Nanbeige4.3-33B לעומת Gemma 4 31B: מה באמת משמעות פער של 33 נקודות בטבלת הספקים

בטבלת הבנצ'מרקים של Nanbeige4.3-33B עצמו, Gemma 4 31B מקבל 0.0 ב-Terminal-Bench 4.0. זו השורה שכדאי להתחיל ממנה, כי היא מלמדת איך לקרוא כל מספר אחר בהשוואה הזו. Gemma 4 31B הוא מודל במשקולות פתוחות של Google DeepMind עם 30.7 מיליארד פרמטרים, שניתן להורדה תחת Apache 2.0 מאז 2 באפריל 2026, והחומרים של Google עצמה מזכים אותו ב-86.4 ב-τ²-bench לשימוש בכלים וב-80.0 ב-LiveCodeBench v6. מודל כזה לא נכשל בכל משימת טרמינל שקיימת. אפס הוא מה שמקבלים כשבנצ'מרק לא מצליח להבחין בין "לא היה יכול" לבין "מעולם לא ניתנה לו לולאת כלים עובדת".

לעומת זאת, Nanbeige4.3-33B בן יומיים בלבד. המאגר שלו נוצר ב-24 באוקטובר 2026 בשעה 02:49 UTC, כרטיס המודל שלו הוא ההודעה היחידה ש-Nanbeige פרסמה, והטבלה בת 20 השורות בכרטיס הזה היא המקור היחיד לכל מספר שמסתובב כרגע לגביו. Gemma 4 31B מופיע בטבלה זו כאחת משלוש עמודות השוואה. שום מעבדה עצמאית לא הרצה את שני המודלים האלה זה מול זה, ואף אחד מהספקים לא בחן את האחר מחוץ לטבלה האחת הזו. לכן הגרסה הישרה של ההתמודדות הזו אינה לוח תוצאות. היא ויכוח על אילו שורות שורדות בחינה מדוקדקת ואילו מהן מודדות את מערכת הבדיקה עצמה.

מה כל מודל הוא בפועל

שתי המהדורות מרוחקות זו מזו בשישה וחצי חודשים, והנחות העיצוב מעידות על כך.

פרמטרים — Nanbeige4.3-33B הוא מודל dense עם 33.1B פרמטרים (33,118,977,024 ב-BF16), כאשר כל פרמטר פעיל בכל טוקן. Gemma 4 31B הוא מודל dense עם 30.7B פרמטרים. אף אחד מהם אינו תערובת של מומחים, ולכן ה-throughput נקבע לפי מלוא מספר המשקולות בשני הצדדים.

• הקשר — {{1}}Nanbeige4.3-33B מגיע עם 524,288 טוקנים באופן מקורי.{{/1}} {{2}}Gemma 4 31B מגיע עם 262,144.{{/2}} שניהם גדולים באופן חריג עבור קטגוריית הפרמטרים; {{3}}הערך של Nanbeige כפול.{{/3}}

• מודאליות — Nanbeige4.3-33B הוא טקסט נכנס וטקסט יוצא, אנגלית וסינית. Gemma 4 31B מקבל גם תמונות וגם טקסט, אומן מראש על יותר מ-140 שפות, ומגיע עם קריאה מקורית לפונקציות ומצב חשיבה הניתן להגדרה.

• רישיון — שניהם Apache 2.0. זוהי השוואה נדירה שבה שאלת הרישיון נפתרת עוד לפני שמתחילים.

• משקלים על הדיסק — Nanbeige4.3-33B הוא כ-66GB ב-BF16 וכ-20GB בערך ב-4-bit. Gemma 4 31B נמצא באותו טווח. אף אחד מהם אינו מודל למחשב נייד; שניהם מודלים לתחנת עבודה בודדת או לצומת בודדת.

הדבר היחיד שאינו קרוב הוא ההפצה. ל-Gemma 4 31B יש API מנוהל, נקודת קצה ש-Artificial Analysis מציגה כרגע בעלות אפס, וסיקור עצמאי. ל-Nanbeige4.3-33B יש משקלים, כרטיס מודל, ובלשונו של הכרטיס עצמו — אין ספק אינפרנס שמפריס אותו. אי-הסימטריה הזו אינה שיפוט איכות, אבל היא משנה מה עולה "לנסות אותו".

עמודת הספק והכרטיס של Google עצמו אינם תואמים

אפשר לבדוק שתי שורות בטבלה של Nanbeige מול הנתונים שפרסמה Google, ורק אחת מהן תואמת.

• AIME 2026 — Nanbeige מייחסת 89.2 ל-Gemma 4 31B. Google מדווחת על 89.2. התאמה מדויקת.

• GPQA Diamond — Nanbeige מזכה את Gemma 4 31B ב-91.3, וזו השורה היחידה שבה Gemma עוקפת את ה-89.5 של Nanbeige עצמה. הנתון שפרסמה Google עבור המודל הוא 84.3. מדובר בפער של שבע נקודות, ואף אחד משני הכרטיסים אינו מסביר את התצורה שעומדת מאחוריו.

השורה השנייה הזו ראויה לתשומת לב מפני שזה המקום היחיד שבו טבלת הספק מעניקה ליריב ניצחון. אם המספר הגיע מהרצה חוזרת במאמץ חשיבה מרבי, זו תוצאה לגיטימית ו-Gemma באמת מובילה בשאלות מדע ברמת תואר שני. אם הוא הגיע מהערכה בתצורה שונה, הטבלה משווה בין שתי גרסאות שונות של Gemma. כך או כך, השורה "Gemma מנצחת ב-GPQA" שחזרה על עצמה בכל דיווח משני השבוע נשענת על נתון ש-Google אינה מפרסמת.

שאר העמודה של Gemma קשה יותר לביקורת משום ש-Google מדווחת על מדדי בנצ'מרק שונים. הטבלה של Nanbeige מציבה את Gemma על 18.6 ב-Tau3-Bench; הכרטיס של Google מציב אותה על 86.4 ב-τ²-bench. אלה גרסאות שונות של אותה משפחת בנצ'מרקים, ולכן הן אינן סותרות זו את זו — אבל הן גם אינן השוואה, והפער של 68 נקודות ביניהן הוא אומדן סביר למידת ההשפעה שיכולה להיות לבחירת מערכת ההרצה והגרסה על הציון של מודל בודד.

לקרוא את האפסים נכון

שלוש שורות בעמודת Gemma קרובות לאפס: 0.0 ב-Terminal-Bench 4.0, 2.7 ב-DeepSWE, ו-3.3 ב-SWE-Atlas-QnA. אלה השורות שמסתובבות ברשתות החברתיות, והן המספרים הפחות אינפורמטיביים בטבלה.

לתוצאה כמעט אפסית בבנצ'מרק סוכני יש לפחות שלושה גורמים אפשריים: המודל אינו יכול להשלים את המשימה, המודל אינו יכול להפעיל את הכלים שמספק ההרנס, או שההרנס כוונן לתבנית צ'אט ופורמט קריאות כלים שונים. הכרטיס של Nanbeige מציין במפורש שהתוצאות שלה עצמה השתמשו ב-Terminus 2 עבור Terminal-Bench 2.1 וב-mini-swe-agent v2.4.6 עבור Terminal-Bench 4.0, DeepSWE ו-SWE-Atlas-QnA. הוא אינו אומר אם Gemma 4 31B קיבל את אותו סקפולד עם פורמט קריאות הכלים שלו עצמו, או שהוכנס לזה של Nanbeige, המוכוון ל-XML. אלה מפיקים מספרים שונים מאוד, ורק אחד מהם נוגע למודל.

זו אינה סיבה לפסול את התוצאה של Nanbeige. Nanbeige4.3-33B נבנה סביב קידוד אג'נטי — הכרטיס שלו ממליץ על פורמט קריאות כלים מסוג XML, על preserve_thinking=true לשימוש רב-תורי בכלים, ועל טמפרטורה של 1.0 למשימות אג'נטיות — ולכן אין זה מפתיע שהוא מתפקד היטב בתוך סביבת הרצה שנבנתה עבורו. זו סיבה להתייחס לעמודת Gemma כגבול תחתון ולא כפסק דין.

מדדי האסימטריה לא מתמחרים: תמונות

Gemma 4 31B מקבל תמונות. Nanbeige4.3-33B לא. המשפט הבודד הזה מכריע יותר פריסות אמיתיות מכל שורה בטבלה.

אם הסוכן שלך קורא צילומי מסך, חשבוניות, תרשימים, טפסים סרוקים או מצבי UI, ‏Nanbeige4.3-33B אינו מועמד בשום ציון בנצ'מרק. תזדקק למודל חילוץ נפרד לפניו, עם השהיה, עלות ומצבי כשל משלו, ואז איכות צינור העיבוד תהיה איכות מודל החילוץ ולא איכות ה-33B. Gemma מבצעת את השלב הזה באופן מובנה, והנתונים שפרסמה Google — MMMU-Pro של 76.9 ו-MATH-Vision של 85.6 — מרמזים שהיא עושה זאת ביכולת ממשית ולא למראית עין.

לעומת זאת, אם העבודה היא טקסטואלית בלבד — קוד, לוגים, מסמכים ארוכים, עקבות כלים רב-תוריות — יכולת התמונה היא משקל מת שאתם משלמים עליו בכל מעבר קדימה. זהו המקרה שננבייג' נבנתה עבורו, והוא חלק ניכר מן העבודה הסוכנית.

512K לעומת 256K, ולשם מה נועד חלון

חלון 524,288 הטוקנים של Nanbeige הוא פי שניים מזה של Gemma, 262,144, ושני המספרים גדולים מספיק כך שההבדל משנה רק בצורות עבודה מסוימות.

חלון של 256K מכיל בקירוב כמות קוד המקור של מאגר בגודל בינוני, או כמה מאות עמודים של טקסט. חלון של 512K מכיל פי שניים מזה. עבור מסמך ארוך יחיד בתוספת תשובה ארוכה, שניהם מספיקים; עבור סוכן שצובר פלט כלים לאורך מאות תורים, החלון הגדול יותר קונה לך יותר תורים לפני סיכום או פינוי. הכרטיס של Nanbeige ממליץ על עד 262,144 אסימונים חדשים עבור חשיבה וצ'אט, מה שמרמז שתקציב החשיבה המעשי קרוב יותר ל-256K מאשר ל-512K המלא. תקרת הפלט של Gemma מוגדרת בדרך כלל על 131,072.

אף אחד מהספקים לא מפרסם כאן מדד השוואה לזכירה בהקשר ארוך, כך שאין דרך כנה לומר של מי ה-512K או ה-256K מנוצלים טוב יותר. גודל ההקשר הוא הצהרת קיבולת, לא הצהרת איכות, ושתי הכרטיסים מסתפקים בכך.

כמה עולה להתקשר לכל אחד מהם

Gemma 4 31B הוא היחיד מבין השניים שאפשר להשתמש בו כשירות היום. ב-OrcaRouter הוא עולה $0.13 למיליון טוקני קלט ו-$0.38 למיליון פלט, כאשר קלט במטמון עומד על $0.02 — העברה ישירה של מחיר המחירון של הספק ללא תוספת רווח, וזו גם הסיבה לכך ששינוי מחיר מצד ספק מגיע לקטלוג שלנו באותו יום שבו הוא מוכרז. Artificial Analysis מציגה כיום את נקודת הקצה של Google עצמה ב-$0.00 קלט וב-$0.00 פלט, מה שכמעט בוודאות משקף שכבת קידום או חינם ולא מחיר בר-קיימא; התייחסו אליה כערוץ ניסיון, לא כשורה בתקציב.

ל-Nanbeige4.3-33B אין מחיר לכל טוקן לציטוט. המשקלים חינמיים תחת Apache 2.0, והכרטיס מציין שאף ספק אינפרנס לא פורס את המודל. הרצה שלו משמעה ארבעה GPUs בגודל tensor-parallel של 4 לפי מתכוני ה-vLLM וה-SGLang של הכרטיס עצמו, כשהם מוחזקים פתוחים בין אם מגיעות בקשות ובין אם לא. העלות השולית של טוקן היא אז החשמל שלך ושיעור הניצול שלך, לא כרטיס תעריפים. כל מי שמשווה "$0.13 input" מול "free" משווה חשבון להוצאה הונית.

זו גם הטיעון המעשי להשארת נתב במעגל גם כאשר המודל החדש מתארח בעצמו. ההחלטה שצוותים רבים למעשה עומדים בפניה אינה "להחליף את Gemma" אלא "לשלוח 5% מהתעבורה לדבר החדש ולראות מה יקרה". השארת המודל הקיים נגיש דרך מפתח אחד, עם מעבר אוטומטי לגיבוי אם נקודת הקצה של הניסוי נופלת, הופכת את זה לשינוי ניתוב ולא להגירה.

כאשר Gemma 4 31B הוא פשוט התשובה הנכונה

ארבעה תנאים מכריעים את זה בלי טבלת בנצ׳מרק.

• עומס העבודה כולל תמונות, קובצי PDF או צילומי מסך. Gemma, בלי עוררין.

• אתה צריך יותר מאנגלית וסינית. Gemma עברה אימון מקדים על יותר מ-140 שפות; Nanbeige מפרטת שתיים.

• אינך רוצה להחזיק GPUs בבעלותך. ל-Gemma יש היום נקודת קצה מנוהלת; ל-Nanbeige יש משקלים ומתכון פריסה.

• אתה צריך חוות דעת שנייה על האיכות. ל-Gemma יש מדד Artificial Analysis Intelligence Index של 15, שהוא צנוע אך עצמאי. ל-Nanbeige אין שם ערך כלל, כך שכל מספר לגביו הוא הספק שמסמן לעצמו את שיעורי הבית.

הפוך את אלה, והמקרה של Nanbeige ברור באותה מידה: עבודה סוכנתית בטקסט בלבד, עקבות כלים ארוכים, צוות עם GPUs, ונכונות להריץ את פורמט הכלים המומלץ שלו מבוסס XML. על צורה כזו של עבודה, הטבלה של Nanbeige עצמה טוענת ליתרון של 33.7 נקודות ב-Terminal-Bench 2.1 — 80.9 לעומת 47.2 — וליתרון של 62.8 נקודות ב-DeepSWE. השוליים האלה גדולים מספיק כדי שסביר להניח שהם מכילים אות אמיתי גם אחרי שתפחית את יתרון ההרנס. הם לא גדולים מספיק כדי להמר על מסלול ייצור בלי להריץ אחד בעצמך.

תחרות אפייה של אחר הצהריים עדיפה על השולחן הזה

אם אתם באמת בוחרים ביניהם, הבדיקה זולה והיא אינה מחייבת להאמין לאף אחד משני הספקים. קחו עשרים משימות אמיתיות מתוך יומני הסוכן שלכם. הריצו כל מודל עם פורמט קריאות הכלים והגדרות החשיבה המומלצים שלו — XML עבור Nanbeige, קריאה לפונקציות נייטיבית עבור Gemma — ותנו ציון להשלמת המשימה, לא לדמיון לבנצ'מרק. תעדו טוקנים שנצרכו לכל משימה שהושלמה, כי מודל dense בגודל 33B ומודל dense בגודל 30.7B יהיו שונים ברמת הפירוט גם במחירים זהים לכל טוקן.

מה שתלמדו במהלך אחר צהריים אחד הוא אם הפער האג'נטי של Nanbeige שורד את יתרון ההארנס של Nanbeige עצמה. עד שמישהו יפרסם זאת, הסיכום שניתן להגן עליו צר יותר מהכותרות: Gemma 4 31B הוא המודל היותר מתאים לפריסה והיחיד עם ציון עצמאי; Nanbeige4.3-33B הוא השאפתני יותר, עם חלון הקשר מקורי של 512K וסט של נתונים אג'נטיים בדיווח עצמי שהם מרשימים, לא מבוקרים ובני יומיים.