Qu’est-ce que Nanbeige4.3-33B ?
Nanbeige4.3-33B est un modèle texte dense de 33 milliards de paramètres du Nanbeige LLM Lab de BOSS Zhipin, la plateforme chinoise de recrutement exploitée par Kanzhun. Il a été publié sur Hugging Face le 24 octobre 2026, avec un modèle de base distinct pour un post-entraînement sur mesure. Il lit l'anglais et le chinois, dispose d'un contexte de 524 288 tokens (512K) et d'un mode de réflexion activé par défaut.
Le laboratoire le présente comme un modèle enseignant : il a été conçu pour exceller dans les agents de code et les tâches de bureau de type "cowork", et sera distillé dans un futur Nanbeige4.3-3B. Le modèle de chat prend en charge les appels d'outils en XML ou JSON et une option pour conserver le raisonnement précédent d'un tour à l'autre.
Les poids sont sous Apache 2.0. Le laboratoire ne propose pas d'API hébergée ; la fiche donne des recettes SGLang et vLLM avec un parallélisme tensoriel sur quatre GPU.
Combien coûte Nanbeige4.3-33B ?
| Offre | Prix | Ce qui est inclus |
|---|---|---|
| Weights | Free | Apache 2.0 |
| Hosted API | Not offered | Aucun point d'accès propre indiqué |
Poids ouverts sous Apache 2.0 ; pas d'API hébergée officielle.
Nanbeige4.3-33B vaut-il le coup ?
Les affirmations sur Nanbeige4.3-33B sont fortes et entièrement autodéclarées. Dans le tableau du laboratoire, il bat Qwen3.8-27B sur 18 des 20 benchmarks, avec les plus grands écarts en code agentique : 65,5 contre 42,5 sur DeepSWE, 23,8 contre 6,3 sur Terminal-Bench 4.0 et 80,9 contre 73,0 sur Terminal-Bench 2.1. Il reste derrière Qwen sur SWE-Bench Pro (60,3 contre 61,7) et GDPval (84,8 contre 86,4). Le laboratoire affirme que tous les modèles ont tourné avec le même harnais et les mêmes réglages, mais une semaine après la sortie, aucun classement indépendant ne le recense.
Certains choix de protocole méritent un second regard. Ses propres scores ont été obtenus avec la réflexion préservée activée, les réponses de SWE-Atlas ont été notées par GPT-6 Sol, et plusieurs benchmarks de cowork sont assez récents pour que de petits changements de configuration fassent beaucoup varier les résultats. Des avances très larges sur les nouveaux benchmarks d'agents et la parité sur les benchmarks établis sont un schéma courant dans les tableaux de lancement.
Le compromis pratique tient à l'architecture. Contrairement aux modèles à mélange d'experts qu'il affronte, ses 33 milliards de paramètres travaillent sur chaque token. Les poids BF16 demandent environ 66GB, et une analyse estime une version 4 bits à environ 21GB plus 28GB de cache avec 128K de contexte, au-delà d'un seul GPU grand public. Il ne traite en outre que le texte, alors que Qwen3.8-27B lit les images.
Ce qu'il offre, c'est une licence Apache 2.0 nette, un modèle de base publié et un contexte de 512K, ce qui en fait un point de départ raisonnable pour une entreprise qui veut post-entraîner son propre agent. Comme solution prête à l'emploi, il lui faut des chiffres indépendants avant de détrôner Qwen.
Là où il fait la différence
Une équipe plateforme dans un éditeur de logiciels de 200 ingénieurs
Faire tourner un agent de code interne sur ses propres GPU
Servez-le avec la recette vLLM de la fiche sur quatre GPU en parallélisme tensoriel et avec le parseur d'outils qwen3_coder. Comparez-le d'abord à Qwen3.8-27B sur les dépôts de l'équipe, car l'avance de 23 points sur DeepSWE est un chiffre du laboratoire.
Un responsable ML dans une entreprise de SaaS vertical
Post-entraîner un agent métier pour des flux RH ou finance
Partez de Nanbeige4.3-33B-Base sous Apache 2.0, sans plafond de chiffre d'affaires. Le laboratoire propose de collaborer sur des agents sectoriels, ce qui peut aider pour les données, mais aucune condition de support n'est publiée.
Un développeur qui évalue des modèles ouverts pour des tâches bureautiques à long contexte
Traiter de longs documents et un usage d'outils en plusieurs étapes dans un seul contexte
Le contexte de 512K contient des contrats ou des bases de code entiers, mais à 128K le cache seul occupe environ 28 Go selon une estimation, donc le budget de sortie recommandé de 65 536 tokens pour les tâches d'agent a un vrai coût en mémoire.
Avant de vous engager
- Mise en route
- Téléchargez les poids et servez-les avec SGLang ou vLLM avec --tp-size 4 et les parseurs qwen3 (raisonnement) et qwen3_coder (outils) ; Transformers exige trust_remote_code.
- Intégrations
- Transformers, SGLang, vLLM ; points d'accès compatibles OpenAI depuis l'un ou l'autre serveur ; le laboratoire a fait tourner NL2Repo et JobBench avec le harnais de Claude Code.
- Données et confidentialité
- Apache 2.0 sans restriction d'usage ; uniquement auto-hébergé, donc aucune condition de données tierce ne s'applique. Aucune déclaration sur la provenance des données au-delà de la fiche du modèle.
- Coût à grande échelle
- Les poids BF16 demandent environ 66 Go, soit quatre GPU de 24 Go ou deux de 48 Go avant le cache ; une version 4 bits occupe environ 21 Go plus environ 28 Go de cache avec 128K de contexte.
- Limites
- Texte uniquement ; anglais et chinois ; les budgets de sortie recommandés de 65 536 tokens pour les agents et 262 144 pour le raisonnement rendent les longues exécutions lentes sur un modèle dense.
Les points forts
- Devance Qwen3.8-27B sur 18 des 20 benchmarks du laboratoire, surtout en code agentique
- Apache 2.0, avec le modèle de base publié pour le post-entraînement
- Contexte de 512K tokens
- Appels d'outils en XML et JSON avec raisonnement préservé en option
Les points faibles
- Tous les résultats sont autodéclarés ; aucun classement indépendant pour l'instant
- Dense de 33B : environ 66 Go en BF16, plus lent par token que les MoE rivaux à 3B actifs
- Texte uniquement ; Qwen3.8-27B lit aussi les images
- Pas d'API hébergée par le laboratoire
Idéal pour
Les équipes qui hébergent leurs modèles et veulent un agent de code ouvert sous licence Apache, ou un modèle de base à post-entraîner, et qui peuvent vérifier ses affirmations sur leurs propres tâches.
Alternatives à Nanbeige4.3-33B
Nanbeige4.3-33B : questions fréquentes
- Nanbeige4.3-33B vaut-il le coup ?
- D'après les chiffres de ses auteurs, Nanbeige4.3-33B est l'agent de code ouvert le plus fort autour de 30B, mais personne hors du laboratoire ne l'a encore confirmé, et son architecture dense le rend lourd à servir. Nous lui donnons 3.8 sur 5.
- Combien coûte Nanbeige4.3-33B ?
- Poids ouverts sous Apache 2.0 ; pas d'API hébergée officielle.
- Quels sont les inconvénients de Nanbeige4.3-33B ?
- Tous les résultats sont autodéclarés ; aucun classement indépendant pour l'instant; dense de 33B : environ 66 Go en BF16, plus lent par token que les MoE rivaux à 3B actifs; texte uniquement ; Qwen3.8-27B lit aussi les images; pas d'API hébergée par le laboratoire.
- À qui s’adresse Nanbeige4.3-33B ?
- Les équipes qui hébergent leurs modèles et veulent un agent de code ouvert sous licence Apache, ou un modèle de base à post-entraîner, et qui peuvent vérifier ses affirmations sur leurs propres tâches.
- Combien coûte Nanbeige4.3-33B pour une équipe ou en production ?
- Les poids BF16 demandent environ 66 Go, soit quatre GPU de 24 Go ou deux de 48 Go avant le cache ; une version 4 bits occupe environ 21 Go plus environ 28 Go de cache avec 128K de contexte.
- Nanbeige4.3-33B est-il sûr pour les données de l’entreprise ?
- Apache 2.0 sans restriction d'usage ; uniquement auto-hébergé, donc aucune condition de données tierce ne s'applique. Aucune déclaration sur la provenance des données au-delà de la fiche du modèle.
- Quelles sont les meilleures alternatives à Nanbeige4.3-33B ?
- Les alternatives les plus proches que nous avons testées sont Qwen3.8-27B, Gemma 4, Granite 4.2 et Sage-A1.5.
Réponses vérifiées le 31 oct. 2026.