ventajas muy grandes en benchmarks de agentes nuevos y empate en los consolidados es habitual en las tablas de lanzamiento.
El compromiso práctico es la arquitectura. A diferencia de los modelos de mezcla de expertos con los que compite, sus 33.000 millones de parámetros se ejecutan en cada token. Los pesos en BF16 necesitan unos 66GB, y un análisis sitúa una versión de 4 bits en unos 21GB más 28GB de caché con 128K de contexto, más de lo que cabe en una sola GPU de consumo. Además solo trabaja con texto, mientras que Qwen3.8-27B lee imágenes.
Lo que sí ofrece es una licencia Apache 2.0 limpia, un modelo base publicado y un contexto de 512K, que en conjunto lo convierten en un punto de partida razonable para una empresa que quiera post-entrenar su propio agente. Como opción lista para usar, necesita cifras independientes antes de desplazar a Qwen.
Dónde se gana su sitio
Un equipo de plataforma en una empresa de software de 200 ingenieros
Ejecutar un agente de programación interno en sus propias GPU
Sírvelo con la receta de vLLM de la ficha en cuatro GPU con paralelismo tensorial y el parser de herramientas qwen3_coder. Compáralo antes con Qwen3.8-27B en los repositorios del equipo, ya que la ventaja de 23 puntos en DeepSWE es una cifra del laboratorio.
Un responsable de ML en una empresa de SaaS vertical
Post-entrenar un agente de dominio para flujos de RR. HH. o finanzas
Parte de Nanbeige4.3-33B-Base bajo Apache 2.0, sin límites de facturación. El laboratorio invita a colaborar en agentes sectoriales, lo que puede ayudar con los datos, pero no hay condiciones de soporte publicadas.
Un desarrollador que evalúa modelos abiertos para tareas de oficina con contexto largo
Procesar documentos largos y uso de herramientas en varios pasos en un solo contexto
El contexto de 512K admite contratos o bases de código enteras, pero con 128K la caché sola ocupa unos 28GB según una estimación, así que el presupuesto de salida recomendado de 65.536 tokens para tareas de agente tiene un coste real de memoria.
Antes de decidirte
- Puesta en marcha
- Descarga los pesos y sírvelos con SGLang o vLLM usando --tp-size 4 y los parsers qwen3 de razonamiento y qwen3_coder de herramientas; Transformers necesita trust_remote_code.
- Integraciones
- Transformers, SGLang, vLLM; endpoints compatibles con OpenAI desde cualquiera de los dos servidores; el laboratorio ejecutó NL2Repo y JobBench con el entorno de Claude Code.
- Datos y privacidad
- Apache 2.0 sin restricciones de uso; solo autoalojado, así que no se aplican condiciones de datos de terceros. No hay declaración sobre el origen de los datos más allá de la ficha del modelo.
- Coste a escala
- Los pesos en BF16 necesitan unos 66GB, es decir, cuatro GPU de 24GB o dos de 48GB antes de la caché; una versión de 4 bits ocupa unos 21GB más unos 28GB de caché con 128K de contexto.
- Límites
- Solo texto; inglés y chino; los presupuestos de salida recomendados de 65.536 tokens para agentes y 262.144 para razonamiento hacen lentas las ejecuciones largas en un modelo denso.
Lo bueno
- Supera a Qwen3.8-27B en 18 de 20 benchmarks del laboratorio, sobre todo en programación con agentes
- Apache 2.0, con el modelo base publicado para post-entrenamiento
- Contexto de 512K tokens
- Formatos de llamada a herramientas XML y JSON con razonamiento preservado opcional
Lo malo
- Todos los resultados son autodeclarados; aún no hay clasificación independiente
- Denso de 33B: unos 66GB en BF16, más lento por token que rivales MoE con 3B activos
- Solo texto; Qwen3.8-27B también lee imágenes
- El laboratorio no ofrece API alojada
Ideal para
Equipos que alojan sus propios modelos y quieren un agente de programación abierto con licencia Apache, o un modelo base que post-entrenar, y pueden verificar sus afirmaciones en sus propias tareas.
Alternativas a Nanbeige4.3-33B
Nanbeige4.3-33B: preguntas frecuentes
- ¿Merece la pena Nanbeige4.3-33B?
- Según las cifras de sus creadores, Nanbeige4.3-33B es el agente de programación abierto más fuerte cerca de los 30B, pero nadie fuera del laboratorio lo ha confirmado aún, y al ser denso resulta pesado de servir. Le damos un 3.8 sobre 5.
- ¿Cuánto cuesta Nanbeige4.3-33B?
- Pesos abiertos bajo Apache 2.0; sin API alojada oficial.
- ¿Qué inconvenientes tiene Nanbeige4.3-33B?
- Todos los resultados son autodeclarados; aún no hay clasificación independiente; denso de 33B: unos 66GB en BF16, más lento por token que rivales MoE con 3B activos; solo texto; Qwen3.8-27B también lee imágenes; el laboratorio no ofrece API alojada.
- ¿Para quién es Nanbeige4.3-33B?
- Equipos que alojan sus propios modelos y quieren un agente de programación abierto con licencia Apache, o un modelo base que post-entrenar, y pueden verificar sus afirmaciones en sus propias tareas.
- ¿Cuánto cuesta Nanbeige4.3-33B para un equipo o en producción?
- Los pesos en BF16 necesitan unos 66GB, es decir, cuatro GPU de 24GB o dos de 48GB antes de la caché; una versión de 4 bits ocupa unos 21GB más unos 28GB de caché con 128K de contexto.
- ¿Es Nanbeige4.3-33B seguro para los datos de la empresa?
- Apache 2.0 sin restricciones de uso; solo autoalojado, así que no se aplican condiciones de datos de terceros. No hay declaración sobre el origen de los datos más allá de la ficha del modelo.
- ¿Cuáles son las mejores alternativas a Nanbeige4.3-33B?
- Las alternativas más cercanas que hemos analizado son Qwen3.8-27B, Gemma 4, Granite 4.2 y Sage-A1.5.
Respuestas comprobadas el 31 oct 2026.