‏Nanbeige4.3-33B: مدل معلم برای ایجنت‌های کدنویس

تو این مقاله اومده که Nanbeige4.3-33B یه مدل open-weight با 33 میلیارد پارامتر و مجوز Apache 2.0 هست که روی یه base با معماری Llama به اسم Nanbeige4.3-33B-Base ساخته شده. وزن‌هاش تو 14 فایل safetensors منتشر شده و برای انگلیسی و چینی تگ خورده. تیم سازنده اونو teacher model معرفی کرده، یعنی قراره با distillation (انتقال توانایی یه مدل بزرگ به یه مدل کوچیک‌تر) نسخه‌هایی مثل Nanbeige4.3-3B ازش ساخته بشه.

تو تست‌های کدنویسی ایجنتی، یعنی جایی که مدل تو ترمینال دستور می‌زنه، خروجی رو می‌خونه و دوباره تلاش می‌کنه، فاصله‌ها زیاده. روی Terminal-Bench 2.1 نمره‌ش 80.9 هست، در برابر 73.0 برای Qwen3.8-27B و 47.2 برای Gemma4-31B. روی Terminal-Bench 4.0 این فاصله خیلی بیشتر می‌شه: 23.8 در برابر 6.3 برای Qwen و صفر برای Gemma. نویسنده می‌گه نسخه‌ی سخت‌تر این بنچمارک مدل‌ها رو خیلی واضح‌تر از هم جدا می‌کنه.

با این حال Qwen3.8-27B روی SWE-Bench Pro (61.7 در برابر 60.3) و GDPval (86.4 در برابر 84.8) جلوتره. Gemma4-31B هم با وجود ضعفش تو کارهای ایجنتی، بهترین نمره‌ی GPQA Diamond رو با 91.3 گرفته. به گفته‌ی نویسنده این نشون می‌ده توانایی استدلال و مهارت کار با ابزار یه چیز نیستن. Nanbeige هم تو AIME 2026 با 95.2 و AA-LCR با 84.0 با اختلاف کم اوله.

chat template مدل دو تا سوییچ مهم داره. enable_thinking نمایش مسیر استدلال مدل رو روشن یا خاموش می‌کنه و پیش‌فرضش روشنه. preserve_thinking تعیین می‌کنه این استدلال تو گفتگوی چندنوبتی به نوبت بعد منتقل بشه یا نه. پیشنهاد سازنده اینه که برای چت معمولی خاموشش کنی، ولی برای کار با ابزار و ایجنت‌های کدنویس روشن بمونه، چون بنچمارک‌ها هم همین‌جوری گرفته شدن. برای tool calling هم XML و JSON پشتیبانی می‌شه و XML بهتر جواب می‌ده.

نویسنده چند تا هشدار هم می‌ده. همه‌ی عددها از model card خود سازنده‌ست و بنچمارک‌هایی مثل JobBench و YC-bench به اندازه‌ی SWE-Bench استاندارد نیستن، پس باید خودت تستش کنی. یه مدل dense با 33 میلیارد پارامتر هم هنوز VRAM و تأخیر زیادی داره. برای کارهای ایجنتی temperature 1.0 و تا 65,536 توکن، و برای استدلال temperature 0.6 و تا 262,144 توکن پیشنهاد شده.

نکات کلیدی:

• معماری Llama، مجوز Apache 2.0 و context تا 524,288 توکن (512K)
• Terminal-Bench 2.1: نمره 80.9 در برابر 73.0 برای Qwen3.8-27B
• روی SWE-Bench Pro و GDPval از Qwen3.8-27B عقب‌تره
• سوییچ preserve_thinking برای کارهای ایجنتی چندنوبتی باید روشن باشه
• tool calling با XML و JSON، و XML پیشنهاد شده
• اجرا با Transformers، SGLang و vLLM با tensor-parallel روی 4 GPU