Nanbeige4.3-33B est un modèle à poids ouverts destiné aux agents de programmation et aux tâches professionnelles assistées par des outils. Nanbeige le présente comme le modèle enseignant de sa série Nanbeige4.3 et indique une longueur de contexte maximale de 524 288 tokens. Le 25 octobre 2026, Startup Fortune rapportait que le modèle avait été publié sur Hugging Face durant cette semaine.
Ce que Nanbeige rapporte face à Qwen
Dans son tableau, Nanbeige affiche un score supérieur à celui de Qwen3.8-27B dans 18 des 20 lignes. Qwen obtient toutefois de meilleurs scores sur SWE-Bench Pro et GDPval.
| Benchmark | Nanbeige4.3-33B | Qwen3.8-27B |
| Terminal-Bench 2.1 | 80,9 | 73,0 |
| DeepSWE | 65,5 | 42,5 |
| SWE-Bench Pro | 60,3 | 61,7 |
| GDPval | 84,8 | 86,4 |
Ces résultats sont ceux que Nanbeige rapporte. La société indique que les modèles ont été évalués au niveau maximal de réflexion, avec les mêmes hyperparamètres d’inférence et le même protocole pour chaque benchmark. Les outils d’évaluation varient selon les tests : Terminal-Bench 2.1 utilise Terminus 2, tandis que DeepSWE utilise mini-swe-agent v2.4.6.
Les réglages recommandés pour les agents et le chat
La fiche de Nanbeige distingue les réglages destinés aux agents et aux outils de ceux recommandés pour le raisonnement et le chat. Elle conseille preserve_thinking=True pour les échanges à plusieurs tours avec des outils et les agents de programmation, et False pour le chat général et les questions-réponses.
| Usage | preserve_thinking | temperature | top_p | max_new_tokens |
| Agents et outils | True | 1.0 | 0.95 | 65 536 |
| Raisonnement et chat | False | 0.6 | 0.95 | 262 144 |
enable_thinking, qui active le raisonnement pour la réponse en cours, est activé par défaut. preserve_thinking règle plutôt la conservation du raisonnement précédent de l’assistant d’un tour à l’autre. Pour les appels d’outils, Nanbeige recommande le format XML ; le format JSON est également pris en charge.
Les exemples d’inférence documentés
Nanbeige propose des démarrages rapides avec Transformers, SGLang et vLLM dans sa fiche du modèle sur Hugging Face. Les exemples SGLang et vLLM utilisent un parallélisme tensoriel de 4 ; celui de Transformers emploie device_map='auto'.
Nanbeige présente aussi le modèle comme une base pour distiller ses capacités d’agent dans des modèles plus petits. Nanbeige4.3-3B est cité comme un exemple prévu pour la suite.
