Nanbeige4.3-33B consiguió su primer número externo: 20, a la par de Qwen3.8-27B, y el doble de parlanchín.

Durante dos semanas, la única evidencia de que Nanbeige4.3-33B era bueno en algo provino de una tabla de veinte filas que el laboratorio escribió sobre sí mismo. El 5 de noviembre eso cambió: Artificial Analysis incluyó a Nanbeige4.3-33B en su Intelligence Index v5.0.1 con 20, la misma puntuación que le da a Qwen3.8-27B en su configuración de razonamiento más alta — 20 en el compuesto, 20.1 para el modelo Qwen en la ejecución subyacente v5.0. Una décima de punto es menor que el ruido entre dos evaluaciones del mismo checkpoint, así que los dos están empatados en el único compuesto público que mide a ambos.

Ese es el número que el lanzamiento estaba esperando, y es lo menos interesante de la medición. El índice compuesto oculta un modelo cuyas dos mitades apuntan en direcciones opuestas: una mitad agéntica que está muy por delante del modelo Qwen al que fue construido para superar, y una mitad de conocimiento que está mediblemente por detrás de él. También oculta el hecho de que Nanbeige4.3-33B gastó 160 millones de tokens de salida para llegar a ese 20 —más del doble de lo que consume el modelo mediano de su clase de comparación, y suficiente para situarlo en el último lugar de ocho en la medida de verbosidad de Artificial Analysis.

Así que la lectura honesta de este lanzamiento ya no es «no verificada». Es «verificada, y más extraña de lo que sugería la tabla del proveedor». Esto es lo que realmente dice la ejecución independiente, en qué coincide con los propios números de Nanbeige y el único punto en el que la medición externa resultó más alta que la propia afirmación del laboratorio.

Qué significa 20 y qué no

Artificial Analysis sitúa a Nanbeige4.3-33B en primer lugar de nueve en su propia clase de comparación, frente a una mediana de clase de 10. Esa clase son los nueve modelos de pesos abiertos de tamaño similar con los que se compara, y el sitio dice por separado que incluye 144 modelos en la cohorte comparable más amplia. Vale la pena tener en cuenta ambas poblaciones al mismo tiempo: frente a modelos de pesos abiertos de aproximadamente su tamaño, es lo más fuerte medido, y frente a todo el campo —incluidos los modelos cerrados de frontera y lo mejor de Qwen, DeepSeek y Anthropic—, una puntuación de 20 es un resultado sólido de mitad de tabla.

Esa diferencia entre el n.º 1 de 9 y una puntuación de mitad de tabla merece conservarse, porque es exactamente la diferencia que se pierde cuando un lanzamiento se resume como «supera a Qwen». Que un modelo de pesos abiertos de 33B quede en mitad de tabla en un compuesto dominado por modelos varias veces más grandes que él es un logro genuino. No es un resultado de frontera, y nada en el vocabulario de este lanzamiento debería implicar lo contrario.

Lo que el índice no incluye es el precio. No hay precio, porque no hay un endpoint alojado: Artificial Analysis registra «No hay una API disponible públicamente», la asignación de proveedores de inferencia de Hugging Face para el repositorio está vacía, y todos los rastreadores que incluyen el modelo muestran el coste como no disponible. Tu coste es el hardware.

Las dos mitades del modelo discrepan

Artificial Analysis no publica una única cifra, y las subpuntuaciones son donde este modelo se vuelve legible. Léelas como dos columnas.

• Terminal-Bench 4.0 (arnés de Artificial Analysis): Nanbeige4.3-33B 29,8 %, puesto 56 de todas las configuraciones del tablero. Qwen3.8-27B en xhigh obtiene un 5,6 % en el mismo arnés.

• FrontierCode 2.0 — Nanbeige4.3-33B 10.7%, clasificado en el puesto 81. Qwen3.8-27B en xhigh obtiene 14.9%, así que el benchmark de calidad de código va en la dirección opuesta.

• AA-Omniscience v1.1 — Nanbeige4.3-33B obtiene un neto de −4.4 con 11.7% de precisión. Qwen3.8-27B en xhigh obtiene un neto de −6.4 con 17.3% de precisión. Qwen sabe más; Nanbeige obtiene un mejor resultado neto porque se abstiene de responder con más frecuencia.

• AA-Omniscience sin alucinación — Nanbeige4.3-33B 81,8 %, clasificado en el 7.º puesto de todo el sitio. Qwen3.8-27B en xhigh obtiene 71,4 %.

• AutomationBench — Nanbeige4.3-33B 53,1 %, puesto 82. AA-Briefcase v1.1 — 1.162, puesto 90. Terminal-Bench-Science 0.1 — 0,9 %, puesto 89.

• HLE-Diamond — 6,9 %, puesto 117. CritPt v2 subconjunto difícil — 15,5 %, puesto 85. GDP.pdf — 11,2 %, puesto 135.

El patrón en esas filas es consistente. Cuando la tarea es «operar una terminal durante mucho tiempo y no detenerse antes de tiempo», este modelo obtiene aproximadamente cinco veces la puntuación del modelo Qwen. Cuando la tarea es «saber un dato», está por detrás; y cuando la tarea es «saber un dato o decir que no lo sabes», está por delante de casi todo en la tabla, con un 81,8 % de no alucinación.

Esa combinación no es un accidente del ajuste. Es lo que parece un modelo construido para generar trayectorias de agente cuando le apuntas un benchmark de conocimiento. Un modelo profesor que inventa hechos es un profesor que envenena los datos de entrenamiento del estudiante, así que la calibración importa más que el recall en el pipeline que Nanbeige dice estar construyendo. Que ese intercambio fuera deliberado o emergente, es lo más defendible del lanzamiento.

El problema de la verbosidad es un problema de costos disfrazado.

Artificial Analysis informa que Nanbeige4.3-33B generó 160 millones de tokens de salida mientras se evaluaba en el Intelligence Index. El modelo mediano de su clase de comparación generó 77,7 millones. En la clasificación de verbosidad del sitio, queda en último lugar, n.º 8 de 8 en esa clase, con aproximadamente 2,06 veces la mediana. El volumen de entrada fue de 15.400 millones de tokens, lo que sitúa la relación salida-entrada en 1,034 %.

De esto se desprenden dos cosas. La primera es que el 20 resultaba caro de comprar. Si en algún sitio pagas por token, un modelo que emite el doble de tokens para la misma puntuación compuesta cuesta aproximadamente el doble por unidad de capacidad medida, y el índice no lo normaliza por ello. La segunda es que la verbosidad es un problema de latencia antes que un problema de dinero: un modelo denso de 33B en tus propias GPU que produce el doble de tokens tarda el doble en terminar una tarea.

Los ajustes recomendados por el propio Nanbeige explican parte de ello y no lo justifican del todo. La ficha pide un techo de 262,144 tokens para razonamiento y chat, 65,536 para trabajo agéntico, con el pensamiento activado por defecto. Cualquier modelo al que se le diga que puede pensar durante un cuarto de millón de tokens usará algunos de ellos. Pero la mediana de la clase es una comparación justa —otros modelos detrás del mismo índice también son modelos de razonamiento— y el múltiplo de 2.06× sobrevive a ese control.

Para una implementación autoalojada, la solución práctica es un presupuesto, no un cambio de modelo: limita los tokens nuevos máximos por tarea y mide tu propia tasa de aprobación en 8K, 16K y 32K antes de asumir que los valores predeterminados de la tarjeta son los adecuados para tu carga de trabajo. La mayoría de las tareas agénticas no mejoran más allá de cierto punto, y este modelo no te dirá dónde está ese punto.

La única fila en la que la ejecución externa superó la cifra del propio proveedor

La ficha del modelo de Nanbeige afirma Terminal-Bench 4.0 con 23,8 para Nanbeige4.3-33B frente a 6,3 para Qwen3.8-27B. Artificial Analysis midió 29,8. El número independiente es seis puntos más alto que el que el laboratorio publicó sobre sí mismo.

Eso es lo bastante inusual como para merecer decirlo claramente, porque el modo de fallo estándar en esta industria va en la dirección contraria: los laboratorios informan del mejor número que produce su propio andamiaje, y las repeticiones externas salen más bajas. Que un proveedor informe por debajo de su propia puntuación agéntica sugiere o bien un arnés diferente por su parte, o una afirmación deliberadamente conservadora, o una tabla construida antes del checkpoint final. Ninguna de esas cosas es mala; todas implican que la tabla del proveedor no es un techo y no debería leerse como tal.

No se deduce de ello que cada fila de proveedor sea fiable. Las afirmaciones más grandes de la tabla de Nanbeige —DeepSWE con 65,5 frente a 42,5 de Qwen, SWE-Atlas-QnA con 50,8 frente a 41,9— aún no tienen una contraparte independiente, y ambas son evaluaciones sensibles al andamiaje, donde la elección del arnés influye más en las puntuaciones que la calidad del modelo. Lo que establece el resultado de Terminal-Bench es más limitado y más útil: la dirección agéntica de la afirmación es real. La magnitud en cualquier fila individual sigue sin verificarse.

¿En qué situación deja esto a un equipo que quiere probarlo?

Nada ha cambiado en cuanto al acceso. No hay ningún endpoint al que llamar, ni tarifa, ni listado de proveedores: los pesos están en Hugging Face bajo Apache 2.0 y la ruta de servicio es vLLM, SGLang o Transformers sobre hardware propio. El checkpoint en bfloat16 ocupa 66,3 GB repartidos en catorce fragmentos y, con un contexto de 512K, solo la caché KV llega a unos 104 GiB, por lo que la configuración de trabajo es un paralelismo tensorial de cuatro vías en lugar de una sola tarjeta grande.

Lo que ha cambiado es que ahora puedes saltarte la parte cara de la diligencia debida. Antes de esta semana, evaluar Nanbeige4.3-33B implicaba aprovisionar cuatro GPU para averiguar si las afirmaciones sobre sus capacidades agénticas resistían el contacto con un arnés neutral. El 29,8 en Terminal-Bench 4.0 responde a la primera pregunta —la dirección es correcta— y la cifra de verbosidad responde a una pregunta que nadie hacía, que es cuánto te costará el modelo en tokens por tarea completada.

Si quieres un punto de comparación al que puedas recurrir hoy mismo, Qwen3.8-27B es el control natural: la misma puntuación compuesta, el mismo precio publicado y una ventana de 262K. Se ejecuta en OrcaRouter a $0.33 por millón de tokens de entrada y $2.40 por millón de tokens de salida, con la misma clave que el resto del catálogo, con los precios de lista de los proveedores aplicados sin recargo. Ejecutar tu conjunto de tareas contra un modelo alojado y uno autoalojado bajo una única regla de enrutamiento es la manera más económica de averiguar si un checkpoint denso de 33B en tu propio hardware supera a un 27B que alquilas por token — y es una pregunta que el Intelligence Index no puede responder por ti, porque no sabe cuáles son tus tareas ni cuánto cuestan tus GPU.

Lo que aún se desconoce de verdad es limitado. Si Nanbeige4.3-3B, el objetivo de destilación que este modelo está destinado a enseñar, hereda algo de la calibración. Si la verbosidad perdura en el estudiante, ya que un modelo pequeño que emite 2× tokens es un error mucho menos costoso. Y si el resultado de ausencia de alucinaciones se sostiene fuera del arnés Omniscience, porque 81,8 % es una cifra notable y las cifras notables merecen una segunda mirada antes de que alguien construya un pipeline sobre ellas.