Nanbeige4.3-33B: Um novo modelo de codificação de agente aberto referenciado

O que é Nanbeige4.3-33B?

Nanbeige4.3-33B é um modelo de linguagem de peso aberto de 33 bilhões de parâmetros lançado pela equipe Nanbeige sob uma licença Apache 2.0, criado especificamente para codificação de agentes e tarefas “de trabalho” em vez de bate-papo geral. De acordo com as próprias tabelas de benchmark do modelo, ele supera modelos abertos de tamanho semelhante, como Qwen3.8-27B, Muse-Glimmer-30B e Gemma4-31B, na maioria das avaliações de codificação agente e uso de ferramentas, ao mesmo tempo em que chega perto da paridade em testes de raciocínio geral, como GPQA Diamond e AIME.

TL;DR

• O Nanbeige4.3-33B está posicionado como um modelo professor, o que significa que seu principal objetivo é ancorar um gasoduto de destilação para modelos menores, incluindo um Nanbeige4.3-3B planejado.
• O modelo relata pontuações líderes no Terminal-Bench 2.1 e 4.0, DeepSWE, SWE-Atlas-QnA e vários benchmarks de colegas de trabalho, superando Qwen3.8-27B, Muse-Glimmer-30B e Gemma4-31B na maioria das métricas.
• Ele não vence em todos os lugares: Qwen3.8-27B supera SWE-Bench Pro e GDPval, e Gemma4-31B lidera com GPQA Diamond, mostrando que os ganhos estão concentrados em fluxos de trabalho de agentes e não em raciocínio puro.
• O modelo suporta uma janela de contexto de token de 512 K e vem com sinalizadores de modelo de bate-papo configuráveis para modo de pensamento e formatação de chamada de ferramenta.
• Ele é construído em uma base de arquitetura Llama (Nanbeige4.3-33B-Base) e pode ser implantado por meio de Transformers, SGLang ou vLLM, com configurações de serviço tensor-paralelo documentadas.
• Até seu lançamento, o modelo atraiu 784 curtidas e mais de 9.600 downloads no Hugging Face, uma quantidade notável de atenção para um modelo aberto de médio porte voltado para um nicho de agentes restrito.

O que “codificação agêntica e cowork” realmente significa aqui?

A Nanbeige traça uma linha entre duas categorias de avaliação em seu conjunto de benchmark:

• Codificação agêntica: abrange tarefas em que o modelo precisa operar dentro de um terminal ou repositório, escrever e modificar código e concluir trabalhos de engenharia de software em várias etapas. Isso inclui Terminal-Bench 2.1 e 4.0, DeepSWE, SWE-Bench Pro, SWE-Atlas-QnA, NL2Repo, Scicode e SkillsBench. Esses benchmarks normalmente envolvem o modelo em um conjunto de agentes (o cartão faz referência a ferramentas como Terminus 2, mini-swe-agent e Claude Code) que permite emitir comandos shell, ler a saída do arquivo e iterar.
• Agentic cowork: é uma categoria mais ampla destinada a simular trabalho de conhecimento profissional e não codificado: coisas como Automation Bench, JobBench, GDPval, Claw-Eval, Toolathlon-Verified, DeepPlanning, EnterpriseOps-Gym, YC-bench e Tau3-Bench. O JobBench, em particular, avalia o modelo em 35 ocupações diferentes, e a Nanbeige relata que seu modelo supera a linha de base na maioria delas. A inclusão de um benchmark chamado YC-bench, pontuado em dólares em vez de porcentagens, sinaliza que essas avaliações estão tentando aproximar o valor comercial ou econômico gerado por um agente, não apenas as taxas de conclusão de tarefas.

Como os números de referência realmente se comparam?

No lado da codificação, as lacunas relatadas são grandes em alguns lugares. Nanbeige4.3-33B pontua 80,9 no Terminal-Bench 2.1 contra 73,0 para Qwen3.8-27B, 61,8 para Muse-Glimmer-30B e 47,2 para Gemma4-31B. A diferença aumenta drasticamente no Terminal-Bench 4.0, onde o Nanbeige4.3-33B registra 23,8 contra 6,3 do Qwen3.8-27B, 1,6 do Muse-Glimmer-30B e 0,0 do Gemma4-31B, sugerindo que a versão mais nova e mais difícil desse benchmark separa os modelos de forma muito mais nítida. DeepSWE mostra um padrão semelhante: 65,5 para Nanbeige4.3-33B versus 42,5 para Qwen3.8-27B e um dígito para os outros dois.

Nem toda métrica favorece o Nanbeige. No SWE-Bench Pro, Qwen3.8-27B sai ligeiramente à frente com 61.7 contra 60.3 de Nanbeige. No GDPval, um benchmark de colegas de trabalho, Qwen3.8-27B lidera novamente, 86,4 a 84,8. Esses são resultados próximos, mas são importantes para qualquer pessoa que decida entre modelos com base em uma carga de trabalho específica e não em uma pontuação agregada.

Com base em critérios de raciocínio puro, o quadro é mais conciso e menos unilateral. Gemma4-31B na verdade registra a melhor pontuação GPQA Diamond (91,3), apesar de estar muito atrás em tarefas de agente, o que ressalta que capacidade de raciocínio e competência de uso de ferramentas de agente não são a mesma habilidade e nem sempre se encaixam. Nanbeige4.3-33B lidera AIME 2026 (95.2) e AA-LCR (84.0) por margens modestas.

Todas essas comparações vêm do próprio cartão de modelo da Nanbeige, avaliado com o que ele descreve como hiperparâmetros de inferência consistentes e aproveitamentos entre modelos. Como acontece com qualquer tabela de benchmark publicada por fornecedores, a reprodução independente é o verdadeiro teste; os pesos liberados possibilitam que qualquer pessoa com o hardware execute um modelo 33B.

O que tem debaixo do capô?

O Nanbeige4.3-33B é construído em um modelo base de arquitetura Llama chamado Nanbeige4.3-33B-Base, e a liberação completa é dividida em 14 fragmentos de sensores de segurança. Ele é marcado em inglês e chinês, e o repositório inclui arquivos de resultados de avaliação junto com o tokenizador padrão e os ativos de configuração.

O modelo de bate-papo expõe duas alternâncias notáveis:

• enable_thinking: ativa ou desativa o rastreamento de raciocínio do modelo por resposta, sendo ativado por padrão.
• preserve_thinking: controla se esse raciocínio é transferido entre turnos em uma conversa com vários turnos.

A Nanbeige recomenda desligar preserve_thinking para bate-papo comum e resposta a perguntas, mas ligar para uso de ferramentas multi-turn, tarefas de estilo de escritório e fluxos de trabalho de agentes de codificação, que também é como os próprios números de benchmark foram gerados.

Para chamadas de ferramentas, o modelo suporta os formatos XML e JSON, sendo o XML recomendado para melhor desempenho. O comprimento do contexto chega a 524.288 tokens (512 K), o que é grande o suficiente para conter bases de código substanciais ou longas transcrições de agentes multi-turn sem truncamento.

Vale a pena implantar o Nanbeige4.3-33B?

Para equipes que criam agentes de codificação ou pipelines de automação e desejam uma alternativa de peso aberto aos modelos somente de API, o perfil de referência sugere que o Nanbeige4.3-33B é um candidato razoável para avaliação, principalmente para agentes de codificação baseados em terminais e fluxos de trabalho de chamada de ferramentas, onde suas pontuações relatadas estão mais à frente da concorrência. A licença Apache 2.0 remove restrições de uso que vêm com versões mais fechadas, e as receitas documentadas para SGLang e vLLM (incluindo serviço tensor-paralelo em 4 GPUs) tornam simples defender a inferência.

Dito isto, algumas ressalvas se aplicam:

1. O Nanbeige enquadra esta versão explicitamente como um modelo de professor para um próximo pipeline de destilação, não necessariamente o produto final que a maioria das equipes executará em produção, já que um modelo denso de 33B ainda carrega custos significativos de VRAM e latência em comparação com variantes destiladas menores esperadas posteriormente, como o planejado Nanbeige4.3-3B.
2. As vitórias no benchmark não são universais; os resultados do SWE-Bench Pro e do GDPval favorecem o Qwen3.8-27B, então os testes específicos da carga de trabalho ainda são importantes antes de se comprometer.
3. Todos os números comparativos vêm do próprio cartão do fornecedor, e conjuntos de benchmark como Automation Bench, JobBench e YC-bench são menos padronizados em todo o setor do que algo como SWE-Bench, portanto, sua comparabilidade com outras tabelas de classificação publicadas é mais difícil de verificar de forma independente.

Configurações de inferência recomendadas

Nanbeige publica configurações recomendadas separadas dependendo do caso de uso:

• Tarefas de agente e uso de ferramentas: sugere uma temperatura de 1,0, top_p de 0,95 e até 65.536 novos tokens.
• Tarefas de raciocínio e bate-papo: recomenda uma temperatura mais baixa de 0,6, o mesmo top_p de 0,95, mas um orçamento máximo de novos tokens muito maior de 262.144, refletindo as cadeias de pensamento mais longas que essas tarefas podem exigir.

Perguntas frequentes

Para que é utilizado o Nanbeige4.3-33B?

É um modelo de linguagem de peso aberto otimizado para codificação agêntica (operando em terminais e repositórios para escrever e depurar código) e tarefas “de coworking” que simulam o trabalho de conhecimento profissional em diferentes ocupações.

Como o Nanbeige4.3-33B se compara ao Qwen3.8-27B?

O Nanbeige4.3-33B lidera na maioria dos benchmarks de codificação de agentes relatados em sua placa modelo, incluindo Terminal-Bench 2.1, Terminal-Bench 4.0 e DeepSWE, mas o Qwen3.8-27B pontua mais alto no SWE-Bench Pro e no GDPval. Os resultados do benchmark de raciocínio são próximos entre os dois.

O Nanbeige4.3-33B é de código aberto?

Sim. Ele foi lançado sob uma licença Apache 2.0 no Hugging Face, com pesos completos de safetensors, um modelo base (Nanbeige4.3-33B-Base) e instruções de implantação documentadas para Transformers, SGLang e vLLM.

Qual comprimento de contexto o Nanbeige4.3-33B suporta?

Até 524.288 tokens (512K), de acordo com o cartão do modelo.

Por que Nanbeige chama isso de modelo “professor”?

A equipe descreve o Nanbeige4.3-33B como o modelo principal de uma série destinada a ancorar um gasoduto de destilação, onde suas capacidades agênticas serão destiladas em modelos menores, com uma variante 3B mencionada como uma versão futura.