Nanbeige LLM Lab publicó en Hugging Face un modelo de 33.000 millones de parámetros con licencia Apache 2.0 y 512K de contexto. Viene con resultados llamativos en tareas de agente, aunque todos son de la propia empresa y hay filas de su tabla que no cuadran con las fuentes originales.
Qué es Nanbeige4.3-33B y quién está detrás
El 25 de octubre apareció en Hugging Face un modelo llamado Nanbeige4.3-33B. Lo firma Nanbeige LLM Lab, el equipo de investigación de BOSS Zhipin, la plataforma de empleo conocida en China por su aplicación de búsqueda de trabajo. La licencia es Apache 2.0, una de las más permisivas que existen para uso comercial.
Junto al modelo principal se publicó Nanbeige4.3-33B-Base, una versión sin el ajuste final pensada para quien quiera entrenarlo por su cuenta. Ese detalle importa más de lo que parece: permite adaptar el modelo a un dominio concreto sin partir de cero.
La propuesta es concreta. No es un modelo generalista que también programa. Está construido para tareas de agente, esas en las que el modelo ejecuta pasos, usa herramientas y revisa su propio trabajo dentro de un entorno.
Un modelo denso de 33B, no una mezcla de expertos
La arquitectura es densa. Significa que cada token que entra activa los 33.000 millones de parámetros completos, en lugar de repartir el trabajo entre expertos y activar solo una parte, como hacen los modelos de mezcla de expertos.
Esa decisión tiene un coste y una ventaja. El coste es que cada respuesta consume más cómputo por token. La ventaja es que el comportamiento es más predecible: no hay enrutamiento que falle ni expertos que queden sin entrenar.
La ficha técnica da los detalles. Son 52 capas, un tamaño oculto de 7.168, 56 cabezas de consulta y 8 de clave y valor, un vocabulario de 166.912 tokens y un valor de RoPE de 1,2e8. La arquitectura sigue el patrón estándar de Llama, así que se integra sin sorpresas en las herramientas habituales.
El contexto es de 524.288 tokens, medio millón largo. Para hacerse una idea: un libro de 400 páginas cabe entero y todavía sobra espacio.
Los resultados que Nanbeige presenta como propios
La comparación que publica la empresa es contra tres modelos de tamaño parecido: Qwen3.8-27B, Muse-Glimmer-30B de Meta y Gemma4-31B de Google. Todos medidos, según la ficha, en su nivel máximo de razonamiento.
Nanbeige afirma ganar en 17 de las 20 pruebas. En Terminal-Bench 2.1, que mide tareas de línea de comandos, reporta 80,9 puntos frente a los 73,0 de Qwen3.8-27B. En DeepSWE, la diferencia que destaca es 65,5 contra 42,5. En Automation Bench, 54,2 frente a 38,3.
Las cifras de conocimiento también son altas: AIME 2026 con 95,2 y AA-LCR con 84,0. Son números de la empresa, sin reproducción independiente publicada hasta ahora. Cualquiera que haya seguido lanzamientos de modelos abiertos sabe cómo funciona esto: la tabla del anuncio suele ser el mejor escenario posible.
Donde Nanbeige4.3-33B pierde frente a Qwen
La tabla no es un monólogo. Hay tres apartados donde el modelo de BOSS Zhipin queda por detrás, y los tres aparecen en su propia documentación.
En SWE-Bench Pro, que evalúa la capacidad de resolver incidencias reales de software, Nanbeige reporta 60,3 frente a los 61,7 de Qwen3.8-27B. Es una diferencia estrecha, y en la práctica significa que ambos están en el mismo escalón.
En GDPval, una prueba de tareas económicamente valiosas, el resultado es 84,8 frente a 86,4. Otra vez, margen mínimo.
El tercer caso es más incómodo. En Terminal-Bench 4.0, Nanbeige registra 23,8, el valor más bajo de su propia tabla. Un modelo que se vende como especialista en agentes de terminal y saca ahí su peor nota deja una pregunta razonable sobre qué versión de la prueba conviene mirar.
Las dos filas que no cuadran en la tabla
Hay un problema de precisión en la tabla comparativa. Nanbeige asigna a Muse-Glimmer-30B y a Gemma4-31B puntuaciones de SWE-Bench Pro que parecen intercambiadas. Los datos oficiales de Meta son 51,2 y 36,9 para esos dos modelos; en la tabla de Nanbeige aparecen al revés.
El segundo desajuste está en GPQA Diamond. Nanbeige otorga 91,3 a Gemma4-31B, mientras la documentación de Google indica 84,3.
Parte de la diferencia se explica por el entorno de evaluación. Cada empresa usa su propio arnés, y los resultados cambian según cómo se formule la pregunta y cuántos intentos se permitan. Eso no justifica un intercambio de filas.
La lectura correcta es tratar toda la tabla como pendiente de reproducción. Un modelo abierto se puede verificar, y eso es precisamente lo que debería pasar en las próximas semanas.
Qué hace falta para mover 66 GB de pesos
Los pesos en BF16 ocupan unos 66 GB. Esa cifra ya descarta el portátil y deja al usuario en el terreno de una estación de trabajo con varias GPU o de un servidor alquilado por horas.
En una sola máquina, no.
A eso se suma la caché de contexto. La ficha estima unos 208 KiB por token, lo que con 512K llenos se traduce en más de 100 GB adicionales. Nadie ejecuta el contexto completo en una sola máquina sin planificarlo antes. ¿Y el máximo? Fuera del papel, casi nadie lo necesita.
Las recetas que publica el modelo son Transformers, SGLang y vLLM, con un ejemplo de paralelismo tensorial de cuatro vías. Para tareas de agente recomienda temperatura 1,0, top_p 0,95 y 65.536 tokens nuevos por respuesta. Para razonamiento y chat, temperatura 0,6 y 262.144.
Hay una salida más modesta. Una cuantización Q8 de la comunidad ronda los 35 GB, y con 32K de contexto cabe en una GPU de 48 GB. Es la versión que va a probar la mayoría antes de alquilar nada.
Profesor primero, alumno después: la apuesta de destilación
El detalle estratégico está en el nombre del siguiente modelo. Nanbeige presentó este 33B como profesor: primero entrena un agente grande y capaz, después traslada ese comportamiento a un Nanbeige4.3-3B que todavía no ha salido.
Es una jugada conocida y razonable. Entrenar un modelo pequeño desde cero para tareas de agente es caro y sale mal. Entrenarlo imitando a uno grande que ya resuelve esas tareas es más barato y suele funcionar mejor.
Si el 3B hereda una parte del rendimiento, el resultado sería un modelo que cabe en un portátil y ejecuta tareas de terminal. Ese es el producto que la mayoría de equipos querría, más que el 33B.
La pregunta abierta es cuánto se pierde en el trasvase. La destilación conserva bien el estilo y las rutas habituales, y peor la capacidad de recuperarse cuando algo falla. En agentes, recuperarse es casi todo.
Por ahora hay pesos, una ficha técnica muy detallada y una tabla que pide verificación. Es más de lo que muchos lanzamientos abiertos ofrecen, y menos de lo que hace falta para dar las cifras por buenas.
