Nanbeige4.3-33B vs Granite 4.2 30B: afirmaciones frente al cumplimiento

La decisión entre Nanbeige4.3-33B y Granite 4.2 30B se tomará en una reunión de adquisiciones, no en una tabla de clasificación. Ambos son modelos densos de aproximadamente 30 mil millones de parámetros bajo Apache 2.0, ambos pueden descargarse esta semana y ambos afirman tener un techo de 512K tokens. Pero uno lo vende IBM con artefactos firmados y un contrato de soporte, y el otro es un repositorio de hace dos días de un laboratorio chino que no ha publicado un anuncio de lanzamiento. Granite 4.2 30B de IBM llegó el 25 de agosto de 2026; Nanbeige4.3-33B apareció en Hugging Face el 24 de octubre de 2026. No son realmente rivales para la misma compra, y esa es precisamente la razón por la que vale la pena hacer la comparación con cuidado.

Lo que sigue no es un ganador. Es una lógica de preselección: las cuatro preguntas que realmente separan a estos modelos, con la evidencia en la que se apoya cada respuesta y los puntos en los que esa evidencia es más débil de lo que parece.

Dos productos con el mismo número de parámetros

Granite 4.2 30B es la cúspide de la línea Granite 4.2 de IBM — 3B, 8B y 30B, todos densos. Se basa en Granite-4.1-30B-Base, preentrenado con aproximadamente 15 billones de tokens, incluidos alrededor de un billón de tokens de código sintético, y luego se le somete a una etapa de aprendizaje por refuerzo agéntico para los tamaños 8B y 30B. Ofrece tres modos de razonamiento (pensamiento, no pensamiento y bajo esfuerzo), llamada nativa a herramientas en formato OpenAI, y versiones FP8 y de 4 bits. IBM enumera compatibilidad nativa con vLLM y SGLang, incluido un granite_thinking_parser.

Nanbeige4.3-33B es un único checkpoint denso de Nanbeige LLM Lab, el equipo de IA de Kanzhun, la empresa detrás de BOSS Zhipin. Su ficha es inusualmente específica sobre el despliegue: 33.1B de parámetros, contexto de 524.288 tokens, inglés y chino, pensamiento activado por defecto, un formato de llamada a herramientas XML recomendado en lugar de JSON, y una flag preserve_thinking orientada al uso de herramientas multiturno. Se posiciona explícitamente como modelo profesor para un hermano menor, Nanbeige4.3-3B, que aún no se ha lanzado.

La diferencia de intención importa. Granite es una línea de productos con una vía de soporte empresarial. Nanbeige4.3-33B es un artefacto de investigación publicado para dar origen a una familia. Uno está hecho para venderse; el otro está hecho para ser destilado a partir de él.

La única fila que ambos laboratorios realmente ejecutaron

La ficha de Nanbeige se compara con Qwen3.8-27B, Muse-Glimmer-30B y Gemma 4 31B. Los materiales de Granite de IBM no mencionan a Nanbeige en absoluto. Por lo tanto, las dos fichas comparten exactamente un benchmark en el que un contraste directo es siquiera nominalmente posible: Terminal-Bench 2.1.

• Terminal-Bench 2.1 — Nanbeige4.3-33B 80,9 (la ficha de Nanbeige) frente a Granite 4.2 30B 29,24 (la ficha de IBM). Una diferencia de 51,7 puntos a favor de Nanbeige.

Esa es la mayor diferencia declarada entre dos tablas de proveedores en toda esta comparación, y necesita tres salvedades antes de que signifique algo. Primero, ambas cifras son reportadas por el proveedor. Segundo, la ficha de Nanbeige indica que su ejecución de Terminal-Bench 2.1 usó Terminus 2; la ficha de IBM no especifica su andamiaje. Tercero, un benchmark de terminal mide un modelo más un bucle de agente, y una brecha de 51 puntos puede provenir del bucle con la misma facilidad que de los pesos. Un modelo con un arnés bien ajustado y un modelo con uno estándar divergirán en decenas de puntos en el mismo benchmark nominal.

La siguiente fila compartida más cercana es GPQA Diamond: Nanbeige reporta 89,5, IBM reporta 66,41. Es una brecha genuina en un benchmark de conocimiento y es lo bastante amplia como para sobrevivir a las diferencias de harness, pero también mide algo distinto de la programación agéntica: preguntas de ciencia de nivel de posgrado, no uso de herramientas de largo horizonte. Dice que Nanbeige es el razonador más fuerte de los dos según esta evidencia. No dice que sea el agente más fuerte.

Todo lo demás no es comparable. Nanbeige reporta SWE-Bench Pro en 60,3; IBM reporta SWE-Bench Verified en 57,00 — variantes distintas, dificultad distinta. Nanbeige reporta AIME 2026 en 95,2; IBM reporta AIME25 en 89,17 — años distintos. Nanbeige reporta JobBench y DeepPlanning; IBM reporta τ³-bench 62,00, BFCL v4 61,39, MMLU-Pro 77,60, LiveCodeBench v6 75,77 y RULER 128K 81,38. Ninguno de ellos tiene un equivalente de Nanbeige.

Dos reclamaciones de 512K que no son la misma reclamación

Ambos modelos anuncian un techo de 512K. Llegan ahí de forma distinta, y la diferencia se refleja en lo que cada fabricante estuvo dispuesto a publicar.

• Ventana nativa — Nanbeige4.3-33B: 524.288 tokens, nativa. Granite 4.2 30B: 131.072 tokens, nativa.

• Techo ampliado — Granite 4.2 30B ofrece una extensión de contexto largo hasta 512K. Nanbeige no necesita una; 512K es la ventana entrenada.

• Evidencia de contexto largo: IBM publica RULER a 128K: 81.38. Nanbeige publica AA-LCR con 84.0, un benchmark de razonamiento de contexto largo, pero no un benchmark de recuperación a una profundidad declarada.

Salida — La ficha de Nanbeige recomienda hasta 262.144 tokens nuevos para razonamiento y chat, y 65.536 para trabajo agéntico y de uso de herramientas. El valor recomendado de max_new_tokens de IBM es 8.192 en modo de pensamiento y 2.048 en modo sin pensamiento.

Esa última línea es la que importa en la práctica. Una ventana de entrada de 512K combinada con una recomendación de salida de 8K es un modelo diseñado para leer mucho y responder brevemente. Una ventana de 512K combinada con un presupuesto de generación de 262K es un modelo diseñado para producir artefactos largos. Si tu trabajo consiste en «ingerir el repositorio, escribir la migración», no son productos equivalentes ni siquiera con la misma longitud de contexto nominal.

Invocación de herramientas, modos de pensamiento y el coste de la integración

El uso de herramientas de Granite es nativo y en formato OpenAI, con BFCL v4 en 61,39 en la evaluación propia de IBM. Eso significa que se integra en un cliente estándar de llamada a funciones sin necesidad de un analizador personalizado. IBM también publica un analizador de pensamiento para vLLM, de modo que las trazas de razonamiento se separan limpiamente de la respuesta.

Nanbeige4.3-33B adopta el enfoque opuesto: recomienda tool_call_format="xml" para obtener el mejor rendimiento, incluye una plantilla de estilo ChatML y te pide que uses el analizador de razonamiento de Qwen3 y el analizador de herramientas de Qwen3-Coder en vLLM o SGLang. Eso no es un defecto —muchos modelos de agentes potentes usan llamadas a herramientas en XML—, pero sí es trabajo de integración. Si tu stack habla el JSON de herramientas de OpenAI, Nanbeige necesita o bien una capa de traducción, o bien su modo JSON, que según la ficha técnica es compatible pero no preferido.

Este es el impuesto que las tablas de referencia nunca muestran. Un modelo que es 20 puntos mejor en un arnés que tienes que reconstruir no es 20 puntos mejor el martes. La ventaja de Granite aquí no es la capacidad; es que el cableado está documentado, es estándar y está respaldado por un proveedor con un sistema de seguimiento de errores.

La línea de cumplimiento

IBM distribuye Granite con firmas criptográficas, certificación ISO y divulgaciones de transparencia. Para un comprador sujeto a regulación, eso no es marketing: es la diferencia entre un modelo que puede pasar por un proceso de aprobación y uno que no. IBM también es la contraparte: hay un contrato, una vía de soporte y una empresa que seguirá existiendo en el plazo del ciclo de adquisición.

Nanbeige4.3-33B tiene una licencia Apache 2.0, que es legalmente permisiva y comercialmente utilizable. No cuenta con un contrato de soporte empresarial, un programa de artefactos firmados ni una declaración publicada de procedencia de datos más allá de la ficha del modelo. El laboratorio forma parte de Kanzhun, una empresa china cotizada, y el modelo es bilingüe inglés-chino. Nada de eso lo descalifica. Todo ello es el tipo de cosa sobre la que preguntará una revisión de seguridad, y la respuesta honesta hoy es que la evidencia es más escasa del lado de Nanbeige.

Para un equipo fuera de un proceso regulado, esta sección es irrelevante y puede omitirla. Para un equipo dentro de uno, puede decidir la cuestión antes de que se lean los benchmarks.

Cuánto cuesta un token y cuánto cuesta una GPU

Granite 4.2 30B está disponible como API gestionada a $0.16 por millón de tokens de entrada y $0.65 por millón de salida, con un descuento de caché del 75%, aproximadamente 47.5 tokens de salida por segundo y un tiempo hasta el primer token de 0.82 segundos. Artificial Analysis estima su coste en alrededor de $0.07 por tarea de Intelligence Index. Los pesos también se pueden descargar, con aproximadamente 60GB en BF16 o 30GB en 8 bits: un despliegue en una sola GPU.

Nanbeige4.3-33B no tiene un precio publicado por token porque nadie lo aloja. La ficha indica claramente que ningún proveedor de inferencia despliega el modelo. El autoalojamiento implica unos 66 GB en BF16, o aproximadamente 20 GB en 4 bits, y las propias recetas del proveedor usan un tamaño de paralelismo tensorial de 4. Eso son cuatro GPU reservadas tanto si llega tráfico como si no.

Pon los dos números uno al lado del otro con honestidad y la comparación es entre una factura medida que empieza en cero y un gasto de capital que empieza en cuatro GPU. Con volumen bajo, Granite es más barato por un orden de magnitud. Con volumen alto sostenido, un modelo 33B autoalojado puede ganar —pero solo si la utilización es lo suficientemente alta como para amortizar el hardware, y solo si valoras el tiempo de ingeniería en cero. La mayoría de los equipos descubren que no es cero.

Ninguno de los dos modelos está en nuestro router, y vale la pena decirlo sin rodeos.

OrcaRouter no ofrece hoy Nanbeige4.3-33B ni Granite 4.2 30B. No vamos a fingir lo contrario, porque un lector que se registre esperando cualquiera de los dos modelos perdería un día descubriendo que el catálogo no lo tiene.

Lo que la capa de enrutamiento sigue haciendo es mantener barato el resto de la decisión. Si ya ejecutas un modelo de un proveedor establecido a través de nuestro endpoint, añadir un Nanbeige autoalojado detrás de la misma clave y enviarle una parte del tráfico es un cambio de configuración en lugar de una segunda integración. Nuestro modelo de 0 % de margen —precio de lista del proveedor traspasado— también significa que, cuando IBM u otro host cambia el precio de Granite, la cifra que ves se mueve con él en lugar de quedarse rezagada respecto al margen de un revendedor. Eso no hace que ninguno de los dos modelos esté disponible. Hace que el experimento en torno a ellos sea más barato de ejecutar.

Una lista de finalistas, no un ganador

• Si necesitas un contrato, firmas y una vía de soporte: Granite 4.2 30B, y la brecha en los benchmarks deja de importar.

• Si necesitas el rendimiento más alto declarado en codificación agéntica dentro de esta clase de tamaño: Nanbeige4.3-33B, con la salvedad de que su 80.9 en Terminal-Bench 2.1 nunca se ha reproducido fuera de su propia ficha.

• Si necesitas una entrada nativa de 512K con una salida larga: Nanbeige4.3-33B. Granite alcanza 512K mediante extensión y recomienda salidas de 8K.

• Si necesitas chino: cualquiera de los dos modelos lo incluye en la lista. La ficha de Granite menciona el chino entre 12 idiomas; la de Nanbeige enumera inglés y chino. El idioma no es el factor decisivo aquí.

• Si necesitas empezar hoy sin GPUs: Granite 4.2 30B a través de la API de IBM. Nanbeige no tiene ninguna opción alojada.

El resumen incómodo es que estos modelos están lo suficientemente cerca dentro de su categoría como para que la decisión dependa de las restricciones que los rodean —adquisición, implementación, idioma, modalidad— y no de la fila de 51 puntos. Esa fila bien puede ser real. También es la afirmación más difícil de verificar de este artículo, y debería ser la última razón para elegir un modelo, no la primera.