Nanbeige4.3-33B to model językowy z otwartymi wagami, przedstawiany przez Nanbeige jako model nauczycielski dla agentów kodujących i zadań współpracy. Startup Fortune podał w relacji z 25 października 2026 r., że Nanbeige udostępniło go na Hugging Face w tygodniu obejmującym tę datę. Karta modelu określa maksymalny kontekst na 524 288 tokenów.
Nanbeige planuje wykorzystać model do destylacji możliwości agentowych w mniejszych modelach, podając Nanbeige4.3-3B jako przykład przyszłego projektu. Karta opisuje Nanbeige4.3-33B jako model przeznaczony między innymi do złożonych zadań programistycznych i pracy agentowej.
Co wyniki Nanbeige mówią o porównaniu z Qwen3.8-27B
W tabeli Nanbeige model uzyskuje wyższy wynik od Qwen3.8-27B w 18 z 20 benchmarków, ale Qwen prowadzi w SWE-Bench Pro i GDPval. To wyniki opublikowane przez Nanbeige, a nie niezależne replikacje.
| Benchmark | Nanbeige4.3-33B | Qwen3.8-27B |
| DeepSWE | 65.5 | 42.5 |
| Terminal-Bench 2.1 | 80.9 | 73.0 |
| SWE-Bench Pro | 60.3 | 61.7 |
| GDPval | 84.8 | 86.4 |
Nanbeige podaje, że modele oceniano przy najwyższym poziomie wysiłku rozumowania, z tymi samymi parametrami inferencji i tym samym narzędziem testowym w obrębie każdego benchmarku. Poszczególne testy mają jednak własne warunki. SWE-Atlas-QnA wykorzystuje 1 304 rubryki zadań oceniane przez GPT-6 Sol, a Automation Bench v1.0.6 obejmuje 600 publicznych zadań. Claw-Eval dotyczy 157 zadań z podzbioru General, zaś YC-bench uwzględnia tylko 10 ostatnich tur dialogu użytkownika. Wyników z różnych wierszy nie należy więc traktować jako pomiaru jednego, jednolitego zadania.
Jakie ustawienia Nanbeige zaleca do agentów i czatu
Nanbeige proponuje odrębne parametry generowania dla zadań agentowych i narzędziowych oraz dla rozumowania i czatu. preserve_thinking określa, czy w wieloetapowej rozmowie model zachowuje wcześniejsze rozumowanie asystenta.
| Zastosowanie | preserve_thinking | temperature | top_p | max_new_tokens |
| Agenci i narzędzia | True przy pracy wieloetapowej | 1.0 | 0.95 | 65536 |
| Rozumowanie i czat | False | 0.6 | 0.95 | 262144 |
Karta zaleca preserve_thinking=True przy wieloetapowym użyciu narzędzi, zadaniach biurowych i pracy agentów kodujących. Dla ogólnego czatu oraz pytań i odpowiedzi rekomenduje False. Osobna opcja enable_thinking steruje generowaniem rozumowania w bieżącej odpowiedzi i jest domyślnie włączona.
Do wywołań narzędzi Nanbeige rekomenduje format XML; obsługiwany jest również JSON. To użyteczny wybór konfiguracyjny dla programistów budujących przepływ agentowy, podczas gdy maksymalna długość kontekstu sama nie określa ustawień generowania.
Frameworki do lokalnej inferencji
Karta modelu Nanbeige zawiera przykłady uruchamiania przez Transformers, SGLang i vLLM. Przykład Transformers używa automatycznego mapowania urządzeń (device_map="auto"), a komendy dla SGLang i vLLM ustawiają równoległość tensorową na 4. Są to konfiguracje pokazane w przykładach Nanbeige.
