Nanbeige4.3-33B مقابل Qwen3.8 27B: تدقيق ادعاء 18 من 20

يتفوق Nanbeige4.3-33B على Qwen3.8-27B في 18 من أصل 20 اختبارًا مرجعيًا. هذا هو الادعاء المتداول على الإنترنت هذا الأسبوع، وهو تقنيًا ما تقوله بطاقة النموذج. وهو أيضًا جملة لها مقام، والمقام هو الجزء المثير للاهتمام. من بين هذه الصفوف العشرين، 19 صفًا مُقيَّم بالنقاط وواحد بقيمة بالدولار؛ وأربعة من الانتصارات الثمانية عشر بفارق أقل من نقطة واحدة؛ ويبدو أن ثلاثة على الأقل من أرقام Qwen منسوخة من نتائج Qwen المنشورة بدلًا من إعادة تشغيلها بواسطة Nanbeige. لا شيء من ذلك يجعل الادعاء كاذبًا. بل يجعله أضيق مما يبدو.

المواجهة غير معتادة لأن Nanbeige اختارت Qwen3.8-27B شريكًا لها في المبارزة. طُرح Qwen3.8-27B في منتصف أغسطس 2026، وهو كثيف بـ27.78 مليار معامل، برخصة Apache 2.0، ومتعدد الوسائط عند الإدخال، وعلى عكس Nanbeige4.3-33B، لديه مؤشر ذكاء مستقل من Artificial Analysis قدره 34. لذا فهذه هي المقارنة الوحيدة في الدفعة التي يمتلك فيها الخصم درجة موثّقة بينما لا يمتلكها الموضوع. هذا التفاوت هو أفضل أداة لدينا لتدقيق الجدول.

من كتب الادعاء، وماذا يحتوي المقام

الجدول خاص بـ Nanbeige. نُشر على بطاقة نموذج Hugging Face الخاصة بـ Nanbeige4.3-33B، في مستودع أُنشئ في 24 أكتوبر 2026. لا توجد تدوينة مصاحبة، ولا حدث إطلاق، ولا إعادة إنتاج من طرف ثالث. كل رقم في عمود Qwen، وكل رقم في عمود Nanbeige، أنتجه أو اختاره المختبر الذي أجرى المقارنة.

تغطي الصفوف العشرون ثلاث مجموعات: البرمجة الوكيلية (Terminal-Bench 2.1 و4.0، وDeepSWE، وSWE-Bench Pro، وSWE-Atlas-QnA، وNL2Repo، وScicode، وSkillsBench)، والعمل التشاركي الوكيلي (Automation Bench، وJobBench، وGDPval، وClaw-Eval، وToolathlon-Verified، وDeepPlanning، وEnterpriseOps-Gym، وYC-bench، وTau3-Bench)، والاستدلال (GPQA Diamond، وAIME 2026، وAA-LCR). ويجري الإفصاح عن أداة التقييم بمزيد من العناية مما في معظم بطاقات المورّدين: Terminus 2 لـTerminal-Bench 2.1، وmini-swe-agent v2.4.6 لـTerminal-Bench 4.0 وDeepSWE وSWE-Atlas-QnA، وClaude Code لـNL2Repo وJobBench، وGPT-6 Sol بوصفه الحَكَم لـSWE-Atlas-QnA. وهذا الإفصاح يُحسب لصالح Nanbeige. وهو أيضاً السبب في أن المقارنة أصعب في القراءة من مجرد عدد انتصارات واحد.

الصفّان اللذان تخسرهما Nanbeige

• SWE-Bench Pro — Qwen3.8-27B 61.7 مقابل Nanbeige4.3-33B 60.3. تقدم Qwen بفارق 1.4 نقطة.

• GDPval — Qwen3.8-27B 86.4 مقابل Nanbeige4.3-33B 84.8. تقدّم Qwen بمقدار 1.6 نقطة.

هذان هما الصفان اللذان يطويهما بصمت عنوان «18 من 20»، ويشيران في اتجاه متسق. وكلاهما معيار قياسي لعمل مهني ذي قيمة اقتصادية: فـ SWE-Bench Pro هو النسخة الأصعب في هندسة البرمجيات، وGDPval يقيس جودة المخرجات في مهام وظيفية واقعية. ويفوز Qwen في كليهما بفروق صغيرة بالقيمة المطلقة لكنها مستقرة عبر عائلتين مختلفتين من المهام. وإذا كنت تختار بين هذين النموذجين للعمل المهني لا للوحة الصدارة، فهذان من الصفين اللذين ينبغي أن تمنحهما أكبر وزن، وهما الصفان اللذان يخسرهما النموذج موضع التقييم.

لا تشرح بطاقة Nanbeige الخسائر. ولا حاجة لها إلى ذلك — فالمورّد من حقه أن ينشر جدولاً يفوز فيه. لكن ينبغي للقارئ أن يلاحظ أن الخسائر تتجمّع تحديداً حيث يكون المعيار أقرب إلى سؤال «هل يقبل محترف بهذا الناتج؟»، بينما تتجمّع الانتصارات حيث يكون المعيار أقرب إلى سؤال «هل أكمل الوكيل الحلقة؟».

انتصارات لا تعدو كونها أخطاء تقريب

تُحسم أربعة من الانتصارات الـ18 بفارق أقل من نقطة واحدة.

• Tau3-Bench — 48.8 مقابل 48.5. ثلاثة أعشار نقطة.

• GPQA Diamond — 89.5 مقابل 89.2. ثلاثة أعشار.

• AIME 2026 — 95.2 مقابل 94.5. سبعة أعشار.

• EnterpriseOps-Gym — 41.0 مقابل 40.2. ثمانية أعشار.

اثنان آخران ضمن نحو نقطتين: Toolathlon-Verified عند 70.4 مقابل 68.5، وAA-LCR عند 84.0 مقابل 82.0. في اختبارات بهذا الحجم وبهذا التباين، لا يُعدّ فارق أقل من نقطة دليلًا على التفوق. بل هو دليل على أن النموذجين في النطاق نفسه. وإعادة الصياغة المنصفة للعنوان الرئيسي ستكون: "يتقدم Nanbeige بوضوح في 12 من 20، ويتعادل في 6، ويتخلف في 2" — وهو نتيجة قوية مع ذلك، وأكثر فائدة.

المكاسب الكبيرة هي حيث يوجد الجدال الحقيقي. DeepSWE عند 65.5 مقابل 42.5 هي فجوة بـ23 نقطة. Terminal-Bench 4.0 عند 23.8 مقابل 6.3 هي 17.5. Automation Bench عند 54.2 مقابل 38.3 هي 15.9. DeepPlanning عند 63.3 مقابل 49.2 هي 14.1. YC-bench، وهي مهمة مقومة بالدولار، تسجل $1,025,437 مقابل $641,290. هذه ليست فروق تقريب. وهي تقول إن Nanbeige أفضل في التنفيذ طويل الأفق ومتعدد الخطوات — ذلك النوع من العمل حيث على النموذج أن يُبقي الخطة حية عبر عشرات نداءات الأدوات. هذه قصة متماسكة، وتتوافق مع سياق النموذج الأصلي البالغ 512K وإعداداته الموصى بها الموجهة للوكلاء.

قد لا تكون الأعمدة من التجربة نفسها.

هذه هي الملاحظة التي تُعقّد الجدول بأكمله. ثلاثة أرقام من Qwen تطابق تمامًا أرقام Qwen المنشورة الخاصة بها: Terminal-Bench 2.1 عند 73.0، وSWE-Bench Pro عند 61.7، وGPQA Diamond عند 89.2. تنشر Qwen الثلاثة جميعها. أما الصفوف التي لا تنشرها Qwen — DeepSWE، وSWE-Atlas-QnA، وNL2Repo، وJobBench، وAutomation Bench، وDeepPlanning، وYC-bench، وTau3، وEnterpriseOps-Gym، وClaw-Eval — فهي بالضبط الصفوف التي تكون فيها هوامش Nanbeige الأكبر.

يتوافق هذا النمط مع طريقتين مختلفتين داخل جدول واحد: أرقام منسوخة لمعايير الأداء التي نشرها المنافس بالفعل، وتشغيلات جديدة لمعايير الأداء التي لم ينشرها. وهذا استنتاج، وليس حقيقة معلنة — فبطاقة Nanbeige تقول إن جميع النماذج قُيّمت بأعلى جهد تفكير وبمعاملات الاستدلال نفسها وأداة الاختبار نفسها، وهو ما يعارض فرضية النسخ. لكن التطابق التام في ثلاثة أرقام مستقلة مصادفة تستحق الإشارة إليها، وإذا كان عمود Qwen مزيجًا، فإن «18 من 20» يقارن تشغيلات Nanbeige بتشغيلات Qwen في بعض الصفوف، ويقارن تشغيلات Nanbeige بتشغيلات Nanbeige في صفوف أخرى.

ثمة مشكلة ثانية أدق. يُشغَّل نموذج Nanbeige نفسه في إطار الاختبار الذي توصي به بطاقته: استدعاءات أدوات XML، وpreserve_thinking=true، ودرجة حرارة 1.0 للأعمال الوكيلية. ولا تذكر البطاقة ما إذا كان Qwen3.8-27B قد أُعطي إعداداته الموصى بها، أم أُدخل في إعدادات Nanbeige. وإذا كان الاحتمال الأخير هو ما حدث، فإن جزءًا من فجوة الـ23 نقطة في DeepSWE يعود إلى اختلاف في الإعدادات لا إلى اختلاف في القدرات. وهذا هو التحفظ نفسه الذي ينطبق على كل مقارنة بين موردين، وليس سببًا لرفض النتيجة — بل سببًا لاشتراط إعادة تشغيل محايدة قبل اعتبارها محسومة.

النتيجة المستقلة التي يمتلكها نموذج واحد فقط

يمنح Artificial Analysis النموذج Qwen3.8-27B درجة 34 على مؤشر الذكاء الخاص به، مقاسة عند إعداد الاستدلال xhigh، بمعدل 45.2 رمزًا ناتجًا في الثانية. تتفاوت زمن الاستجابة حسب المزوّد: إذ تُفيد صفحتنا بأن زمن الوصول إلى أول رمز عند النسبة المئوية p50 يبلغ 2.95 ثانية، مقابل 3.8 ثوانٍ قاسها Artificial Analysis على نقطة النهاية التي أخذ منها العينة. وهذا المؤشر مركّب من عشرة تقييمات، تشمل Terminal-Bench 4.0 وSciCode وAA-LCR وGDPval-AA وAutomationBench-AA — أي عدة عائلات معايير نفسها التي تُبلغ عنها Nanbeige بنفسها.

لا يوجد لدى Nanbeige4.3-33B إدخال في Artificial Analysis. وهذه ليست فضيحة؛ فالموديل عمره يومان فقط. لكنها تعني أن طرفي هذه المقارنة ليسا متساويين معرفيًا. إن الرقم 34 الخاص بـ Qwen هو رقم قاسه شخص آخر. أما رقم 80.9 الذي حققه Nanbeige على Terminal-Bench 2.1 فهو رقم قاسه Nanbeige نفسه. وإذا كان الرقمان دقيقين، فمن المرجّح أن يستقر Nanbeige فوق 34 بفارق واضح على المؤشر المركب نفسه — فنتيجته 23.8 على Terminal-Bench 4.0 ونتيجته 52.6 على SciCode صفّان قويان. والمغزى هو أن كلمة «مرجّح» هي التي تؤدي المهمة، وستظل تؤديها إلى أن يشغّل مقيّم مستقل الموديل.

هذا أيضًا هو السبب العملي لاعتبار ادعاء «18 من 20» حجة افتتاحية. فالادعاء قابل للتكذيب بطريقة محددة وغير مكلفة: إخضاع Nanbeige4.3-33B لمُقيِّم مستقل ومقارنة النتيجة المركّبة. وإلى أن يحدث ذلك، فإن أقوى عبارة صادقة هي أن Nanbeige تدّعي التقدم على أعمال الوكيل طويلة الأفق وتتخلف قليلًا في جودة المخرجات المهنية، وأن واحدًا فقط من هذين النموذجين قد تحقق منه أي شخص غير صانعه.

التكلفة لكل مهمة، لا لكل رمز

Qwen3.8-27B هو الوحيد من بين هذين الاثنين الذي يمكنك استدعاؤه اليوم.على OrcaRouter، يبلغ سعره $0.33 لكل مليون رمز إدخال و$2.40 لكل مليون رمز إخراج — أقل من $0.50 و$3.00 اللذين تدرجهما Artificial Analysis لنقطة النهاية الخاصة بالطرف الأول لدى Alibaba. يُقدَّم هذا النموذج على بنيتنا التحتية الخاصة بدلاً من إعادة بيعه بسعر قائمة المزوّد، ولهذا يقع تحت سعر الطرف الأول؛ أما النماذج التي نمرّرها فعلاً، فإن قاعدة هامش الربح 0% تعني أن سعر قائمة المزوّد هو ما تدفعه. على أي حال، تتفاوت أسعار الرمز الواحد بما يكفي حسب المسار بحيث لا تكون نقطة النهاية الخاصة بالطرف الأول هي الخيار الرخيص تلقائياً. يقبل النموذج أيضاً الصور والفيديو إلى جانب النص، ويوفر نافذة سياق تبلغ 262,144 رمزاً.

سعر الرمز الواحد هو وحدة القياس الخاطئة لهذه المقارنة. إذ يفيد المراجعون بأن Qwen3.8-27B شرهٌ للرموز على نحو غير معتاد — نحو ثلاثة أضعاف رموز Qwen3.6-27B في المهام المماثلة — وتقدّر Artificial Analysis نحو 1.01 دولار لكل مهمة من مهام مؤشر الذكاء عند إعداد xhigh. والنموذج الذي يتفوق في السعر لكل رمز ويخسر في عدد الرموز لكل مهمة قد يظل الخيار الأكثر تكلفة. أما Nanbeige4.3-33B فلا سعر لكل رمز لديه إطلاقًا: فالأوزان مجانية، ولا ينشره أي مزوّد استدلال، وتشغيله يعني نشرًا بالتوازي الموتر على أربع وحدات GPU يبقى مفتوحًا سواء وصلت حركة المرور أم لا.

هذا هو المكان الذي تبرّر فيه طبقة التوجيه وجودها. Qwen3.8-27B متاح عبر مفتاحنا اليوم؛ أما Nanbeige فليس كذلك، ولن نتظاهر بأنه كذلك. ما يمكنك فعله هو الإبقاء على Qwen مسارًا للإنتاج، وتوجيه شريحة من حركة المرور الحقيقية إلى نقطة نهاية Nanbeige مستضافة ذاتيًا، لقياس إنجاز المهام والرموز المستهلكة، بدلًا من الوثوق بجدول. يهم التحويل التلقائي عند الفشل هنا: نقطة نهاية تجريبية تتعطل أثناء التشغيل ينبغي أن تتراجع إلى الحل القائم، لا أن تُسقِط الوكيل معها. ثم يتوقف القرار على تكلفتك الخاصة لكل مهمة مكتملة، وهي الرقم الوحيد الذي يجمع سلوك الرموز لدى كلا النموذجين بصدق.

ما الذي من شأنه أن يُكذّب هذا؟

ثلاث نتائج كفيلة بحسم المسألة، ولا يتطلب أي منها نموذجًا جديدًا.

• مدخل لـ Artificial Analysis بشأن Nanbeige4.3-33B. إذا جاء قريبًا من 34 أو أعلى منها، فإن اتجاه جدول المورّد مؤكَّد ويصبح حجم الفارق محلّ جدل. أما إذا جاء أدنى من ذلك بكثير، فإن ادعاء 18 من 20 يحتاج إلى تفسير أفضل بكثير من مجرد اختيار أداة الاختبار.

• إعادة تشغيل محايدة لـ DeepSWE وTerminal-Bench 4.0 مع كلا النموذجين في إعداداتهما الموصى بها. هذه هي التجربة المحددة التي لا ينفذها الجدول الحالي، وهي تستهدف الصفوف التي تحمل معظم هامش Nanbeige.

• رقم منشور لعدد الرموز لكل مهمة مكتملة لكليهما. لا يمكن لأسعار الرمز الواحد أن تقارن نموذجًا كثيفًا بحجم 33B تستضيفه أنت مقابل نموذج بحجم 27B شره للرموز تستأجره أنت. أما تكلفة المهمة المنجزة فيمكنها ذلك.

الحكم الذي سندافع عنه

من المرجح أن Nanbeige4.3-33B هو نموذج الوكيل الأقوى للمهام بعيدة المدى بين الاثنين. فالفوارق في DeepSWE وTerminal-Bench 4.0 وAutomation Bench وDeepPlanning كبيرة جدًا ومتسقة في اتجاهها إلى حدّ يجعل من غير المرجح أن تكون كلها مجرد أثر من إطار الاختبار، كما أن السياق الأصلي بسعة 512K يتسق مع هذه الصورة. ومن المرجح أن Qwen3.8-27B هو النموذج الأقوى من حيث جودة المخرجات المهنية، حيث يفوز في كلا الصفين اللذين يقيسان ذلك، وهو بلا لبس الأكثر قابلية للاستخدام: نتيجة مستقلة، وواجهة برمجة تطبيقات مستضافة، وإدخال متعدد الوسائط، وسعر يمكنك إدراجه في جدول بيانات اليوم.

«18 من 20» نتيجة حقيقية تُقدَّم في صورة نتيجة أكبر منها. والنسخة الدقيقة هي أن نموذجًا عمره يومان من مختبر لم يقيّمه أحد بشكل مستقل يدّعي تقدمًا واضحًا في التنفيذ الوكيلي، وتعادلًا في الاستدلال العام، وعجزًا صغيرًا في المخرجات المهنية — في مواجهة منافس صدر منذ عشرة أسابيع وقاسه شخص غير صانعه. هذا ادعاء مثير للاهتمام حقًا. لكنه ليس بعد سببًا للتبديل.