Nanbeige4.3-33B modelo de agente abierto afirma liderazgo sobre Qwen3.8-27B y Gemma4-31B

El equipo Nanbeige ha lanzado Nanbeige4.3-33B, un modelo de agente de peso abierto que afirma ofrecer el rendimiento agentico de vanguardia entre los modelos abiertos de aproximadamente 30 mil millones de parámetros [1]. En las propias pruebas del equipo lidera a Qwen3.8-27B, Muse-Glimmer-30B y Gemma4-31B en la mayoría de los benchmarks de codificación y oficina, pero no en todos [1].

¿Qué es Nanbeige4.3-33B?

Nanbeige publicó Nanbeige4.3-33B en Hugging Face bajo la licencia Apache 2.0 con una ventana de contexto de 512K tokens. La tarjeta del modelo soporta inglés y chino y establece un contexto máximo de 524288 tokens [1].

El equipo lo llama el modelo profesor insignia de la serie Nanbeige4.3 [1]. Su función es anclar la destilación de habilidades de agente en modelos más pequeños, con Nanbeige4.3-3B nombrado como un ejemplo próximo [1].

La tarjeta apunta a codificación compleja y lo que llama tareas profesionales de cowork, y ofrece ajustes para razonamiento, uso de herramientas en múltiples turnos y flujos de trabajo de code-agent [1]. Se puede ejecutar con Transformers, SGLang o vLLM; los comandos de servidor de ejemplo dividen el modelo en cuatro GPUs [1].

¿Cómo puntúa frente a Qwen, Gemma y Muse?

Todos los modelos se probaron con el máximo esfuerzo de pensamiento y los mismos ajustes de inferencia y arnés por benchmark, según la tarjeta [1]. Nanbeige informa 80.9 en Terminal-Bench 2.1 para su modelo, frente a 73.0 de Qwen3.8-27B y 47.2 de Gemma4-31B.

Las mayores brechas reportadas están en las pruebas de agente más difíciles: 23.8 en Terminal-Bench 4.0 frente a 6.3 de Qwen3.8-27B, y 65.5 en DeepSWE frente a 42.5 [1]. En AIME 2026, una prueba de matemáticas, informa 95.2 frente a 94.5 de Qwen [1].

¿Dónde se queda corto Nanbeige4.3-33B?

Qwen3.8-27B aún supera a Nanbeige4.3-33B en SWE-Bench Pro y GDPval en la tabla de comparación propia del equipo. En SWE-Bench Pro, Qwen puntúa 61.7 frente a 60.3, y en GDPval 86.4 frente a 84.8 [1].

En GPQA Diamond, una prueba de razonamiento científico, Gemma4-31B lidera con 91.3 frente a 89.5 de Nanbeige [1]. Las notas a pie de la tarjeta también muestran que algunas pruebas usaron GPT-6 Sol como juez o se ejecutaron dentro de Claude Code [1].

Nuestra lectura

Opinión: Un modelo abierto de 33B que afirma superar a sus pares por dígitos dobles en pruebas duras de terminal y de ingeniería de software agentica merece una prueba, especialmente bajo Apache 2.0. Pero una tarjeta de puntuación autocalificada es una presentación, no un resultado; la señal real vendrá cuando los leaderboards independientes y la destilación prometida de 3B muestren si las habilidades de agente se transfieren.

Lo que no pudimos verificar

• Cada puntuación de benchmark proviene de la propia tarjeta del modelo del equipo de Nanbeige; no encontramos ninguna evaluación independiente de Nanbeige4.3-33B en el momento de la publicación.
• Si las comparaciones son completamente equivalentes; algunos benchmarks fueron juzgados por GPT-6 Sol o ejecutados en el arnés de Claude Code, y GDPval usó rúbricas revisadas.
• Cuánta memoria o qué GPUs necesita el modelo; la tarjeta no indica los requisitos de hardware, y las afirmaciones en redes sociales de que se ejecuta en una sola GPU de consumo o en un Mac no están verificadas.
• Cuándo se lanzarán los modelos destilados más pequeños como Nanbeige4.3-3B; la tarjeta los llama próximos sin fecha.