O que é Nanbeige4.3-33B?
O Nanbeige4.3-33B é um modelo de texto denso de 33 bilhões de parâmetros do Nanbeige LLM Lab da BOSS Zhipin, a plataforma chinesa de recrutamento operada pela Kanzhun. Ele foi lançado no Hugging Face em 24 de outubro de 2026, com um modelo base separado para pós-treino personalizado. Ele lê inglês e chinês, tem contexto de 524.288 tokens (512K) e um modo de raciocínio ligado por padrão.
O laboratório o descreve como um modelo professor: ele foi construído para se destacar em agentes de programação e em tarefas de escritório do tipo "cowork", e será destilado em um futuro Nanbeige4.3-3B. O template de chat suporta chamadas de ferramenta em XML ou JSON e uma opção para manter o raciocínio anterior entre turnos.
Os pesos estão sob Apache 2.0. Não há API hospedada do laboratório; o card traz receitas de SGLang e vLLM com tensor parallelism de quatro vias.
Quanto custa Nanbeige4.3-33B?
| Plano | Preço | O que inclui |
|---|---|---|
| Weights | Free | Apache 2.0 |
| Hosted API | Not offered | Nenhum endpoint próprio listado |
Pesos abertos sob Apache 2.0; sem API hospedada oficial.
Nanbeige4.3-33B vale a pena?
As alegações do Nanbeige4.3-33B são grandes e inteiramente autodeclaradas. Na tabela do laboratório, ele vence o Qwen3.8-27B em 18 de 20 benchmarks, com as maiores diferenças em programação com agentes: 65,5 contra 42,5 no DeepSWE, 23,8 contra 6,3 no Terminal-Bench 4.0 e 80,9 contra 73,0 no Terminal-Bench 2.1. Ele fica atrás do Qwen no SWE-Bench Pro (60,3 a 61,7) e no GDPval (84,8 a 86,4). O laboratório diz que todos os modelos rodaram com o mesmo harness e as mesmas configurações, mas uma semana após o lançamento nenhum ranking independente o lista.
Algumas escolhas do harness merecem um segundo olhar. As pontuações dele foram obtidas com o raciocínio preservado ligado, as respostas do SWE-Atlas foram avaliadas pelo GPT-6 Sol, e vários benchmarks de cowork são novos o bastante para que pequenas mudanças de configuração movam muito os resultados. O padrão de vantagens enormes em benchmarks de agentes novos e empate nos já estabelecidos é comum em tabelas de lançamento.
A contrapartida prática é a arquitetura. Ao contrário dos modelos mixture-of-experts com que concorre, todos os 33 bilhões de parâmetros rodam em cada token. Os pesos BF16 precisam de cerca de 66GB, e uma análise coloca um build de 4 bits em cerca de 21GB mais 28GB de cache com contexto de 128K, além do que uma única GPU de consumo comporta. Ele também é só texto, enquanto o Qwen3.8-27B lê imagens.
O que ele oferece é uma licença Apache 2.0 limpa, um modelo base publicado e contexto de 512K, o que junto o torna um ponto de partida razoável para uma empresa que quer fazer o pós-treino do seu próprio agente. Como escolha pronta para uso, ele precisa de números independentes antes de tirar o lugar do Qwen.
Onde ele se destaca
Uma equipe de plataforma em uma empresa de software com 200 engenheiros
Rodar um agente interno de programação nas próprias GPUs
Sirva-o com a receita de vLLM do card em quatro GPUs com tensor parallelism e o parser de ferramentas qwen3_coder. Compare-o antes com o Qwen3.8-27B nos repositórios da própria equipe, já que a vantagem de 23 pontos no DeepSWE é um número do laboratório.
Um líder de ML em uma empresa de SaaS vertical
Fazer o pós-treino de um agente de domínio para fluxos de RH ou finanças
Parta do Nanbeige4.3-33B-Base sob Apache 2.0, sem teto de receita. O laboratório convida a trabalhos conjuntos em agentes setoriais, o que pode ajudar com dados, mas significa que não há termos de suporte publicados.
Um desenvolvedor que avalia modelos abertos para tarefas de escritório com contexto longo
Processar documentos longos e uso de ferramentas em vários passos em um único contexto
O contexto de 512K comporta contratos ou bases de código inteiras, mas com 128K só o cache ocupa cerca de 28GB, segundo uma estimativa, então o orçamento de saída recomendado de 65.536 tokens para tarefas de agentes tem um custo real de memória.
Antes de decidir
- Configuração
- Baixe os pesos e sirva com SGLang ou vLLM usando --tp-size 4 e os parsers qwen3 de raciocínio e qwen3_coder de ferramentas; o Transformers exige trust_remote_code.
- Integrações
- Transformers, SGLang, vLLM; endpoints compatíveis com OpenAI em qualquer um dos dois servidores; o laboratório rodou o NL2Repo e o JobBench pelo harness do Claude Code.
- Dados e privacidade
- Apache 2.0 sem restrições de uso; só self-hosting, então nenhum termo de dados de terceiros se aplica. Nenhuma declaração sobre a origem dos dados além do model card.
- Custo em escala
- Os pesos BF16 precisam de cerca de 66GB, ou seja, quatro GPUs de 24GB ou duas de 48GB antes do cache; um build de 4 bits tem cerca de 21GB mais cerca de 28GB de cache com contexto de 128K.
- Limites
- Só texto; inglês e chinês; os orçamentos de saída recomendados, de 65.536 tokens para agentes e 262.144 para raciocínio, deixam as execuções longas lentas em um modelo denso.
O que é bom
- Lidera o Qwen3.8-27B em 18 de 20 benchmarks do laboratório, com folga maior em programação com agentes
- Apache 2.0, com o modelo base publicado para pós-treino
- Contexto de 512K tokens
- Formatos de chamada de ferramenta em XML e JSON com raciocínio preservado opcional
O que não é
- Todos os resultados de benchmark são autodeclarados; ainda sem ranking independente
- Denso de 33B: cerca de 66GB em BF16, mais lento por token que rivais MoE com 3B ativos
- Só texto; o Qwen3.8-27B também lê imagens
- Sem API hospedada do laboratório
Ideal para
Equipes que hospedam por conta própria e querem um agente de programação aberto com licença Apache, ou um modelo base para pós-treino, e que podem verificar as alegações nas suas próprias tarefas.
Alternativas ao Nanbeige4.3-33B
Nanbeige4.3-33B: perguntas frequentes
- Nanbeige4.3-33B vale a pena?
- Pelos números dos seus criadores, o Nanbeige4.3-33B é o agente de programação aberto mais forte perto dos 30B, mas ninguém fora do laboratório confirmou isso ainda, e ser denso o torna pesado de servir. Damos nota 3.8 de 5.
- Quanto custa Nanbeige4.3-33B?
- Pesos abertos sob Apache 2.0; sem API hospedada oficial.
- Quais são as desvantagens de Nanbeige4.3-33B?
- Todos os resultados de benchmark são autodeclarados; ainda sem ranking independente; denso de 33B: cerca de 66GB em BF16, mais lento por token que rivais MoE com 3B ativos; só texto; o Qwen3.8-27B também lê imagens; sem API hospedada do laboratório.
- Para quem Nanbeige4.3-33B é indicado?
- Equipes que hospedam por conta própria e querem um agente de programação aberto com licença Apache, ou um modelo base para pós-treino, e que podem verificar as alegações nas suas próprias tarefas.
- Quanto custa Nanbeige4.3-33B para uma equipe ou em produção?
- Os pesos BF16 precisam de cerca de 66GB, ou seja, quatro GPUs de 24GB ou duas de 48GB antes do cache; um build de 4 bits tem cerca de 21GB mais cerca de 28GB de cache com contexto de 128K.
- Nanbeige4.3-33B é seguro para dados da empresa?
- Apache 2.0 sem restrições de uso; só self-hosting, então nenhum termo de dados de terceiros se aplica. Nenhuma declaração sobre a origem dos dados além do model card.
- Quais são as melhores alternativas ao Nanbeige4.3-33B?
- As alternativas mais próximas que analisamos são Qwen3.8-27B, Gemma 4, Granite 4.2 e Sage-A1.5.
Respostas verificadas em 31 de out. de 2026.