Le modèle d'agent open source Nanbeige4.3-33B revendique la tête face à Qwen3.8-27B et Gemma4-31B

L'équipe Nanbeige a publié Nanbeige4.3-33B, un modèle agent open-weight qui, selon elle, offre des performances agentiques de pointe parmi les modèles open source d'environ 30 milliards de paramètres [1]. Dans ses propres tests, il devance Qwen3.8-27B, Muse-Glimmer-30B et Gemma4-31B sur la plupart des benchmarks de codage et de bureautique, mais pas tous [1].

Qu'est-ce que Nanbeige4.3-33B ?

Nanbeige a publié Nanbeige4.3-33B sur Hugging Face sous licence Apache 2.0 avec une fenêtre de contexte de 512K tokens. La fiche du modèle prend en charge l'anglais et le chinois et indique un contexte maximal de 524 288 tokens [1].

L'équipe le présente comme le modèle enseignant phare de la série Nanbeige4.3 [1]. Son rôle est d'ancrer la distillation des compétences agentiques dans des modèles plus petits, avec Nanbeige4.3-3B cité comme exemple à venir [1].

La fiche cible le codage complexe et ce qu'elle appelle les tâches de cowork professionnel, et propose des paramètres pour le raisonnement, l'utilisation d'outils multi-tours et les workflows d'agents de code [1]. Il peut être exécuté avec Transformers, SGLang ou vLLM ; les commandes serveur d'exemple répartissent le modèle sur quatre GPU [1].

Comment se compare-t-il à Qwen, Gemma et Muse ?

Tous les modèles ont été testés avec le plus haut niveau d'effort de réflexion et les mêmes paramètres d'inférence et harness par benchmark, selon la fiche [1]. Nanbeige rapporte 80,9 sur Terminal-Bench 2.1 pour son modèle, contre 73,0 pour Qwen3.8-27B et 47,2 pour Gemma4-31B.

Les écarts les plus importants rapportés concernent les tests d'agents plus difficiles : 23,8 sur Terminal-Bench 4.0 contre 6,3 pour Qwen3.8-27B, et 65,5 sur DeepSWE contre 42,5 [1]. Sur AIME 2026, un test de maths, il rapporte 95,2 contre 94,5 pour Qwen [1].

Où Nanbeige4.3-33B montre-t-il ses limites ?

Qwen3.8-27B bat encore Nanbeige4.3-33B sur SWE-Bench Pro et GDPval dans le tableau de comparaison de l'équipe. Sur SWE-Bench Pro, Qwen obtient 61,7 contre 60,3, et sur GDPval 86,4 contre 84,8 [1].

Sur GPQA Diamond, un test de raisonnement scientifique, Gemma4-31B mène avec 91,3 contre 89,5 pour Nanbeige [1]. Les notes de bas de page de la fiche indiquent aussi que certains tests ont utilisé GPT-6 Sol comme juge ou ont été exécutés dans Claude Code [1].

Notre analyse

Avis : Un modèle open source de 33B qui prétend surpasser ses pairs de plusieurs dizaines de points sur des tests difficiles d'agents en terminal et d'ingénierie logicielle mérite d'être testé, surtout sous Apache 2.0. Mais un tableau de scores auto-évalué est une présentation, pas un résultat ; le vrai signal viendra des classements indépendants et de la distillation promise en 3B pour voir si les compétences agentiques se transfèrent.

Ce que nous n'avons pas pu vérifier

• Chaque score de benchmark provient de la fiche de modèle de l'équipe Nanbeige ; nous n'avons trouvé aucune évaluation indépendante de Nanbeige4.3-33B au moment de la publication.
• Si les comparaisons sont entièrement équivalentes ; certains benchmarks ont été jugés par GPT-6 Sol ou exécutés dans l'environnement Claude Code, et GDPval a utilisé des rubriques révisées.
• Quelle quantité de mémoire ou quels GPU le modèle nécessite ; la fiche ne précise pas les exigences matérielles, et les affirmations sur les réseaux sociaux selon lesquelles il fonctionne sur un seul GPU grand public ou un Mac sont non vérifiées.
• Quand les modèles distillés plus petits tels que Nanbeige4.3-3B seront publiés ; la fiche les qualifie de prochains sans date.