南北阁发布 Nanbeige4.3-33B 开源智能体编码模型

将 Google 添加为首选来源

南北阁 LLM Lab 已在 Hugging Face 上以 Apache 2.0 许可证发布 Nanbeige4.3-33B。Nanbeige4.3-33B 是一个 33B 稠密语言模型，专为智能体编码和办公式“协作”任务而构建。该实验室隶属于招聘平台 BOSS 直聘。它还发布了用于自定义后训练的 Nanbeige4.3-33B-Base。该模型支持 524,288 token 的上下文窗口。在实验室自己的表格中，它在 20 项基准测试中有 17 项领先于 3 个接近 30B 的开源模型。

TL;DR

规模：33B 参数，稠密（无 MoE），524,288 token（512K）上下文，BF16 权重。

运行于：多 GPU 服务器。模型卡中的 SGLang 和 vLLM 配方使用 4 路张量并行。BF16 权重约需 66 GB（我们的计算）。列出了 1 个社区量化版本。

性能：在南北阁自己与 Qwen3.8-27B、Muse-Glimmer-30B 和 Gemma4-31B 的对比中，20 行中有 17 行领先。

最佳：Terminal-Bench 2.1 上为 80.9，而 Qwen3.8-27B 为 73.0。

最差：Terminal-Bench 4.0 上为 23.8（其最低分）。它在 SWE-Bench Pro 上也落后于 Qwen3.8-27B，60.3 对 61.7。

什么是 Nanbeige4.3-33B？

Nanbeige4.3-33B 是 Nanbeige4.3 系列的旗舰“教师”模型。该实验室声明的策略是先构建一个强大的教师模型。然后计划将智能体技能蒸馏到更小的模型中，从 Nanbeige4.3-3B 开始。

TEXTTABLELAYOUT你的 PDF 解析器真的解析正确了吗？omni_parse_bench · 对文本、表格和布局评分 · 开源在 GitHub 上 Star→赞助

Nanbeige4.3-33B 是如何构建的？

config.json 声明了标准的 LlamaForCausalLM 架构。没有专家路由，因此全部 33B 参数都会在每个 token 上运行。

52 层，隐藏维度 7,168

56 个查询头和 8 个键值头（分组查询注意力），头维度 128

FFN 中间维度 22,016，词表 166,912 个 token

RoPE theta 为 120,000,000，最大位置数为 524,288

聊天模板提供 3 个控制项。enable_thinking 切换推理，默认开启。preserve_thinking 保留前几轮的推理。南北阁推荐将其用于多轮工具使用和代码智能体。传入 tools 可启用工具调用，推荐使用 XML 调用格式。

Nanbeige4.3-33B 在基准测试中表现如何？

南北阁将该模型与 Qwen3.8-27B、Muse-Glimmer-30B 和 Gemma4-31B 进行了比较。每个模型都在其最高思考强度下运行，使用共享的超参数和测试框架。本节所有分数均为自报。

智能体编码：它在 Terminal-Bench 2.1 上得 80.9，而 Qwen3.8-27B 为 73.0。DeepSWE 差距最大：65.5 对 42.5。在 Terminal-Bench 4.0 上，它得 23.8，而 Gemma4-31B 得 0.0。

智能体协作：它在 Automation Bench 上得 54.2，而对手为 38.3；在 JobBench 上得 44.8，而对手为 34.5。在 YC-bench 上，模拟收入达到 $1,025,437，而对手为 $641,290。

推理：它报告 AIME 2026 上为 95.2，AA-LCR 上为 84.0。

它在 20 行中输了 3 行。Qwen3.8-27B 在 SWE-Bench Pro（61.7 对 60.3）和 GDPval（86.4 对 84.8）上领先。在南北阁的表格中，Gemma4-31B 在 GPQA Diamond 上领先，91.3 对 89.5。

Base 模型在全部 8 项报告任务上击败 Gemma4-31B-Base。例子包括 MMLU-Pro（66.9 对 59.3）和 GPQA（62.0 对 41.5）。

它与竞争对手自己的模型卡相比如何？

规格Nanbeige4.3-33BQwen3.8-27BMuse-Glimmer-30BGemma 4 31B

参数33B 稠密27B 稠密 LM 加视觉编码器约 29.6B 稠密，含约 1.8B 视觉编码器30.7B 稠密

上下文524,288262,144 原生，最高 1M131,072+256K

输入模态文本文本、图像、视频文本、图像文本、图像

许可证Apache 2.0Apache 2.0Apache 2.0Apache 2.0

Terminal-Bench 2.180.9*73.051.7未披露

SWE-Bench Pro60.3*61.751.2未披露

GPQA Diamond89.5*89.283.5（AA）84.3

AIME 202695.2*未披露94.789.2

本地硬件指南4-GPU 张量并行配方未披露约 4-bit 下 24 GB 或 32 GB 显存消费级 GPU 和工作站

*由南北阁自报。竞品数值来自各实验室自己的 Hugging Face 模型卡。

南北阁表格中的一些竞品数字与那些实验室公布的不同：

Meta 报告 Muse-Glimmer-30B 在 SWE-Bench Pro 上为 51.2，Gemma4-31B 为 36.9。南北阁列出的正好相反。

Google 列出 Gemma 4 31B 在 GPQA Diamond 上为 84.3。南北阁的表格显示为 91.3。

Meta 报告 Muse-Glimmer-30B 在 Terminal-Bench 2.1 上为 51.7。南北阁测得 61.8。

不同的测试框架解释了一些差距。SWE-Bench Pro 那一对看起来被互换了。在独立运行出现之前，应将这些行视为暂定。

如何部署 Nanbeige4.3-33B？

模型卡提供了 Transformers、SGLang 和 vLLM 配方。其服务器示例使用 4 路张量并行，并配有 Qwen3 推理和工具调用解析器。推荐的智能体设置为 temperature 1.0、top_p 0.95 和 65,536 最大新 token 数。推理和聊天使用 temperature 0.6 和 262,144 最大新 token 数。

根据 config.json 计算，BF16 权重约需 66 GB。KV 缓存在 BF16 下每 token 增加约 208 KiB。因此完整的 524,288 token 序列大约需要 112 GB 的 KV 缓存。截至发布时，没有 Hugging Face 推理提供商托管该模型。

要点

33B 稠密，Apache 2.0，512K 上下文，纯文本。

自报 Terminal-Bench 2.1 上 80.9，DeepSWE 上 65.5。

在南北阁自己的表格中，20 行中有 17 行领先。

若干竞品数字与官方模型卡冲突。

作为即将推出的 Nanbeige4.3-3B 的教师模型构建。

Asif Razzaq网站 | + 文章简介 ⮌

Asif Razzaq来自斯坦福和加州大学伯克利分校的研究人员推出 TokenGate：Token 门控注意力使长上下文预填充速度最高提升 11.3 倍

$uv pip install omni-parse-bench✓文本✓表格✓布局→ 按页评分在 GitHub 上 Star→赞助

南北阁发布 Nanbeige4.3-33B 开源智能体编码模型

推荐理由

主题

标签

正文 · AI 翻译