O Nanbeige LLM Lab, equipe de pesquisa da plataforma de recrutamento BOSS Zhipin, publicou no Hugging Face um modelo de 33 bilhões de parâmetros com licença Apache 2.0, contexto de 512 mil tokens e foco em tarefas de agente. A ideia é usá-lo como professor de modelos menores que ainda vão sair.
O que é o Nanbeige4.3-33B e por que ser denso importa
A primeira decisão de projeto aparece no nome. O modelo tem 33 bilhões de parâmetros e usa todos eles em cada token processado. Não é um modelo de mistura de especialistas, aquele desenho em que só uma parte da rede é acionada por vez.
Modelos densos são mais previsíveis. O desempenho não oscila conforme o roteador escolhe especialistas diferentes, o que ajuda em tarefas longas de programação, nas quais um passo ruim estraga a sequência inteira.
O preço dessa escolha é o custo por token. Um modelo denso de 33B gasta mais computação do que um MoE de tamanho total parecido. A Nanbeige troca eficiência por consistência.
A arquitetura é convencional de propósito. O modelo usa a classe LlamaForCausalLM, com 52 camadas, dimensão oculta de 7.168 e atenção agrupada, técnica que faz várias cabeças de consulta compartilharem um conjunto menor de chaves para economizar memória. Quem já roda modelos da família Llama não precisa de código novo.
Professor antes do aluno: a destilação no Nanbeige4.3-33B
A Nanbeige não esconde o plano. O 33B é o professor. A empresa vai destilar o que ele aprendeu em um Nanbeige4.3-3B, ainda sem data, e o modelo grande existe, em parte, para gerar os dados dessa destilação.
É uma inversão curiosa do que costuma acontecer. Normalmente, o modelo pequeno chega primeiro, como versão acessível, e o grande vem depois. Aqui, o caro veio antes.
Há lógica nisso. Treinar um agente que resolve tarefas de terminal e de automação é a parte difícil. Transferir esse comportamento para uma rede menor é a parte barata, desde que você tenha um professor bom e muitos dados de trajetória.
Também há um lançamento intermediário. A Nanbeige publicou junto o Nanbeige4.3-33B-Base, sem o ajuste fino de agente, para quem quiser fazer o próprio pós-treino.
O contexto de 512 mil tokens do Nanbeige4.3-33B
O modelo aceita 524.288 tokens de contexto. Em termos práticos, isso é um repositório de código inteiro, com histórico de commits, ou uma pilha de documentos longos que antes precisava ser fatiada.
Contexto grande é fácil de anunciar e difícil de usar. A qualidade da recuperação cai conforme a janela enche, e o custo de memória cresce junto. A Nanbeige não publicou medições de recuperação em janelas próximas do limite.
Para trabalho de agente, o número interessa por outro motivo. Um agente que mexe em arquivos precisa carregar o estado do projeto entre passos. Quanto maior a janela, menos vezes ele precisa reler o mesmo arquivo.
Os números que a Nanbeige apresenta
A empresa comparou o modelo com Qwen3.8-27B, Muse-Glimmer-30B e Gemma4-31B, todos na configuração de raciocínio mais alta. Segundo a Nanbeige, o 33B lidera em 17 das 20 provas listadas.
No Terminal-Bench 2.1, que mede tarefas de linha de comando, a diferença é grande. O Nanbeige marca 80,9, contra 73,0 do Qwen3.8-27B.
Em DeepSWE, prova de engenharia de software, a distância é maior ainda. São 65,5 pontos contra 42,5 do concorrente mais próximo.
A empresa também divulga 95,2 no AIME 2026, exame de matemática, e 84,0 no AA-LCR, teste de compreensão de contexto longo.
Nada disso passou por avaliação independente. Todos os números são da própria Nanbeige, sem teste de terceiros. Leia como alegação do fabricante.
O que o Nanbeige4.3-33B perde
Uma tabela honesta mostra derrotas, e a da Nanbeige mostra algumas. No SWE-Bench Pro, o 33B fica em 60,3 contra 61,7 do Qwen3.8-27B. A diferença é pequena, mas é derrota.
No GDPval, que tenta medir valor econômico de tarefas reais, o resultado é 84,8 contra 86,4. Também abaixo.
O número mais estranho é o do Terminal-Bench 4.0, versão mais recente da mesma prova. O modelo marca 23,8, o pior resultado da própria tabela. Uma queda dessas entre duas versões do mesmo benchmark sugere que a prova mudou de forma relevante, não que o modelo piorou da noite para o dia.
As inconsistências na tabela do Nanbeige4.3-33B
Há pelo menos duas linhas que não fecham com os números oficiais dos concorrentes.
No SWE-Bench Pro, a tabela atribui ao Muse-Glimmer-30B, da Meta, e ao Gemma4-31B, do Google, pontuações que parecem trocadas. Os valores oficiais são 51,2 e 36,9. A ordem aparece invertida no material da Nanbeige.
No GPQA Diamond, prova de perguntas científicas de nível de pós-graduação, a Nanbeige dá 91,3 ao Gemma4-31B. O número divulgado pelo Google é 84,3.
Parte da diferença pode vir de um protocolo de teste diferente, temperatura diferente ou número de tentativas. A troca no SWE-Bench Pro, porém, tem cara de erro de digitação na planilha. Até que alguém reproduza os testes, trate a tabela inteira como pendente.
Quanto hardware o Nanbeige4.3-33B exige
Os pesos em BF16 ficam em torno de 66 GB. Só isso já elimina a maioria das placas de consumo, porque o modelo não cabe inteiro na memória.
Some a isso o cache de contexto. Cada token em contexto consome cerca de 208 KiB, e uma janela cheia de 512 mil tokens passa de 110 GB. Ou seja, o contexto é grande no papel e caro na prática.
A própria Nanbeige sugere execução com quatro vias de paralelismo de tensor, o que significa pelo menos quatro GPUs conversando entre si. Modelos assim costumam rodar em servidor, não em estação de trabalho.
Existe um caminho doméstico. Versões quantizadas em Q8, feitas pela comunidade, ficam perto de 35 GB. Com contexto limitado a 32 mil tokens, o modelo cabe em uma única placa de 48 GB.
Vale testar o Nanbeige4.3-33B agora?
Para quem pesquisa agentes de código, sim. Um modelo de pesos abertos, denso e com 33B sob licença Apache 2.0 é uma combinação rara. O fato de a Nanbeige publicar também a versão Base ajuda quem quer ajustar o próprio comportamento.
Para quem só quer usar, ainda não. No dia do lançamento não havia provedor de inferência hospedando o modelo no Hugging Face, então não existe o caminho de chamar uma API e receber a resposta. É preciso subir o modelo.
Falta também a avaliação de terceiros. Enquanto ela não aparece, os 80,9 no Terminal-Bench valem como promessa. Promessas de fornecedor costumam encolher um pouco quando alguém de fora roda o mesmo teste.
