Nanbeige4.3-33B Open-Agent-Modell behauptet Führung über Qwen3.8-27B und Gemma4-31B

Das Nanbeige-Team hat Nanbeige4.3-33B veröffentlicht, ein Open-Weight-Agentenmodell, das nach eigenen Angaben state-of-the-art agentische Leistung unter offenen Modellen mit etwa 30 Milliarden Parametern bietet [1]. In den eigenen Tests des Teams führt es Qwen3.8-27B, Muse-Glimmer-30B und Gemma4-31B bei den meisten Coding- und Office-Benchmarks an, aber nicht bei allen [1].

Was ist Nanbeige4.3-33B?

Nanbeige veröffentlichte Nanbeige4.3-33B auf Hugging Face unter der Apache-2.0-Lizenz mit einem 512K-Token-Kontextfenster. Die Model Card unterstützt Englisch und Chinesisch und gibt ein maximales Kontextfenster von 524.288 Tokens an [1].

Das Team bezeichnet es als Flaggschiff-Lehrermodell der Nanbeige4.3-Serie [1]. Seine Aufgabe ist es, die Destillation von Agentenfähigkeiten in kleinere Modelle zu verankern, wobei Nanbeige4.3-3B als kommendes Beispiel genannt wird [1].

Die Card zielt auf komplexe Coding- und sogenannte professionelle Cowork-Aufgaben ab und bietet Einstellungen für Reasoning, Multi-Turn-Tool-Nutzung und Code-Agent-Workflows [1]. Es kann mit Transformers, SGLang oder vLLM ausgeführt werden; die Beispiel-Serverbefehle verteilen das Modell auf vier GPUs [1].

Wie schneidet es gegen Qwen, Gemma und Muse ab?

Alle Modelle wurden mit maximalem Thinking-Effort und denselben Inferenz-Einstellungen sowie Harness pro Benchmark getestet, laut der Card [1]. Nanbeige berichtet 80,9 auf Terminal-Bench 2.1 für sein Modell, gegenüber 73,0 für Qwen3.8-27B und 47,2 für Gemma4-31B.

Die größten gemeldeten Lücken liegen bei härteren Agententests: 23,8 auf Terminal-Bench 4.0 gegenüber 6,3 für Qwen3.8-27B und 65,5 auf DeepSWE gegenüber 42,5 [1]. Bei AIME 2026, einem Mathe-Test, berichtet es 95,2 gegenüber 94,5 für Qwen [1].

Wo bleibt Nanbeige4.3-33B hinterher?

Qwen3.8-27B schlägt Nanbeige4.3-33B weiterhin auf SWE-Bench Pro und GDPval in der eigenen Vergleichstabelle des Teams. Bei SWE-Bench Pro erreicht Qwen 61,7 gegenüber 60,3 und bei GDPval 86,4 gegenüber 84,8 [1].

Bei GPQA Diamond, einem Wissenschafts-Reasoning-Test, führt Gemma4-31B mit 91,3 gegenüber 89,5 für Nanbeige [1]. Die Fußnoten der Card zeigen auch, dass einige Tests GPT-6 Sol als Judge nutzten oder innerhalb von Claude Code liefen [1].

Unsere Einschätzung

Meinung: Ein 33B-Open-Modell, das behauptet, seine Peers bei harten Terminal- und Software-Engineering-Agententests um zweistellige Punkte zu schlagen, ist einen Testlauf wert, besonders unter Apache 2.0. Aber eine selbst benotete Scorecard ist eine Werbung, kein Ergebnis; das echte Signal wird kommen, wenn unabhängige Leaderboards und die angekündigte 3B-Destillation zeigen, ob die Agentenfähigkeiten übertragen werden.

Was wir nicht verifizieren konnten

• Jeder Benchmark-Wert stammt aus der eigenen Model Card des Nanbeige-Teams; wir fanden bei Veröffentlichung keine unabhängige Bewertung von Nanbeige4.3-33B.
• Ob die Vergleiche vollständig vergleichbar sind; einige Benchmarks wurden von GPT-6 Sol bewertet oder im Claude Code Harness ausgeführt, und GDPval verwendete überarbeitete Rubriken.
• Wie viel Speicher oder welche GPUs das Modell benötigt; die Karte gibt keine Hardware-Anforderungen an, und Behauptungen in sozialen Medien, dass es auf einer einzelnen Consumer-GPU oder einem Mac läuft, sind nicht verifiziert.
• Wann die kleineren destillierten Modelle wie Nanbeige4.3-3B veröffentlicht werden; die Karte bezeichnet sie als kommend ohne Datum.