Nanbeige4.3-33B: Offenes Teacher-Modell mit starken Herstellerwerten und offenen Fragen

Nanbeige4.3-33B kommt als offenes Teacher-Modell

Das Nanbeige LLM Lab von BOSS Zhipin (Kanzhun Limited) hat Nanbeige4.3-33B als offene Gewichte auf Hugging Face veröffentlicht. Die Lizenz ist Apache 2.0. Außerdem erschien der Base-Checkpoint Nanbeige4.3-33B-Base. Laut aicoder.com kündigte das Labor das Modell am 25. Oktober 2026 an. Eesel.ai nennt dagegen den 24. Oktober als Tag der Veröffentlichung auf Hugging Face.

Es handelt sich um ein dichtes Modell mit 33 Milliarden Parametern in Llama-Architektur, das ein Kontextfenster von 512K bietet. Für den Betrieb nennen die Quellen Transformers, SGLang und vLLM.

Das Labor sieht in dem Modell den Flaggschiff-Teacher der 4.3-Serie. Zuerst soll ein leistungsfähiger Agent entstehen. Dessen agentische Fähigkeiten sollen später in kleinere Modelle destilliert werden, etwa in das Nanbeige4.3-3B. Die Modellkarte führt dieses 3B-Modell als „upcoming“. Veröffentlicht ist es bislang nicht.

Das Labor selbst beansprucht „state-of-the-art agentic performance“ unter den offenen Modellen der ~30B-Klasse. Das ist eine Herstellerangabe. Ob sich das Modell als Teacher für Dritte eignet, belegt das Material nicht.

Vorsprünge beim agentischen Coding, aber Qwen3.8-27B gewinnt bei SWE-Bench Pro

Die Modellkarte stellt Nanbeige4.3-33B Qwen3.8-27B, Muse-Glimmer-30B und Gemma4-31B gegenüber. Die größten Abstände zeigen sich beim agentischen Coding. Auf Terminal-Bench 4.0 erreicht Nanbeige 23,8 Punkte. Qwen3.8-27B kommt auf 6,3, Muse-Glimmer-30B auf 1,6, Gemma4-31B auf 0,0. Bei DeepSWE stehen 65,5 gegen 42,5, 4,4 und 2,7. Auch bei Terminal-Bench 2.1 liegt das Modell mit 80,9 vor Qwen (73,0). Hinzu kommen Automation Bench (54,2 gegen 38,3) und JobBench (44,8 gegen 34,5).

Der Vorsprung gilt aber nicht durchgängig. Bei SWE-Bench Pro liegt Qwen3.8-27B mit 61,7 vor Nanbeige (60,3), bei GDPval mit 86,4 gegen 84,8. Im JobBench-Teil Kundenservice erreicht Nanbeige 21,1, Qwen 31,6. Bei GPQA Diamond führt Gemma4-31B, obwohl es bei den agentischen Aufgaben weit zurückliegt.

Alle diese Zahlen stammen vom Hersteller. Aicoder.com weist ausdrücklich darauf hin, dass sie selbst berichtet und noch nicht unabhängig reproduziert sind. Das gilt auch für die Aussage der Modellkarte, die Base-Version schlage Gemma4-31B-Base über eine breite Auswahl an Benchmarks. Das Labor nennt Gemma4-31B-Base zugleich das einzige Frontier-Open-Source-Base-Modell im 30B-Bereich der vergangenen sechs Monate. Die Vergleichsbasis ist damit schmal.

Messaufbau und Zählweise: Was die Herstellertabelle offenlässt

Laut Modellkarte liefen alle Modelle mit höchstem Thinking-Aufwand, mit gleichen Inferenz-Hyperparametern und gleichem Harness. Nanbeige wurde jedoch mit preserve_thinking=true im Chat-Template ausgewertet. Ob die Konkurrenten ein vergleichbares Thinking-Verhalten nutzten, geht aus dem Auszug nicht hervor.

Die Harnesses unterscheiden sich je nach Benchmark. Terminal-Bench 2.1 lief mit Terminus 2, Terminal-Bench 4 und DeepSWE mit mini-swe-agent v2.4.6, NL2Repo mit Claude Code. SWE-Atlas-QnA nutzt ebenfalls mini-swe-agent v2.4.6. Die Antworten werden gegen 1.304 aufgabenspezifische Rubriken bewertet. Als Judge dient GPT-6 Sol mit mittlerem Reasoning-Aufwand. Bei dieser Bewertung hängt das Ergebnis also auch von einem Modell als Richter ab.

Die Sekundärquellen zählen unterschiedlich. Mindstudio.ai schreibt, Nanbeige gewinne 14 von 19 Benchmarks der veröffentlichten Tabelle, und zwar gegen alle drei Konkurrenten. Eesel.ai spricht von 18 von 20 Benchmarks gegenüber Qwen3.8-27B. Vermutlich unterscheiden sich Zählbasis und Vergleichsmenge. Offengelegt wird das nicht, und der vorliegende Auszug der Modellkarte nennt keine Gesamtzahl.

Entscheidend bleibt: Alle Werte sind selbst berichtet. Eine unabhängige Reproduktion liegt im Material nicht vor.

Ein Debugging-Test findet den Bug nicht und passt nicht zu den Charts

Mindstudio.ai hat das Modell an einem realen Debugging-Szenario getestet. Es ging um einen Fehler in der Berechnung der Ausbeute-Prozente (Yield) in einer Restaurantkostenrechnung. Nach der Darstellung brauchte das Modell über eine Stunde, fand den eigentlichen Bug nicht und meldete stattdessen 14 bis 15 irrelevante „Bugs“. Auch eine einfache Aufgabe löste lange Thinking-Schleifen aus: eine HTML-Animation mit schwingenden Papierbannern in einer Datei.

Das steht in scharfem Kontrast zu den Spitzenwerten bei Terminal-Bench und DeepSWE. Beides lässt sich nicht einfach gegeneinander verrechnen. Die Benchmarks sind selbst berichtet und laufen mit festem Harness und höchstem Thinking-Aufwand. Der Praxistest ist dagegen ein einzelnes Szenario, dessen Setup unbekannt ist. Tooling, Quantisierung, Einstellungen und Zahl der Durchläufe nennt die Quelle nicht. Eine Verallgemeinerung in die eine wie in die andere Richtung ist damit nicht belegt.

Mindstudio.ai gibt außerdem an, das Labor rahme das Modell in seinem Marketing als nahe an Claude-Niveau. Belege dafür liefert das Material nicht. Es handelt sich um eine unbestätigte Herstellerrahmung. Prüfen ließe sie nur ein Vergleich auf unabhängigen Agentic-Coding-Tests.

24-GB-Karten: 21 GB Gewichte, 28 GB KV-Cache bei 128K, ein Nutzer mit 3090

Auch beim Speicherbedarf widersprechen sich die Quellen. Eesel.ai rechnet vor: Als dichtes Modell im Llama-Stil braucht Nanbeige etwa 0,2 MB KV-Cache pro Token. Bei 128K Kontext kommen so rund 28 GB zu etwa 21 GB 4-Bit-Gewichten hinzu. Das schließe die meisten Consumer-GPUs aus.

Ein Nutzer auf Reddit berichtet dagegen, Nanbeige4.3-33B in 4-Bit auf einer einzelnen RTX 3090 betrieben zu haben, für ein Experiment zur Persönlichkeit einzelner Neuronen.

Der Widerspruch löst sich plausibel auf, wenn man die Kontextlänge betrachtet. 21 GB Gewichte passen mit kurzem Kontext auf eine 24-GB-Karte, mit 128K dagegen nicht. Der Reddit-Auszug nennt die Kontextlänge jedoch nicht. Die Auflösung bleibt deshalb eine Vermutung. Die offiziellen Betriebsbeispiele setzen laut aicoder.com auf 4-fachen Tensor-Parallelismus, also auf mehrere GPUs.

Was Teams vor einem Wechsel von Qwen3.8-27B oder Gemma4-31B selbst testen müssen

Wer im 30B-Bereich einen Wechsel erwägt, sollte die Herstellerwerte nicht übernehmen, sondern selbst nachmessen. Maßgeblich sind der eigene Harness, die Quantisierung und die Kontextlänge, die im Betrieb tatsächlich anfallen. Die Tabelle der Modellkarte gilt für höchsten Thinking-Aufwand und feste Agenten-Gerüste. Auf den eigenen Workflow lässt sie sich nicht zwingend übertragen.

Drei Punkte verdienen besondere Prüfung. Erstens Debugging-Aufgaben, bei denen der Praxistest Schwächen zeigte, auch wenn er nur ein Einzelfall ist. Zweitens Thinking-Schleifen, die Zeit und Rechenbudget kosten, gerade bei einfachen Aufgaben. Drittens der Speicherbedarf: Wer lange Kontexte braucht, muss den KV-Cache einplanen und nicht nur die Größe der Gewichte.

Außerdem lohnt der Blick auf die Bereiche, in denen Qwen3.8-27B oder Gemma4-31B laut Modellkarte vorn liegen. Dazu zählen SWE-Bench Pro, GDPval, die Kundenservice-Aufgaben und GPQA Diamond.

Was bislang fehlt, lässt sich klar benennen: unabhängige Reproduktionen der Benchmarks und ein erschienenes 3B-Destillat. Ob der Teacher-Ansatz trägt, lässt sich aus dem vorliegenden Material nicht beurteilen.