Nanbeige4.3-33B オープンエージェントモデル、Qwen3.8-27BとGemma4-31Bをリードすると主張

Nanbeigeチームはオープンウェイトのエージェント模型Nanbeige4.3-33Bをリリースした。これは約300億パラメータのオープン模型の中で最先端のエージェント性能を発揮すると主張する[1]。同チームのテストではQwen3.8-27B、Muse-Glimmer-30B、Gemma4-31Bの大多数のコーディングおよびオフィスベンチマークでリードしたが、全てではない[1]。

Nanbeige4.3-33Bとは何か？

NanbeigeはNanbeige4.3-33BをHugging Face上でApache 2.0ライセンスで公開し、512Kトークンのコンテキストウィンドウを備えている。模型カードは英語と中国語をサポートし、最大コンテキストを524,288トークンと明記している[1]。

同チームはこれをNanbeige4.3シリーズのフラッグシップ教師模型と位置づけている[1]。その役割は小型模型へのエージェントスキル蒸留の基盤を固めることで、Nanbeige4.3-3Bが今後の例として挙げられている[1]。

カードは複雑なコーディングとプロフェッショナルな共同作業タスクを対象とし、推論、マルチターン工具使用、コードエージェントワークフローの設定を提供する[1]。Transformers、SGLang、vLLMで実行可能で、例示サーバーコマンドは模型を4つのGPUに分割する[1]。

Qwen、Gemma、Museとのスコア比較は？

カードによると、全模型は各ベンチマークで同一の推論設定とハーネスを用い、最高の思考努力でテストされた[1]。Nanbeigeは自社模型のTerminal-Bench 2.1スコアを80.9と報告し、Qwen3.8-27Bの73.0、Gemma4-31Bの47.2を上回った。

報告された最大の差はより困難なエージェントテストで、Terminal-Bench 4.0で23.8に対しQwen3.8-27Bは6.3、DeepSWEで65.5に対し42.5だった[1]。数学テストのAIME 2026では95.2に対しQwenは94.5と報告している[1]。

Nanbeige4.3-33Bの弱点はどこか？

Qwen3.8-27Bは同チームの比較表でSWE-Bench ProとGDPvalにおいて依然としてNanbeige4.3-33Bを上回っている。SWE-Bench ProではQwenが61.7に対し60.3、GDPvalでは86.4に対し84.8だった[1]。

科学推論テストのGPQA DiamondではGemma4-31Bが91.3でリードし、Nanbeigeは89.5だった[1]。カードの脚注には、一部のテストでGPT-6 Solを判定役に用いたりClaude Code内で実行したりしたことが示されている[1]。

私たちの見解

意見: 難易度の高いターミナルおよびソフトウェアエンジニアリングエージェントテストで同等規模を二桁差で上回ると主張する33Bオープン模型は、特にApache 2.0の下で試す価値がある。ただし自己採点のスコアカードは宣伝であり結果ではない。本当の信号は独立したリーダーボードと約束された3B蒸留が、エージェントスキルが移行するかどうかを示したときに得られる。

検証できなかった点

• 全ベンチマークスコアはNanbeigeチームの模型カードからの自己申告によるものであり、公開時点でNanbeige4.3-33Bの独立評価は見つからなかった。
• 比較が完全に同等条件かどうかの検証。いくつかのベンチマークはGPT-6 Solによる判定やClaude Codeハーネス内で実行され、GDPvalは改訂版ルーブリックを使用した。
• 模型に必要なメモリ量やGPUの種類。カードにハードウェア要件の記載がなく、単一のコンシューマーGPUやMacで動作するというSNS上の主張は未検証である。
• Nanbeige4.3-3Bなどの小型蒸留模型のリリース時期。カードは近日公開と呼ぶが日付はない。