Nanbeige4.3-33B vs Xing 4.0 29B-A4B: la brecha terminal de 23 puntos y la reversión de 16 puntos

Nanbeige4.3-33B y Xing 4.0 29B-A4B son la misma propuesta presentada desde direcciones opuestas. El primero es un modelo denso de 33 mil millones de parámetros del laboratorio Nanbeige LLM de BOSS Zhipin, publicado el 24 de octubre de 2026 bajo Apache 2.0, con un contexto de 524.288 tokens y una receta de servicio que asume cuatro GPU. El segundo es un modelo de mezcla de expertos de 29 mil millones de parámetros de TeleAI, de China Telecom, con pesos públicos desde el 16 de septiembre de 2026, que activa aproximadamente 4 mil millones de parámetros por token y cuya propia ficha afirma que cabe en una sola tarjeta de consumo de 24 GB a 4 bits. Ambos están orientados a la programación agéntica y a bucles largos de herramientas. Ambos se distribuyen con pesos abiertos. Nadie los ha enfrentado cara a cara, incluidos sus propios laboratorios: la ficha de Nanbeige ofrece comparativas frente a Qwen3.8-27B, Muse-Glimmer-30B y Gemma4-31B; la de Xing, frente a Gemma4-26B-A4B y Qwen3.6-35B-A3B. Nunca se mencionan entre sí.

Eso no es una laguna que puedas tapar con una tabla comparativa, porque las tablas de los dos proveedores usan distintos arneses, distinto muestreo y distintos conjuntos de competidores. Lo que sí puedes hacer es más limitado y más útil: encontrar las filas que los dos laboratorios tienen en común, leer las notas al pie que determinan si esas filas significan algo y, después, separar el modelo que ha sido medido por alguien a quien no se le pagó por medirlo del que no.

33 mil millones densos frente a 4 mil millones activos, antes de que se ejecute cualquier benchmark

La diferencia arquitectónica no es un tema de conversación. Es la factura, la latencia y el plan de despliegue, y se decide antes de que cualquiera de los dos modelos responda a un solo prompt.

Nanbeige4.3-33B es un decodificador denso estándar: LlamaForCausalLM, 52 capas, tamaño oculto de 7.168 y atención de consultas agrupadas con 56 cabezas de consulta y 8 cabezas KV. Cada token generado paga por los 33.100 millones de parámetros. El checkpoint BF16 ocupa 66,3 GB repartidos en catorce fragmentos safetensors, y tanto las recetas de vLLM como las de SGLang del repositorio especifican un paralelismo tensorial de 4, lo que indica que la máquina prevista es un nodo de cuatro GPU en lugar de una estación de trabajo.

Xing 4.0 29B-A4B es disperso: 29 mil millones de parámetros en el checkpoint, 64 expertos enrutados con 4 activos más uno compartido, 40 capas, tamaño oculto de 3.584, construido sobre lo que su ficha denomina mHC + MLA + MTP. El cómputo por token escala con los 4 mil millones de parámetros activos, no con los 29 mil millones almacenados. El proveedor afirma una cuantización de 4 bits con aproximadamente 15 GB de VRAM, lo que lo situaría en una RTX 3090 o 4090; es una afirmación que conviene comprobar con el archivo cuantizado real antes de comprar hardware basándose en ella, porque el repositorio informa de un tamaño de tensor de 31B parámetros para el checkpoint completo, y las dos cifras no encajan bien entre sí.

Todo lo demás se deriva de esa división.

• Contexto — Nanbeige4.3-33B 524.288 tokens, nativo, sin extensión YaRN en la receta; Xing 4.0 29B-A4B 262.144 nativo, descrito como ampliable a 512K, aunque no se ha publicado ninguna receta de extensión.

• Huella práctica mínima — Nanbeige4.3-33B: 66,3 GB de pesos BF16 antes de la caché KV, con paralelismo tensorial en cuatro vías; Xing 4.0 29B-A4B, aproximadamente 15 GB en 4 bits según la propia afirmación del proveedor, en una sola tarjeta.

• Stack de entrenamiento — Nanbeige4.3-33B no está documentado en detalle; Xing 4.0 29B-A4B se entrenó de principio a fin en clústeres Ascend 910C con MindSpore y MindFormers, con una mejora de rendimiento declarada del 96 % frente a la línea base predeterminada del propio proveedor. Es una afirmación basada en una línea base interna y sin punto de referencia público, por lo que no se puede verificar desde fuera, pero es la declaración de ingeniería más interesante de los dos lanzamientos.

• Licencia — Apache 2.0 en ambos, lo que hace que el precio de descarga sea cero para ambos y traslada por completo la discusión al hardware y los tokens.

Cinco filas que ambos laboratorios ejecutaron, y las dos que discrepan

Las dos fichas de modelo comparten cinco nombres de benchmark: Terminal-Bench 2.1, Tau3-Bench, Claw-Eval, AIME2026 y AA.LCR. Compararlas entre sí es la única comparación cuantitativa disponible, y las notas al pie son donde esta se sostiene o se desmorona.

• Terminal-Bench 2.1 — Nanbeige4.3-33B 80.9, Xing 4.0 29B-A4B 57.5. Ambos laboratorios afirman que lo ejecutaron en Terminus 2, lo que convierte esto en lo más parecido a un instrumento compartido en cualquiera de las dos tablas. Aun así, no es el mismo experimento: la ficha de Xing especifica temperatura 0.8, top-p 0.95, un máximo de 64K tokens, un tiempo de espera de 24 horas y el promedio de tres ejecuciones; la de Nanbeige nombra el arnés y nada más. Una diferencia de 23 puntos con arneses casi idénticos es la señal individual más fuerte de esta comparación, y sigue siendo una señal más que una medición.

• Tau3-Bench — Nanbeige4.3-33B 48.8, Xing 4.0 29B-A4B 64.63. Este es el vuelco, y es enorme. Xing gana en diálogo de uso de herramientas por casi 16 puntos, en la familia de benchmarks que evalúa más directamente la llamada a funciones multiturno. La salvedad está en la métrica: Xing reporta pass^1 promediado sobre cuatro ejecuciones en el harness oficial de tau-bench; Nanbeige dice que usó los repositorios oficiales, pero no indica la agregación, y coloca la fila bajo codificación agéntica en lugar de uso de herramientas.

• Claw-Eval — Nanbeige4.3-33B 78,3 en pass^3, Xing 4.0 29B-A4B 76,55. Este debería descartarse en lugar de leerse. La nota al pie de Nanbeige dice que evaluó solo el subconjunto General de Claw-Eval, 157 tareas de un solo turno; la de Xing no nombra ningún subconjunto. Una diferencia de 1,75 puntos entre dos versiones sin nombre del mismo benchmark es ruido vestido con la ropa de un resultado.

• AIME2026 — Nanbeige4.3-33B 95.2, Xing 4.0 29B-A4B 90.0. Matemáticas de competición, promedio de cinco ejecuciones en el lado de Xing, máximo 131,072 tokens; el muestreo de Nanbeige vuelve a no especificarse. Ambos son sólidos, el orden es coherente con el resultado final, y ninguna de las dos cifras dice mucho sobre el trabajo real de ninguno de los dos modelos.

• AA.LCR — Nanbeige4.3-33B 84.0, Xing 4.0 29B-A4B 61.0. Razonamiento de contexto largo, y la mayor brecha proporcional después de Terminal-Bench. Vale la pena señalar que se trata del benchmark de Artificial Analysis ejecutado por dos proveedores, por lo que ninguna de las dos cifras es una cifra de Artificial Analysis.

Cuatro de los cinco favorecen a Nanbeige4.3-33B. El que invierte el resultado es el de llamar a las herramientas en secuencia, que es lo que hace un agente todo el día. Esa contradicción es lo más útil de cualquiera de las dos tarjetas, y ninguno de los dos laboratorios la ha abordado.

Hay una nota de credibilidad que favorece a Nanbeige específicamente en la fila de terminal. Su propia ficha afirma Terminal-Bench 4.0 en 23,8; Artificial Analysis, ejecutando su propio harness, midió 29,8. La medición externa quedó seis puntos más alta que la cifra declarada por el propio proveedor, lo que es lo contrario de la dirección habitual y sugiere que la tabla del proveedor aquí no está inflada. Xing 4.0 29B-A4B no tiene una comprobación equivalente.

Solo uno de estos modelos tiene un número por el que nadie pagó.

Nanbeige4.3-33B ha sido evaluado. Artificial Analysis lo situó en 20 en el Intelligence Index v5.0.1: primero de nueve en su clase de comparación de pesos abiertos frente a una mediana de clase de 10, y 76.º en la lista de todos los modelos. Las puntuaciones parciales son más informativas que la compuesta: Terminal-Bench 4.0 con un 29,8 %, FrontierCode 2.0 con un 10,7 %, y una tasa de no alucinación del 81,8 %, que es la séptima mejor cifra del sitio. Rechaza muchas preguntas. Para un modelo construido explícitamente como profesor de destilación, eso es una característica.

Xing 4.0 29B-A4B no tiene entrada en Artificial Analysis. No es que sea una entrada mala; es que no hay ninguna. El sitio devuelve 404 para el slug del modelo en ambas grafías plausibles, y no existe ninguna cifra compuesta, subpuntuación, precio o velocidad para él en ningún lugar de ese panel.

Esa asimetría rige todo lo que un artículo comparativo puede afirmar con honestidad. Los dos modelos se pueden comparar en las tablas de los proveedores, con las salvedades en notas al pie indicadas arriba. No se pueden comparar con el único instrumento que ninguno de los dos laboratorios controla, porque solo uno de ellos está en él. Cualquier artículo que ponga a estos dos a competir en terreno neutral se está inventando el terreno neutral.

Dónde diverge realmente el proyecto de ley

Si eliges entre ambos, el precio de un token no es la cifra decisiva; lo es el coste de completar una tarea, y tres multiplicadores distintos se acumulan en el lado de Nanbeige.

La primera es la densidad: se leen 33 mil millones de parámetros por cada token de salida frente a unos 4 mil millones. Sea cual sea el hardware que tengas, eso representa un múltiplo grande en cómputo por token antes de considerar cualquier otra cosa.

El segundo es la verbosidad, y se mide en lugar de darse por supuesta. Artificial Analysis informa que Nanbeige4.3-33B generó 160 millones de tokens de salida a lo largo de su ejecución del Intelligence Index frente a una mediana de su clase de 77,7 millones — 2,06 veces la mediana, y octavo de ocho en el ranking de verbosidad del sitio. La propia ficha del modelo explica parte de ello: el pensamiento está activado por defecto, y el límite recomendado es de 262.144 tokens para tareas de razonamiento. Cualquier modelo al que se le diga que puede pensar durante un cuarto de millón de tokens usará algunos de ellos.

Si se juntan esas dos cosas, un modelo denso que además habla el doble no cuesta el doble de ejecutar por tarea completada; se acerca más bien a un orden de magnitud. Ese es el verdadero contenido de la comparación entre 33B y 4B activos, y no aparece en ninguna de las dos tablas de benchmark.

El tercero es una incógnita, y una incógnita que solo favorece a Xing por defecto. Nadie ha publicado una cifra de verbosidad para Xing 4.0 29B-A4B, así que un modelo con 4B activos y sin medición de eficiencia de tokens podría ser realmente barato por tarea o podría emitir suficientes tokens como para anular parte de la ventaja. Estás comparando un modelo caro y medido con uno barato y sin medir.

Lo que puedes llamar hoy

Ninguno de los dos modelos está alojado en el sentido habitual, y la diferencia entre ambos es menor de lo que sugiere la cobertura del lanzamiento.

Nanbeige4.3-33B no tiene ninguna API. Su página de Hugging Face indica que el modelo no está desplegado por ningún proveedor de inferencia, y Artificial Analysis no registra ninguna API disponible públicamente y deja en blanco los campos de precio. El acceso implica descargar 66 GB de pesos y ejecutarlos en hardware propio o alquilado.

Xing 4.0 29B-A4B tiene pesos desde el 16 de septiembre y una ruta de pago por uso que apareció a mediados de octubre: un marketplace de terceros lo anuncia a $0.22 por millón de tokens de entrada y $0.90 por millón de salida, y junto a él se ha listado una variante promocional gratuita del mismo endpoint. El panel de proveedores de inferencia de Hugging Face sigue vacío, por lo que la ruta alojada pasa por marketplaces en lugar del vendedor, y un nivel promocional no es un precio sobre el que debas basar un presupuesto.

Para ser directos sobre nuestra propia posición: ninguno de los dos modelos está hoy en el catálogo de OrcaRouter, así que no somos una vía hacia ninguno de ellos, y nada de lo que sigue pretende lo contrario. Donde un router se gana su lugar en una decisión como esta es como el control. La forma más barata de averiguar si un modelo denso de 33B autoalojado merece cuatro GPU es ponerlo junto a algo que puedas invocar por token y medir ambos en tus propias tareas — y el control obvio aquí es el modelo contra el que se comparan los benchmarks de la propia ficha de Nanbeige. Qwen3.8-27B está en nuestro catálogo a $0.33 por millón de entrada y $2.40 por millón de salida, Artificial Analysis le otorga 20.1 frente al 20 de Nanbeige, y usa la misma clave que el resto del catálogo con los precios de lista de los proveedores trasladados sin margen. Eso convierte la comparación en una regla de enrutamiento en lugar de un segundo contrato.

¿Quién debería elegir cuál?

La división resulta comprensible una vez que aceptas que se trata de una decisión de capacidad frente a coste y no de capacidad frente a capacidad.

Nanbeige4.3-33B es la elección cuando el trabajo en terminal es el producto. Una ventaja de 23 puntos en un arnés Terminus 2 casi compartido, la cifra de no alucinación más alta de su clase, una ventana nativa de 512K y una puntuación independiente que superó la propia afirmación del proveedor: ese es un modelo que vale cuatro GPU si tu carga de trabajo es código y shell de horizonte largo, y si puedes asumir una factura de tokens de aproximadamente el doble de la mediana de la clase.

Xing 4.0 29B-A4B es la elección cuando una sola tarjeta y una factura por consumo son las restricciones. Una ventaja de 16 puntos en Tau3-Bench, una huella que el proveedor afirma que cabe en una tarjeta de 24 GB, un cuarto del cómputo por token de Nanbeige y el único de los dos con un precio que se puede pagar sin comprar hardware. También es el modelo más débil en la única fila en la que los arneses coinciden más, así que el argumento a su favor es económico y operativo, no de capacidad.

Dos cosas resolverían las partes que siguen abiertas. Una ejecución de Artificial Analysis sobre Xing 4.0 29B-A4B convertiría una comparación asimétrica en una simétrica, y un número de Tau3-Bench de Nanbeige con una agregación declarada te diría si la reversión de 16 puntos es una debilidad real en el uso de herramientas o un artefacto de dos métricas distintas que comparten un nombre. Hasta que llegue cualquiera de las dos, el resumen honesto es que Nanbeige4.3-33B es el modelo más fuerte según la evidencia existente y Xing 4.0 29B-A4B es el que puedes permitirte ejecutar —y la magnitud de ese intercambio es una cuestión de tu mezcla de tareas, no de ninguna de las dos tarjetas.