Nanbeige4.3-33B vs Xing 4.0 29B-A4B : l'écart terminal de 23 points et le renversement de 16 points

Nanbeige4.3-33B et Xing 4.0 29B-A4B sont le même argumentaire présenté sous des angles opposés. Le premier est un modèle dense de 33 milliards de paramètres du Nanbeige LLM Lab de BOSS Zhipin, publié le 24 octobre 2026 sous Apache 2.0, avec un contexte de 524 288 tokens et une recette de déploiement qui suppose quatre GPU. Le second est un mélange d'experts de 29 milliards de paramètres de TeleAI, de China Telecom, dont les poids sont publics depuis le 16 septembre 2026, qui active environ 4 milliards de paramètres par token et dont la fiche revendique qu'il tient sur une seule carte grand public de 24 Go en 4 bits. Les deux ciblent le codage agentique et les longues boucles d'outils. Les deux sont distribués avec des poids ouverts. Aucun n'a fait l'objet d'une comparaison directe par qui que ce soit, y compris par leurs propres laboratoires — la fiche de Nanbeige présente des benchmarks face à Qwen3.8-27B, Muse-Glimmer-30B et Gemma4-31B ; celle de Xing face à Gemma4-26B-A4B et Qwen3.6-35B-A3B. Ils ne se mentionnent jamais mutuellement.

Ce n’est pas un écart que l’on peut masquer avec un tableau comparatif, car les deux tableaux des fournisseurs utilisent des harnais différents, un échantillonnage différent et des ensembles de concurrents différents. Ce que l’on peut faire est plus étroit et plus utile : trouver les lignes que les deux laboratoires ont en commun, lire les notes de bas de page qui déterminent si ces lignes signifient quelque chose, puis distinguer le modèle qui a été mesuré par quelqu’un qui n’a pas été payé pour le mesurer de celui qui ne l’a pas été.

33 milliards de paramètres denses contre 4 milliards actifs, avant même l’exécution du moindre benchmark

La différence architecturale n’est pas un élément de langage. C’est la facture, la latence et le plan de déploiement, et elle est décidée avant que l’un ou l’autre modèle ne réponde à un seul prompt.

Nanbeige4.3-33B est un décodeur dense standard — LlamaForCausalLM, 52 couches, taille cachée de 7 168, attention à requêtes groupées avec 56 têtes de requête et 8 têtes KV. Chaque token généré mobilise les 33,1 milliards de paramètres. Le checkpoint BF16 pèse 66,3 Go répartis sur quatorze fragments safetensors, et les recettes vLLM et SGLang du dépôt spécifient toutes deux un parallélisme tensoriel de 4, ce qui indique que la machine visée est un nœud à quatre GPU plutôt qu'une station de travail.

Xing 4.0 29B-A4B est clairsemé : 29 milliards de paramètres dans le checkpoint, 64 experts routés avec 4 actifs plus un partagé, 40 couches, une taille cachée de 3 584, construit sur ce que sa fiche appelle mHC + MLA + MTP. Le coût de calcul par token dépend des 4 milliards de paramètres actifs, et non des 29 milliards stockés. Le fournisseur annonce une quantification 4 bits à environ 15 Go de VRAM, ce qui le placerait sur une RTX 3090 ou 4090 — une affirmation qu'il vaut mieux vérifier par rapport au fichier quantifié réel avant d'acheter du matériel pour l'exploiter, car le dépôt indique une taille de tenseur de 31 milliards de paramètres pour le checkpoint complet et les deux chiffres cohabitent bizarrement.

Tout le reste découle de cette séparation.

• Contexte — Nanbeige4.3-33B 524 288 jetons, natif, sans extension YaRN dans la recette ; Xing 4.0 29B-A4B 262 144 natif, décrit comme extensible jusqu’à 512K, bien qu’aucune recette d’extension ne soit publiée.

• Empreinte pratique minimale — Nanbeige4.3-33B, 66,3 Go de poids BF16 avant le cache KV, parallélisme tensoriel à quatre voies ; Xing 4.0 29B-A4B, environ 15 Go en 4 bits selon les propres affirmations du fournisseur, une seule carte.

• Stack d’entraînement — Nanbeige4.3-33B n’est pas documenté en détail ; Xing 4.0 29B-A4B a été entraîné de bout en bout sur des clusters Ascend 910C avec MindSpore et MindFormers, avec une amélioration de débit revendiquée de 96 % par rapport à la référence prête à l’emploi du fournisseur lui-même. Il s’agit d’une affirmation fondée sur une référence interne, sans point de comparaison public, donc invérifiable de l’extérieur, mais c’est l’énoncé d’ingénierie le plus intéressant des deux publications.

• Licence — Apache 2.0 pour les deux, ce qui rend le prix de téléchargement nul pour les deux et déplace entièrement le débat vers le matériel et les jetons.

Cinq lignes que les deux laboratoires ont exécutées, et les deux qui ne concordent pas

Les deux fiches de modèle partagent cinq noms de benchmarks : Terminal-Bench 2.1, Tau3-Bench, Claw-Eval, AIME2026 et AA.LCR. La lecture croisée de ces fiches est la seule comparaison quantitative disponible, et c’est au niveau des notes de bas de page que l’exercice tient ou s’effondre.

• Terminal-Bench 2.1 — Nanbeige4.3-33B 80,9, Xing 4.0 29B-A4B 57,5. Les deux laboratoires affirment l'avoir exécuté dans Terminus 2, ce qui en fait ce qui se rapproche le plus d'un instrument commun dans l'une ou l'autre des tables. Ce n'est toujours pas la même expérience : la fiche de Xing précise une température de 0,8, top-p 0,95, un maximum de 64K tokens, un délai d'expiration de 24 heures et la moyenne de trois exécutions ; celle de Nanbeige ne nomme que le harnais. Un écart de 23 points avec des harnais quasi identiques est le signal isolé le plus fort de cette comparaison, et il reste un signal plutôt qu'une mesure.

• Tau3-Bench — Nanbeige4.3-33B 48,8, Xing 4.0 29B-A4B 64,63. C’est le renversement, et il est important. Xing l’emporte sur le dialogue avec utilisation d’outils de près de 16 points, sur la famille de benchmarks qui teste le plus directement l’appel de fonctions multi-tours. La réserve concerne la métrique : Xing rapporte pass^1 moyenné sur quatre exécutions avec le harnais officiel tau-bench ; Nanbeige indique avoir utilisé les dépôts officiels mais ne précise pas l’agrégation, et classe la ligne sous le codage agentique plutôt que sous l’utilisation d’outils.

• {{1}}Claw-Eval{{/1}} — {{2}}Nanbeige4.3-33B{{/2}} 78,3 à pass^3, {{3}}Xing 4.0 29B-A4B{{/3}} 76,55. Celui-ci devrait être écarté plutôt que lu. La note de bas de page de {{4}}Nanbeige{{/4}} indique qu’il n’a évalué que le sous-ensemble {{5}}Claw-Eval General{{/5}}, 157 tâches à un seul tour ; celle de {{6}}Xing{{/6}} ne nomme aucun sous-ensemble. Une différence de 1,75 point entre deux versions non nommées du même benchmark, c’est du bruit déguisé en résultat.

• AIME2026 — Nanbeige4.3-33B 95,2, Xing 4.0 29B-A4B 90,0. Mathématiques de compétition, moyenne de cinq exécutions côté Xing, max 131 072 tokens ; l’échantillonnage de Nanbeige n’est, encore une fois, pas précisé. Les deux sont solides, l’ordre est cohérent avec le résultat final, et aucun des deux chiffres ne vous apprend grand-chose sur le travail réel de l’un ou l’autre modèle.

• AA.LCR — Nanbeige4.3-33B 84.0, Xing 4.0 29B-A4B 61.0. Raisonnement sur contexte long, et l'écart proportionnel le plus large après Terminal-Bench. Il convient de signaler qu'il s'agit du benchmark d'Artificial Analysis exécuté par deux fournisseurs, donc aucun des deux chiffres n'est un chiffre d'Artificial Analysis.

Quatre des cinq favorisent Nanbeige4.3-33B. Celui qui s'inverse est celui qui concerne l'appel des outils en séquence, ce qu'un agent fait toute la journée. Cette contradiction est la chose la plus utile sur l'une ou l'autre carte, et aucun des deux laboratoires ne l'a abordée.

Il y a une remarque sur la crédibilité qui tourne en faveur de Nanbeige, précisément sur la ligne terminal. Sa propre fiche revendique Terminal-Bench 4.0 à 23,8 ; Artificial Analysis, avec son propre harnais, a mesuré 29,8. La mesure externe s'est établie à six points au-dessus de la déclaration du fournisseur, ce qui est l'inverse de la direction habituelle et suggère que le tableau du fournisseur n'est pas gonflé ici. Xing 4.0 29B-A4B n'a pas de contrôle équivalent.

Un seul de ces modèles a un numéro que personne n’a payé.

Nanbeige4.3-33B est évalué. Artificial Analysis l'a classé à 20 sur l'Intelligence Index v5.0.1 — premier sur neuf dans sa classe de comparaison de modèles à poids ouverts, face à une médiane de classe de 10, et 76e sur la liste de tous les modèles. Les sous-scores sont plus informatifs que le score composite : Terminal-Bench 4.0 à 29,8 %, FrontierCode 2.0 à 10,7 %, et un taux de non-hallucination de 81,8 %, qui est le septième meilleur chiffre du site. Il refuse beaucoup de questions. Pour un modèle explicitement conçu comme enseignant de distillation, c'est une caractéristique.

Xing 4.0 29B-A4B n’a aucune fiche dans Artificial Analysis. Pas une fiche médiocre — aucune. Le site renvoie 404 pour le slug du modèle dans ses deux orthographes plausibles, et aucun chiffre composite, sous-score, prix ou vitesse n’existe pour lui nulle part sur ce tableau.

Cette asymétrie régit tout ce qu’un article comparatif peut affirmer honnêtement. Les deux modèles peuvent être comparés sur les tableaux des fournisseurs, avec les réserves en note de bas de page ci-dessus. Ils ne peuvent pas être comparés sur le seul instrument qu’aucun des deux laboratoires ne contrôle, car un seul des deux y figure. Tout article qui classe ces deux modèles l’un contre l’autre sur un terrain neutre invente ce terrain neutre.

Là où le projet de loi diverge réellement

Si vous devez choisir entre les deux, le prix d’un token n’est pas le chiffre décisif — c’est le coût pour mener une tâche à bien qui l’est, et trois multiplicateurs distincts s’empilent du côté de Nanbeige.

Le premier est la densité : 33 milliards de paramètres lus par jeton de sortie, contre environ 4 milliards. Quel que soit le matériel dont vous disposez, cela représente un multiple important en calcul par jeton avant même de considérer quoi que ce soit d’autre.

La seconde est la verbosité, et elle est mesurée plutôt que supposée. Artificial Analysis rapporte que Nanbeige4.3-33B a généré 160 millions de tokens de sortie lors de son exécution de l'Intelligence Index, contre une médiane de catégorie de 77,7 millions — soit 2,06 fois la médiane, et huitième sur huit au classement de verbosité du site. La fiche du modèle lui-même en explique une partie : la réflexion est activée par défaut, et le plafond recommandé est de 262 144 tokens pour les tâches de raisonnement. Tout modèle à qui l'on dit qu'il peut réfléchir sur un quart de million de tokens en utilisera une partie.

Si l’on combine ces deux éléments, un modèle dense qui génère en plus deux fois plus de texte n’est pas deux fois plus coûteux à exécuter par tâche accomplie ; on est plus proche d’un ordre de grandeur. C’est là le véritable contenu de la comparaison 33B contre 4B actifs, et cela n’apparaît nulle part dans l’un ou l’autre des tableaux de benchmark.

Le troisième est inconnu, et il n’est inconnu en faveur de Xing que par défaut. Personne n’a publié de chiffre de verbosité pour Xing 4.0 29B-A4B, donc un modèle à 4B actifs sans mesure d’efficacité en tokens pourrait être réellement bon marché par tâche ou pourrait émettre suffisamment de tokens pour effacer une partie de l’avantage. Vous comparez un modèle coûteux mesuré à un modèle bon marché non mesuré.

Ce que vous pouvez appeler aujourd’hui

Aucun des deux modèles n’est hébergé au sens habituel, et la différence entre eux est plus petite que ne le suggère la couverture du lancement.

Nanbeige4.3-33B ne dispose d'aucune API. Sa page Hugging Face indique que le modèle n'est déployé par aucun fournisseur d'inférence, et Artificial Analysis ne recense aucune API accessible publiquement et laisse les champs de prix vides. Y accéder signifie télécharger 66 Go de poids et les exécuter sur du matériel que vous possédez ou louez.

Xing 4.0 29B-A4B dispose de poids depuis le 16 septembre et d’un accès facturé au compteur apparu à la mi-octobre : une place de marché tierce l’affiche à 0,22 $ par million de jetons d’entrée et à 0,90 $ par million de jetons de sortie, et une variante promotionnelle gratuite du même point de terminaison a été listée à côté. Le panneau des fournisseurs d’inférence de Hugging Face est toujours vide, de sorte que le chemin hébergé passe par des places de marché plutôt que par le fournisseur, et un palier promotionnel n’est pas un prix sur lequel vous devriez bâtir un budget.

Pour être directs sur notre propre position : aucun des deux modèles ne figure aujourd'hui au catalogue d'OrcaRouter, nous ne sommes donc une route vers ni l'un ni l'autre, et rien ci-dessous ne prétend le contraire. Là où un routeur gagne sa place dans une décision comme celle-ci, c'est comme témoin de contrôle. Le moyen le moins coûteux de savoir si un modèle dense 33B auto-hébergé vaut quatre GPU est de le placer à côté de quelque chose que vous pouvez appeler au token et de mesurer les deux sur vos propres tâches — et le témoin évident ici est le modèle par rapport auquel les benchmarks de la propre fiche de Nanbeige sont mesurés. Qwen3.8-27B figure dans notre catalogue à 0,33 $ par million de tokens d'entrée et 2,40 $ par million de tokens de sortie, Artificial Analysis lui attribue 20,1 contre 20 pour Nanbeige, et il utilise la même clé que le reste du catalogue avec les prix catalogue des fournisseurs répercutés sans majoration. Cela fait de la comparaison une règle de routage plutôt qu'un second contrat.

Qui devrait choisir lequel ?

La distinction devient lisible dès lors que l’on admet qu’il s’agit d’un choix entre capacité et coût plutôt qu’entre deux capacités.

Nanbeige4.3-33B est le choix qui s’impose lorsque le travail en terminal est au cœur du produit. Une avance de 23 points sur un harnais Terminus 2 quasi partagé, le taux de non-hallucination le plus élevé de sa catégorie, une fenêtre native de 512K et un score indépendant supérieur à la promesse du fournisseur lui-même : voilà un modèle qui vaut quatre GPU si votre charge de travail consiste en du code et des opérations shell sur un horizon long, et si vous pouvez assumer une facture de tokens environ deux fois la médiane de la catégorie.

Xing 4.0 29B-A4B est le choix lorsque une seule carte et une facture à l'usage sont les contraintes. Une avance de 16 points sur Tau3-Bench, une empreinte que le fournisseur dit compatible avec une carte de 24 Go, un quart du calcul par token de Nanbeige, et le seul des deux dont le prix est payable sans acheter de matériel. C'est aussi le modèle le plus faible sur la seule ligne où les harnais correspondent le plus étroitement, donc son argument est économique et opérationnel, non de capacité.

Deux éléments permettraient de trancher les points encore en suspens. Une évaluation Artificial Analysis de Xing 4.0 29B-A4B transformerait une comparaison asymétrique en comparaison symétrique, et un chiffre Tau3-Bench fourni par Nanbeige avec une méthode d’agrégation précisée vous indiquerait si l’inversion de 16 points est une véritable faiblesse dans l’usage des outils ou un artefact dû à deux métriques différentes portant le même nom. Tant que l’un ou l’autre n’est pas disponible, le résumé honnête est que Nanbeige4.3-33B est le modèle le plus solide d’après les données existantes et que Xing 4.0 29B-A4B est celui que vous avez les moyens d’exécuter — et l’ampleur de ce compromis dépend de votre combinaison de tâches, pas de l’une ou l’autre des deux fiches.