Открытая Nanbeige4.3-33B для программирования выиграла 17 тестов из 20, но по своим замерам

Nanbeige выпустила Nanbeige4.3-33B, открытую агентную модель с 33 млрд параметров для программирования. Агентная значит, что модель не только отвечает на вопросы, но и сама выполняет многошаговую работу: запускает команды, вызывает инструменты, проверяет результат. По данным Marktechpost, веса опубликованы на Hugging Face, крупнейшей площадке для обмена ИИ-моделями, под лицензией Apache 2.0, которая разрешает коммерческое использование.

Лаборатория входит в рекрутинговую платформу BOSS Zhipin, а не в профильную ИИ-компанию. Вместе с основной моделью вышла базовая версия Nanbeige4.3-33B-Base для собственного дообучения (обучения модели на ваших примерах под узкую задачу).

Что измеряли?

Модель задумана как «учитель». Лаборатория сначала строит сильную большую модель, а потом передаёт её навыки агентной работы маленьким моделям. Первой в очереди стоит Nanbeige4.3-3B, сроков выхода источник не называет.

Архитектура плотная: на каждом токене (кусочке слова, которым модель читает текст) работают все 33 млрд параметров. У моделей со «смесью экспертов» на каждом шаге включается только часть сети, здесь такого разделения нет. Контекстное окно в 524 288 токенов означает объём текста, который модель держит в голове за один раз, это сотни страниц.

У модели три переключателя. Режим рассуждений (модель сначала думает, потом отвечает) включён по умолчанию. Можно сохранять ход рассуждений между репликами, это Nanbeige советует для ИИ-агентов, пишущих код. Третий переключатель включает вызов внешних инструментов.

Для сравнения лаборатория взяла три открытые модели размером около 30 млрд параметров: Qwen3.8-27B, Muse-Glimmer-30B и Gemma4-31B. Все запускали на максимальном уровне рассуждений с одинаковыми настройками.

Что обнаружили?

• Агентное программирование. На Terminal-Bench 2.1 модель набрала 80,9 против 73,0 у Qwen3.8-27B. Самый большой отрыв на DeepSWE: 65,5 против 42,5.
• Офисные задачи. На Automation Bench результат 54,2 против 38,3, на JobBench 44,8 против 34,5. В симуляции бизнеса YC-bench модель «заработала» $1 025 437 против $641 290.
• Рассуждения. 95,2 балла на математическом тесте AIME 2026 и 84,0 на AA-LCR.
• Проигрыши. Qwen3.8-27B впереди на SWE-Bench Pro (61,7 против 60,3) и GDPval (86,4 против 84,8). Gemma4-31B впереди на GPQA Diamond: 91,3 против 89,5.
• Слабое место. На Terminal-Bench 4.0 всего 23,8, хотя Gemma4-31B там набрала 0,0.
• Базовая версия обошла Gemma4-31B-Base во всех 8 заявленных задачах, например на MMLU-Pro 66,9 против 59,3.

Что это значит для вас?

Модель работает только с текстом, картинки и звук не понимает. О качестве работы на русском языке источник не сообщает.

Автору Дзена. Напрямую модель вам пока не пригодится: удобного сервиса с окном для промпта нет. Для текстов продолжайте работать с привычными инструментами. Из доступных в РФ аналогов это YandexGPT и GigaChat.

Маркетологу. Цифры по офисным тестам вроде JobBench говорят, куда смещается рынок: от генерации текста к агентам, которые сами выполняют рутинные задачи. Закладывайте это в планы, но не в бюджет на ближайший квартал.

Предпринимателю РФ и СНГ. Если у вас есть свой технический специалист и сервер, лицензия Apache 2.0 позволяет развернуть модель у себя, без зарубежного облака. Начните с тестового прогона на ваших задачах, не ориентируйтесь на таблицу разработчика.

По данным Marktechpost