Nanbeige4.3-33B vs. Xing 4.0 29B-A4B: Die 23-Punkte-Differenz im Endstand und die 16-Punkte-Umkehr

Nanbeige4.3-33B und Xing 4.0 29B-A4B sind derselbe Pitch aus entgegengesetzten Richtungen. Das erste ist ein dichtes Modell mit 33 Milliarden Parametern aus dem Nanbeige LLM Lab von BOSS Zhipin, veröffentlicht am 24. Oktober 2026 unter Apache 2.0, mit einem 524,288-Token-Kontext und einem Serving-Rezept, das vier GPUs voraussetzt. Das zweite ist ein Mixture-of-Experts-Modell mit 29 Milliarden Parametern von TeleAI, China Telecoms KI-Einheit, dessen Gewichte seit dem 16. September 2026 öffentlich sind, das pro Token rund 4 Milliarden Parameter aktiviert und dessen eigene Modellkarte behauptet, es passe mit 4 Bit auf eine einzelne Consumer-Grafikkarte mit 24 GB. Beide zielen auf agentisches Codieren und lange Tool-Schleifen ab. Beide erscheinen mit offenen Gewichten. Niemand hat sie bislang direkt gegeneinander antreten lassen, auch nicht ihre eigenen Labs — Nanbeiges Modellkarte enthält Benchmarks gegen Qwen3.8-27B, Muse-Glimmer-30B und Gemma4-31B; Xings gegen Gemma4-26B-A4B und Qwen3.6-35B-A3B. Sie erwähnen einander nie.

Das ist keine Lücke, die man mit einer Vergleichstabelle überdecken kann, denn die beiden Herstellertabellen verwenden unterschiedliche Harnesses, unterschiedliche Stichprobenverfahren und unterschiedliche Wettbewerbersets. Was man tun kann, ist enger und nützlicher: die Zeilen finden, die die beiden Labore zufällig gemeinsam haben, die Fußnoten lesen, die darüber entscheiden, ob diese Zeilen etwas bedeuten, und dann das eine Modell, das von jemandem gemessen wurde, der nicht dafür bezahlt wurde, es zu messen, von demjenigen trennen, bei dem das nicht der Fall ist.

33 Milliarden dichte gegenüber 4 Milliarden aktiven, bevor irgendein Benchmark läuft

Der architektonische Unterschied ist kein bloßes Schlagwort. Er ist die Rechnung, die Latenz und der Deployment-Plan, und er steht fest, bevor eines der beiden Modelle auch nur einen einzigen Prompt beantwortet.

Nanbeige4.3-33B ist ein Standard-dichter Decoder – LlamaForCausalLM, 52 Schichten, Hidden Size 7.168, Grouped-Query-Attention mit 56 Query- und 8 KV-Heads. Jedes generierte Token bezahlt für alle 33,1 Milliarden Parameter. Der BF16-Checkpoint umfasst 66,3 GB verteilt auf vierzehn Safetensors-Shards, und sowohl die vLLM- als auch die SGLang-Rezepte im Repository geben Tensor-Parallelität von 4 an, was zeigt, dass die vorgesehene Maschine ein Knoten mit vier GPUs und keine Workstation ist.

Xing 4.0 29B-A4B ist sparse: 29 Milliarden Parameter im Checkpoint, 64 geroutete Experten mit 4 aktiven plus einem geteilten, 40 Schichten, Hidden-Size 3.584, aufgebaut auf dem, was seine Karte mHC + MLA + MTP nennt. Der Rechenaufwand pro Token skaliert mit den 4 Milliarden aktiven Parametern, nicht mit den 29 Milliarden gespeicherten. Der Anbieter behauptet eine 4-Bit-Quantisierung bei ungefähr 15 GB VRAM, was es auf eine RTX 3090 oder 4090 bringen würde — eine Behauptung, die es wert ist, gegen die tatsächliche quantisierte Datei geprüft zu werden, bevor man Hardware dafür kauft, denn das Repository meldet eine Tensor-Größe von 31B Parametern für den vollständigen Checkpoint, und die beiden Zahlen passen merkwürdig schlecht zusammen.

Alles andere folgt aus dieser Aufteilung.

• Kontext — Nanbeige4.3-33B 524.288 Token, nativ, ohne YaRN-Erweiterung im Rezept; Xing 4.0 29B-A4B 262.144 nativ, als auf 512K erweiterbar beschrieben, obwohl kein Erweiterungsrezept veröffentlicht ist.

• Minimaler praktischer Platzbedarf — Nanbeige4.3-33B 66,3 GB BF16-Gewichte vor KV-Cache, vierfacher Tensor-Parallelismus; Xing 4.0 29B-A4B laut Herstellerangabe etwa 15 GB bei 4-Bit, eine Karte.

• Trainings-Stack — Nanbeige4.3-33B ist nicht ausführlich dokumentiert; Xing 4.0 29B-A4B wurde durchgängig auf Ascend-910C-Clustern mit MindSpore und MindFormers trainiert, wobei eine Durchsatzverbesserung von 96 % gegenüber der eigenen Out-of-the-Box-Baseline des Anbieters beansprucht wird. Das ist eine Behauptung gegenüber einer internen Baseline ohne öffentlichen Referenzpunkt und daher von außen nicht überprüfbar, aber es ist die interessantere technische Aussage der beiden Veröffentlichungen.

• Lizenz — Apache 2.0 bei beiden, was den Downloadpreis bei beiden auf null setzt und die Diskussion vollständig auf Hardware und Tokens verlagert.

Fünf Zeilen, die beide Labore ausgeführt haben, und die beiden, die nicht übereinstimmen.

Die beiden Modellkarten teilen fünf Benchmark-Namen: Terminal-Bench 2.1, Tau3-Bench, Claw-Eval, AIME2026 und AA.LCR. Das Querlesen zwischen ihnen ist der einzige verfügbare quantitative Vergleich, und in den Fußnoten zeigt sich, ob er standhält oder auseinanderfällt.

• Terminal-Bench 2.1 — Nanbeige4.3-33B 80,9, Xing 4.0 29B-A4B 57,5. Beide Labore geben an, es in Terminus 2 ausgeführt zu haben, wodurch es in beiden Tabellen dem am nächsten kommt, was einem gemeinsamen Instrument entspricht. Es ist dennoch nicht dasselbe Experiment: Die Karte von Xing spezifiziert Temperatur 0,8, Top-p 0,95, maximal 64K Token, ein Timeout von 24 Stunden und den Durchschnitt aus drei Läufen; die von Nanbeige nennt nur das Harness und sonst nichts. Ein Abstand von 23 Punkten bei nahezu identischen Harnessen ist das stärkste Einzelsignal in diesem Vergleich, und es ist weiterhin ein Signal und keine Messung.

• Tau3-Bench — Nanbeige4.3-33B 48,8, Xing 4.0 29B-A4B 64,63. Dies ist die Umkehrung, und sie ist groß. Xing gewinnt Tool-Use-Dialoge um fast 16 Punkte, und zwar in der Benchmark-Familie, die Multi-Turn-Function-Calling am direktesten testet. Der Vorbehalt betrifft die Metrik: Xing meldet pass^1 gemittelt über vier Läufe auf dem offiziellen tau-bench-Harness; Nanbeige gibt an, die offiziellen Repositories verwendet zu haben, nennt aber nicht die Aggregation und führt die Zeile unter Agentic Coding statt unter Tool Use auf.

• Claw-Eval — Nanbeige4.3-33B 78,3 bei pass^3, Xing 4.0 29B-A4B 76,55. Dieser sollte eher verworfen als gelesen werden. In der Fußnote von Nanbeige heißt es, bewertet wurde nur die Teilmenge Claw-Eval General mit 157 Single-Turn-Aufgaben; bei Xing wird keine Teilmenge genannt. Ein Unterschied von 1,75 Punkten zwischen zwei unbenannten Versionen desselben Benchmarks ist Rauschen im Gewand eines Ergebnisses.

• AIME2026 — Nanbeige4.3-33B 95,2, Xing 4.0 29B-A4B 90,0. Wettbewerbsmathematik, auf der Xing-Seite über fünf Läufe gemittelt, max. 131.072 Token; Nanbeiges Sampling ist erneut nicht angegeben. Beide sind stark, die Reihenfolge deckt sich mit dem Endergebnis, und keine der beiden Zahlen sagt viel über die tatsächliche Aufgabe des jeweiligen Modells aus.

• AA.LCR — Nanbeige4.3-33B 84,0, Xing 4.0 29B-A4B 61,0. Reasoning über lange Kontexte und die größte prozentuale Lücke nach Terminal-Bench. Erwähnenswert ist, dass es sich hier um einen Benchmark von Artificial Analysis handelt, der von zwei Anbietern ausgeführt wird, sodass keine der beiden Zahlen eine Zahl von Artificial Analysis ist.

Vier von fünf sprechen sich für Nanbeige4.3-33B aus. Die eine, die das Gegenteil zeigt, ist die über das Aufrufen von Tools nacheinander, was ein Agent den ganzen Tag tut. Dieser Widerspruch ist das Nützlichste auf beiden Karten, und keines der beiden Labore ist darauf eingegangen.

Es gibt eine Glaubwürdigkeitsanmerkung, die speziell in der Terminal-Zeile zugunsten von Nanbeige ausfällt. Die eigene Karte gibt Terminal-Bench 4.0 mit 23,8 an; Artificial Analysis hat mit seinem eigenen Harness 29,8 gemessen. Die externe Messung lag sechs Punkte höher als die eigene Angabe des Anbieters, was der üblichen Richtung entgegengesetzt ist und nahelegt, dass die Anbietertabelle hier nicht aufgebläht ist. Xing 4.0 29B-A4B hat keine entsprechende Überprüfung.

Nur eines dieser Modelle hat eine Nummer, für die niemand bezahlt hat.

Nanbeige4.3-33B wird bewertet. Artificial Analysis hat es im Intelligence Index v5.0.1 auf 20 eingestuft – Erster von neun in seiner Open-Weight-Vergleichsklasse bei einem Klassenmedian von 10 und 76. auf der Liste aller Modelle. Die Teilwertungen sind aussagekräftiger als die Gesamtwertung: Terminal-Bench 4.0 bei 29,8 %, FrontierCode 2.0 bei 10,7 % und eine Nicht-Halluzinationsrate von 81,8 %, was der siebtbeste Wert auf der Website ist. Es lehnt viele Fragen ab. Für ein Modell, das ausdrücklich als Destillationslehrer gebaut wurde, ist das ein Vorzug.

Xing 4.0 29B-A4B hat keinen Eintrag bei Artificial Analysis. Nicht einen schlechten – gar keinen. Die Website liefert für den Slug des Modells in beiden plausiblen Schreibweisen 404 zurück, und es gibt dort nirgends auf dieser Übersicht einen Gesamt-, Teil-, Preis- oder Geschwindigkeitswert dafür.

Diese Asymmetrie bestimmt alles, was ein Vergleichsartikel redlicherweise behaupten kann. Die beiden Modelle lassen sich anhand von Herstellertabellen vergleichen, mit den oben genannten Fußnoten-Vorbehalten. Sie lassen sich nicht anhand des einen Instruments vergleichen, das keines der beiden Labore kontrolliert, weil nur eines von ihnen darauf vertreten ist. Jeder Beitrag, der diese beiden auf neutralem Boden gegeneinander einordnet, erfindet den neutralen Boden.

Wo der Gesetzentwurf tatsächlich abweicht

Wenn Sie zwischen ihnen wählen, ist der Preis eines Tokens nicht die entscheidende Zahl – entscheidend sind die Kosten, eine Aufgabe abzuschließen, und auf der Nanbeige-Seite kommen drei separate Multiplikatoren zusammen.

Das erste ist die Dichte: 33 Milliarden Parameter, die pro Ausgabe-Token gelesen werden, gegenüber etwa 4 Milliarden. Unabhängig davon, welche Hardware Sie besitzen, ist das ein großer Faktor bei der Rechenleistung pro Token, bevor irgendetwas anderes berücksichtigt wird.

Der zweite Punkt ist die Ausführlichkeit, und sie wird gemessen statt angenommen. Artificial Analysis berichtet, dass Nanbeige4.3-33B während seines Laufs im Intelligence Index 160 Millionen Ausgabe-Tokens erzeugte, gegenüber einem Klassenmedian von 77,7 Millionen – das 2,06-Fache des Medians und Achter von acht in der Ausführlichkeitsrangliste der Website. Die Modellkarte selbst erklärt einen Teil davon: Das Denken ist standardmäßig aktiviert, und die empfohlene Obergrenze liegt bei 262.144 Tokens für Reasoning-Arbeiten. Jedes Modell, dem gesagt wird, dass es für eine Viertelmillion Tokens denken darf, wird einige davon nutzen.

Nimmt man diese beiden zusammen, ist ein dichtes Modell, das außerdem doppelt so viel redet, pro erledigter Aufgabe nicht doppelt so teuer im Betrieb – es liegt eher um eine Größenordnung höher. Das ist der eigentliche Gehalt des Vergleichs 33B gegen 4B active, und er taucht in keiner der beiden Benchmark-Tabellen auf.

Der dritte Punkt ist unbekannt, und diese Unbekannte wird nur standardmäßig zugunsten von Xing ausgelegt. Niemand hat eine Ausführlichkeitskennzahl für Xing 4.0 29B-A4B veröffentlicht, daher könnte ein Modell mit 4B aktiven Parametern ohne Messung der Token-Effizienz pro Aufgabe wirklich günstig sein oder genügend Tokens ausgeben, um einen Teil des Vorteils zunichtezumachen. Sie vergleichen ein gemessenes teures Modell mit einem nicht gemessenen günstigen.

Was Sie heute anrufen können

Keines der beiden Modelle wird im üblichen Sinne gehostet, und der Unterschied zwischen ihnen ist kleiner, als die Berichterstattung zum Marktstart vermuten lässt.

Nanbeige4.3-33B hat überhaupt keine API. Auf seiner Hugging-Face-Seite heißt es, dass das Modell von keinem Inferenzanbieter bereitgestellt wird, und Artificial Analysis verzeichnet keine öffentlich verfügbare API und lässt die Preisfelder leer. Zugriff bedeutet, 66 GB an Gewichten herunterzuladen und sie auf Hardware auszuführen, die man besitzt oder mietet.

Xing 4.0 29B-A4B sind seit dem 16. September Gewichte verfügbar, und eine nach Verbrauch abgerechnete Route ist Mitte Oktober aufgetaucht: Ein Drittanbieter-Marktplatz listet sie zu 0,22 US-Dollar pro Million Eingabe-Tokens und 0,90 US-Dollar pro Million Ausgabe-Tokens, und daneben ist eine kostenlose Aktionsvariante desselben Endpunkts gelistet. Das Inference-Provider-Panel von Hugging Face ist weiterhin leer, daher läuft der gehostete Pfad über Marktplätze statt über den Anbieter, und eine Aktionsstufe ist kein Preis, auf den man ein Budget bauen sollte.

Um unsere eigene Position direkt klarzustellen: Keines der beiden Modelle steht heute im Katalog von OrcaRouter, wir sind also kein Weg zu einem der beiden, und nichts im Folgenden tut so, als wäre es anders. In einer Entscheidung wie dieser verdient ein Router seinen Platz als Kontrolle. Der günstigste Weg herauszufinden, ob ein selbst gehostetes dichtes 33B-Modell vier GPUs wert ist, besteht darin, es neben etwas zu stellen, das man pro Token abrufen kann, und beide an den eigenen Aufgaben zu messen – und die naheliegende Kontrolle ist hier das Modell, gegen das Nanbeiges eigene Modellkarte Benchmarks vergleicht. Qwen3.8-27B ist in unserem Katalog für 0,33 $ pro Million Input-Tokens und 2,40 $ pro Million Output-Tokens, Artificial Analysis bewertet es mit 20,1 gegenüber 20 bei Nanbeige, und es verwendet denselben Schlüssel wie der übrige Katalog wobei die Listenpreise der Anbieter ohne Aufschlag weitergegeben werden. Dadurch wird der Vergleich zu einer Routing-Regel statt zu einem zweiten Vertrag.

Wer sollte was auswählen?

Die Aufteilung ist nachvollziehbar, sobald man akzeptiert, dass es sich hier um eine Entscheidung zwischen Leistungsfähigkeit und Kosten handelt und nicht um eine zwischen Leistungsfähigkeit und Leistungsfähigkeit.

Nanbeige4.3-33B ist die Wahl, wenn Terminal-Arbeit das Produkt ist. Ein 23-Punkte-Vorsprung bei einem nahezu gemeinsam genutzten Terminus-2-Harness, die höchste Nicht-Halluzinations-Quote seiner Klasse, ein natives 512K-Fenster und eine unabhängige Bewertung, die über der eigenen Angabe des Anbieters lag – das ist ein Modell, das vier GPUs wert ist, wenn Ihre Workload aus langfristiger Code- und Shell-Arbeit besteht und Sie eine Token-Rechnung verkraften können, die etwa doppelt so hoch ausfällt wie der Klassenmedian.

Xing 4.0 29B-A4B ist die Wahl, wenn eine einzelne Karte und eine verbrauchsabhängige Abrechnung die Einschränkungen sind. Ein Vorsprung von 16 Punkten auf Tau3-Bench, ein Speicherbedarf, der laut Anbieter auf eine 24-GB-Karte passt, ein Viertel des Rechenaufwands pro Token von Nanbeige und das einzige der beiden mit einem Preis, den man zahlen kann, ohne Hardware zu kaufen. Es ist außerdem das schwächere Modell in der einen Zeile, in der die Testumgebungen am ehesten übereinstimmen, daher ist die Begründung dafür wirtschaftlich und operativ, nicht auf die Leistungsfähigkeit bezogen.

Zwei Dinge würden die verbleibenden offenen Punkte klären. Ein Lauf von Artificial Analysis auf Xing 4.0 29B-A4B würde aus einem asymmetrischen Vergleich einen symmetrischen machen, und ein Tau3-Bench-Wert von Nanbeige mit angegebener Aggregationsmethode würde zeigen, ob die 16-Punkte-Umkehrung eine echte Schwäche bei der Werkzeugnutzung ist oder ein Artefakt zweier unterschiedlicher Metriken, die denselben Namen tragen. Bis eines von beidem vorliegt, lautet die ehrliche Zusammenfassung, dass Nanbeige4.3-33B auf Grundlage der vorhandenen Evidenz das stärkere Modell ist und Xing 4.0 29B-A4B dasjenige, das man sich leisten kann zu betreiben — und wie groß dieser Tausch ist, ist eine Frage Ihres Aufgabenmix, nicht der einen oder anderen Karte.