Nanbeige4.3-33B 开源：Terminal-Bench 80.9 分与 20 项基准

一句话结论：Nanbeige4.3-33B 是 BOSS 直聘内部实验室 Nanbeige LLM Lab 在 2026 年 10 月 25 日开源的稠密架构教师模型，33B 参数全量激活、512K 上下文、Apache 2.0 许可，Terminal-Bench 2.1 拿到 80.9 分领先同尺寸对照组 7.9 分，DeepSWE 65.5 分领先 23 分，是当前 30B 量级开放权重模型里智能体编程与办公协作两项同时拉开身位的少数选手。

发布方把 Nanbeige4.3-33B 定位成 Nanbeige4.3 系列的旗舰教师模型，真正的野心在下一步，把这套智能体能力蒸馏进更小的尺寸，比如已经在路线图上的 Nanbeige4.3-3B。这个定位决定了取舍，不追求最小的可部署模型，先把能力上限顶起来，再往下收缩。

模型卡里最有信息量的部分，是那份把 20 项基准摆在一起的对照表。对照组选的是 Qwen3.8-27B、Muse-Glimmer-30B、Gemma4-31B，都在 30B 上下浮动，全部按各自的最高思考档位跑，推理超参和测试脚手架统一。下面先把这张表拆开看。

20 项基准全对照：哪几项是真优势

先看智能体编程这一栏，Nanbeige4.3-33B 的领先幅度大到不太像噪声。

Terminal-Bench 4.0 上 23.8 对 6.3，DeepSWE 上 65.5 对 42.5，这两行的差距是本文档里最刺眼的地方。DeepSWE 领先 Qwen3.8-27B 整整 23 分，比第二名 Muse-Glimmer-30B 高出 61.1 分，这一项几乎单独定义了它当前的位置。

但 SWE-Bench Pro 这一行要泼一盆冷水：60.3 比 Qwen3.8-27B 的 61.7 低一档，是全表少数几项没能拿第一的编程基准。这说明它的优势集中在特定形态的任务上，并未全面碾压。SWE-Atlas-QnA 用 mini-swe-agent v2.4.6 跑，答案由 GPT-6 Sol 以中等推理强度按 1304 条任务专属评分细则做判定，这类需要外部裁判的基准，权重天然更依赖裁判模型的偏好。

智能体协作这一栏是差异更大的一块。Automation Bench 54.2 对 38.3、JobBench 44.8 对 34.5、DeepPlanning 63.3 对 49.2、Toolathlon-Verified 70.4 对 68.5，四个模型之间的差距普遍在两位数到两倍以上。这几个基准测的都是模型能不能自己拆任务、调工具、跨步骤推进，而不是写一段代码。SWE-Bench Pro 落后而 Automation Bench 大幅领先，这个组合本身就说明 Nanbeige4.3-33B 的强项是执行链条的长度，不是单个补丁的正确率。

推理能力三项则基本齐平。GPQA Diamond 89.5 略输 Gemma4-31B 的 91.3，AIME 2026 95.2 领先，AA-LCR 84.0 领先。共同点是对照组之间咬得很紧，三四分的差距在这个量级通常不构成选型理由。

办公协作 35 个职业：把基准拆到具体工种

JobBench 那个 44.8 分的笼统数字之外，官方模型卡里放了一张按职业拆分的图表，覆盖 35 个职业，模型需要在每一个职业上都跑赢基线才拿满分。这张图比总分更有价值，因为它把「专业协作任务」这个抽象说法落到了具体工种上。

按官方口径，Nanbeige4.3-33B 在这 35 个职业里的大多数上超过基线模型。官方的解读是，这个模型被训练成一个可以承担专业岗位工作的智能体，而不只是一个会写代码的模型。招聘、法律、金融、医疗这类岗位的任务往往要跨越多个工具和多个步骤，中途任何一步判断错都会让整条链路失效，这解释了为什么它在 Automation Bench 和 JobBench 上能拉开十几分。

这里有个值得注意的信号。Nanbeige LLM Lab 设在 BOSS 直聘内部，而招聘本身就在这张职业图表里。这条路线的目标很明确，先在自己最懂的行业里把智能体能力做扎实，再蒸馏出能普及的小尺寸版本。相对地，模型卡的联系邮箱直接挂在这个实验室域名下，也方便企业和行业方向的合作方对接。

YC-bench 百万美元级差距：能直接算的收益差

20 项基准里最特别的一项是 YC-bench，它的计量单位从分数换成了美元。

这一项衡量的是模型完成创业公司真实工作所能创造的经济价值。Nanbeige4.3-33B 的结果是 102.5 万美元，Qwen3.8-27B 64.1 万美元，Muse-Glimmer-30B 51.4 万美元，Gemma4-31B 26.5 万美元。Nanbeige4.3-33B 的结果接近第二名的 1.6 倍，比最弱的对照组高出 3.9 倍。

这组数字要打个折扣看。官方脚注写明 YC-bench 在每次模型调用前只保留最近 10 轮用户对话作为历史上下文，这说明它衡量的是在有限记忆窗口下的长链任务表现，而不是无限上下文下的表现。另外它跟其他基准一样是发布方自报，外部还没有独立复现。基准里的美元数字更接近一个相对指标，不适合直接当收入预测。

即便如此，把它当成一个信号看还是有价值的。当一个模型在需要跨轮次推进的长任务上能把产出价值拉高到 1.6 倍时，它在企业工作流里的可用性差异会比单点基准分数的差异更明显。

为什么是稠密架构：33B 全量激活意味着什么

这里有一个容易被忽略但对部署影响很大的技术选择。config.json 显示架构是标准 LlamaForCausalLM，没有专家路由，33B 参数在每个 token 上全部参与计算。

稠密架构在当下的开源生态里已经不算主流。近半年的开放权重模型几乎清一色是混合专家结构，激活参数量远小于总参数量，用更少的显存和算力跑完一个 token。站内此前的 Recursive Flint 把 40B 模型压到只激活 2.5B 走的是同一条激进的路线，本地跑到 131 tok/s。相比之下 Nanbeige4.3-33B 的每一个 token 都要过全部 33B 参数。

这个选择的代价很直接。66 GB 的 BF16 权重意味着官方给出的 SGLang 和 vLLM 配方都用 4 路张量并行，需要多 GPU 服务器才能承载，跟同尺寸的稀疏模型相比硬件门槛明显更高。好处是每个 token 的计算是确定的，没有路由带来的不稳定性，也少了一层稀疏实现在不同推理框架上行为不一致的坑。对追求稳定吞吐的团队来说，这个取舍未必是坏事。

不过把它称作「性价比最优」就过头了。它明显不是一个能在单卡上跑起来的模型，官方给的就是多卡配方。

推理参数与对话模板：三个开关决定实际表现

模型卡的 Quickstart 部分给出了推荐的超参和三个对话模板开关，实际跑起来的效果很大程度上取决于这三项怎么设。

三个开关分别是 enable_thinking、preserve_thinking 和 tool_call_format。enable_thinking 默认开启，控制当前这一轮是否生成推理过程。preserve_thinking 控制多轮对话里前几轮的思考内容是否保留，官方建议普通问答设 False，多轮工具使用、办公任务和代码智能体工作流设 True。tool_call_format 默认是 xml，同时兼容 json，官方推荐 xml 格式以获得最好的工具调用表现。

这里有个容易被忽略的细节，模型卡里的全部成绩都是用 preserve_thinking=true 跑出来的，脚注里写得很清楚。如果按普通问答的习惯把它设成 False，工具调用链的分数不会有保证。换句话说，这些数字对应的是一种特定的对话模式，不能想当然地套用到任意用法上。

推理框架上官方给了两套配方，SGLang 和 vLLM 都用 tp-size 4、显存利用率 0.8，reasoning-parser 和 tool-call-parser 都指向 qwen3 与 qwen3_coder。从这两个解析器的选择能看出模型在输出格式上刻意对齐了 Qwen 系列的约定。

基础模型 Nanbeige4.3-33B-Base：给后训练用的底座

同批还放出了基础模型 Nanbeige4.3-33B-Base，用于使用者自己做后训练定制。官方给的对照对象是 Gemma4-31B-Base，理由是过去半年里 30B 量级唯一的前沿开放基座模型。

八项全胜，差距最大的是 GPQA，62.0 对 41.5，多出 20.5 分；SuperGPQA 也拉开 11.8 分。这组数字说明 Nanbeige4.3-33B-Base 在预训练阶段就把相当一部分推理能力烧进了底座，这跟它把教师模型路线走到底的思路一致。底座越强，后面蒸馏出的小尺寸模型能继承下来的东西越多。

两个模型都是 Apache 2.0 许可，权重在模型托管平台直接下载，没有申请审核环节，也不要求商业授权。相比那些需要签协议、走审批的商业模型，评估周期短得多。

和同尺寸开源模型的取舍

把 Nanbeige4.3-33B 放进 30B 量级的开源版图里看，这个位置已经相当拥挤。

跟 Kimi 的对照值得单独提一句。Kimi K3.1 Pro 在 Terminal-Bench 4.0 上拿到 65.7 分，而 Nanbeige4.3-33B 是 23.8 分，两者在这一项上的差距大约是三倍。站内 Kimi K3.1 Pro 发布：Terminal-Bench 4.0 拿 65.7% 那篇深度里记录过它的具体表现。不过两者的测试口径不一样，Kimi 用的是自己的评测设定，Nanbeige4.3-33B 用的是 mini-swe-agent v2.4.6 脚手架，跨口径直接相减不严谨，只能作为量级参考。

智能体协作这条线上的另一条参照是 Anthropic 生态。谷歌开源的 Harness² 自我修补框架 里有 GLM-5 涨 11.5 分的实测，还有 Kimi Agent Swarm 的 100 子智能体协作拆解，两者都指向同一个方向：模型能力的天花板正在从单次回答质量转向任务编排能力。Nanbeige4.3-33B 在 Automation Bench 和 JobBench 上的表现，是这条趋势里的一个可量化样本。

教师模型再往下蒸馏的思路也早有先例，JOLT 师生同模训练把 MATH 提到 72.14% 走的是同一条路径，先让强模型把解题路径拆解出来，再把这份路径压缩进更小、更便宜的执行体里。Nanbeige4.3-33B-Base 底座分数领先 Gemma4-31B-Base 20.5 分，正是这个策略能成立的前提。

FAQ

Nanbeige4.3-33B 需要多少显存才能跑起来

BF16 权重约 66 GB，官方给出的 SGLang 和 vLLM 配方都是 4 路张量并行，需要多 GPU 服务器承载。单卡跑不动这个模型，如果目标是单机部署，得等蒸馏后的 3B 版本或者自己做量化。

它和 Kimi K3.1 Pro 该怎么选

Nanbeige4.3-33B 的优势在办公协作与多步工具链，Terminal-Bench 2.1 上 80.9 分领先同尺寸对照组；Kimi K3.1 Pro 在 Terminal-Bench 4.0 上 65.7 分，量级更高但测试口径不同。开源可自部署、需要 Apache 2.0 商用许可，选前者；追求绝对编码能力上限，选后者。

这些基准分数能直接横向比较吗

不能一概而论。Nanbeige4.3-33B 的分数全部是发布方自报，测试脚手架、超参和裁判模型都由自己设定。SWE-Atlas-QnA 用 GPT-6 Sol 当裁判，JobBench 挂了 Claude Code 脚手架，与其它团队的榜单存在系统性偏差，跨模型比较需要谨慎。

为什么选稠密架构而不是混合专家

稠密结构每个 token 全量计算，吞吐稳定且没有路由带来的行为不一致，代价是硬件门槛高，需要多卡。同尺寸的稀疏模型能用更少显存跑，Nanbeige4.3-33B 明显不是性价比路线，它是能力上限优先的教师模型定位。

小结

Nanbeige4.3-33B 用 20 项基准里的 17 项领先确立了它当前的位置。真正有分量的三个数字是 Terminal-Bench 2.1 的 80.9、DeepSWE 的 65.5 和 YC-bench 的 102.5 万美元，前两个说明它在智能体编程上跟同尺寸对手不在一个量级，第三个说明在长链任务上它能创造的价值高出一大截。没拿第一的三项分别是 SWE-Bench Pro、GDPval 和 GPQA Diamond，短板集中在代码补丁正确率和知识型任务上。

它选了稠密架构而非当下流行的混合专家，33B 参数全量激活，66 GB 权重需要 4 卡张量并行。这让它不适合单机部署，也让它的定位非常明确。这是一块教师模型的底板，先把能力顶到上限，再往 3B 这样的尺寸蒸馏。Nanbeige4.3-33B-Base 在八项基础能力基准上全面压过 Gemma4-31B-Base，给出了这个策略能成立的实证。

要提醒的是，所有成绩均为发布方自评，且由同一批人设定测试口径。对企业团队来说，稳妥的做法是拿自己的真实业务数据跑一轮对照再决定，模型卡的官方联系邮箱和社区合作入口都已经开放。

相关阅读

• Kimi K3.1 Pro 发布，Terminal-Bench 4.0 拿 65.7%
• KRAFTON 开源 Raon-1 mini，30B-A4B 模型 18 项基准全对照
• JOLT 师生同模训练，MATH 72.14% 与训练 token 省 6.5 倍
• Recursive Flint 开源，40B 模型只激活 2.5B