‏Nanbeige4.3-33B: مدل باز ۳۳ میلیاردی که برای کارهای ایجنتی ساخته شده

تیم Nanbeige مدل Nanbeige4.3-33B رو با لایسنس Apache 2.0 منتشر کرده. این مدل حدود ۳۳ میلیارد پارامتر داره و از اول به‌عنوان یه teacher agent طراحی شده، یعنی مدل بزرگی که داده‌ی آموزشی برای مدل‌های کوچیک‌تر تولید می‌کنه (همون distillation). قراره یه نسخه‌ی کوچیک به اسم Nanbeige4.3-3B هم ازش دربیاد. تمرکزش روی tool use، برنامه‌ریزی چندمرحله‌ای و کدنویسیه و context window تا 512K توکن داره.

به گفته‌ی تیم سازنده، هر چهار مدل (Nanbeige، Qwen3.8-27B، Muse-Glimmer-30B و Gemma4-31B) با بیشترین thinking effort و تنظیمات یکسان تست شدن. تو کدنویسی ایجنتی، Nanbeige تو هفت بنچمارک از هشتا اول شده. بیشترین فاصله رو تو تست‌های سخت‌تر داره: تو Terminal-Bench 4.0 امتیازش 23.8 هست، در حالی که Qwen به 6.3 و Gemma4 به 0.0 رسیده. تو DeepSWE هم 65.5 گرفته در برابر 42.5 برای Qwen.

ولی همه‌جا برنده نیست. تو SWE-Bench Pro مدل Qwen3.8-27B با 61.7 در برابر 60.3 جلوتره و تو GDPval هم Qwen با 86.4 در برابر 84.8 برده. تو بخش agentic cowork (یعنی کارهای اداری و چندمرحله‌ای شبیه کار یه آدم حرفه‌ای) Nanbeige تو Automation Bench، JobBench و DeepPlanning جلوئه. تو YC-bench که امتیاز رو به دلار می‌ده، حدود 1.02 میلیون دلار گرفته در برابر 641 هزار دلار Qwen.

تو بنچمارک‌های استدلال خالص مثل GPQA Diamond و AIME 2026، هر چهار مدل خیلی نزدیک به هم هستن و جالبه که Gemma4-31B با 91.3 تو GPQA Diamond اول شده. به گفته‌ی مقاله، این نشون می‌ده امتیاز استدلال یه مدل پیش‌بینی نمی‌کنه که چقدر خوب ابزارها رو پشت هم صدا می‌زنه یا روی یه ریپو کد می‌نویسه.

برای اجرا، مدل روی Hugging Face هست و با Transformers، SGLang یا vLLM کار می‌کنه. دو تا فلگ مهم داره: enable_thinking برای روشن و خاموش کردن استدلال و preserve_thinking برای نگه‌داشتن استدلال نوبت‌های قبلی. توصیه شده برای چت معمولی preserve_thinking رو False بذاری و برای کارهای ایجنتی و چندنوبتی True. برای tool calling هم فرمت XML پیشنهاد شده و parserهاش با ابزارهای Qwen3 سازگارن، یعنی اگه الان مدل‌های Qwen رو سرو می‌کنی، جابه‌جاییش راحته.

نکات کلیدی:

• لایسنس Apache 2.0، حدود ۳۳ میلیارد پارامتر و context تا 512K توکن
• Terminal-Bench 2.1: امتیاز 80.9 در برابر 73.0 برای Qwen3.8-27B
• Qwen3.8-27B تو SWE-Bench Pro (61.7) و GDPval (86.4) جلوتره
• تنظیمات پیشنهادی کارهای ایجنتی: temperature 1.0 و حداکثر 65,536 توکن خروجی
• تنظیمات پیشنهادی استدلال و چت: temperature 0.6 و حداکثر 262,144 توکن خروجی