Nanbeige4.3-33B vs Granite 4.2 30B: Klaim versus Kepatuhan

Keputusan antara Nanbeige4.3-33B dan Granite 4.2 30B akan diambil dalam rapat pengadaan, bukan di papan peringkat. Keduanya adalah model dense sekitar 30 miliar parameter di bawah Apache 2.0, keduanya dapat diunduh minggu ini, dan keduanya mengklaim batas 512K token. Tetapi yang satu dijual oleh IBM dengan artefak bertanda tangan dan kontrak dukungan, sedangkan yang lain adalah repositori berusia dua hari dari laboratorium Tiongkok yang belum menerbitkan pengumuman peluncuran. Granite 4.2 30B dari IBM hadir pada 25 Agustus 2026; Nanbeige4.3-33B muncul di Hugging Face pada 24 Oktober 2026. Keduanya sebenarnya bukan pesaing untuk pembelian yang sama, dan itulah tepatnya mengapa perbandingan ini layak dilakukan dengan hati-hati.

Berikut ini bukanlah seorang pemenang. Ini adalah logika daftar pendek: empat pertanyaan yang benar-benar membedakan model-model ini, beserta bukti yang menjadi dasar setiap jawaban dan titik-titik di mana bukti tersebut lebih lemah daripada yang terlihat.

Dua produk yang memakai jumlah parameter yang sama

Granite 4.2 30B adalah yang teratas dalam lini Granite 4.2 IBM — 3B, 8B, dan 30B, semuanya dense. Model ini dibangun di atas Granite-4.1-30B-Base, dipralatih menggunakan sekitar 15 triliun token termasuk sekitar satu triliun token kode sintetis, lalu menjalani tahap pembelajaran penguatan agentic untuk ukuran 8B dan 30B. Model ini hadir dengan tiga mode penalaran (thinking, non-thinking, low-effort), pemanggilan tool native dalam format OpenAI, serta build FP8 dan 4-bit. IBM mencantumkan dukungan native vLLM dan SGLang, termasuk granite_thinking_parser.

Nanbeige4.3-33B adalah satu checkpoint dense dari Nanbeige LLM Lab, tim AI di bawah Kanzhun, perusahaan di balik BOSS Zhipin. Kartu modelnya luar biasa spesifik soal deployment: 33,1B parameter, konteks 524.288 token, Inggris dan Tionghoa, thinking aktif secara default, format pemanggilan alat XML yang direkomendasikan alih-alih JSON, dan flag preserve_thinking yang ditujukan untuk penggunaan alat multi-turn. Model ini secara eksplisit diposisikan sebagai model guru untuk saudara yang lebih kecil, Nanbeige4.3-3B, yang belum dirilis.

Perbedaan niat itu penting. Granite adalah lini produk dengan jalur dukungan perusahaan. Nanbeige4.3-33B adalah artefak riset yang dirilis untuk menjadi cikal bakal sebuah keluarga. Yang satu dibangun untuk dibeli; yang lain dibangun untuk didistilasi.

Satu-satunya baris yang benar-benar dijalankan kedua laboratorium

Kartu Nanbeige membandingkan dirinya dengan Qwen3.8-27B, Muse-Glimmer-30B, dan Gemma 4 31B. Materi Granite dari IBM sama sekali tidak menyebut Nanbeige. Jadi kedua kartu tersebut hanya berbagi tepat satu benchmark yang memungkinkan adanya perbandingan langsung secara nominal: Terminal-Bench 2.1.

• Terminal-Bench 2.1 — Nanbeige4.3-33B 80,9 (kartu Nanbeige) versus Granite 4.2 30B 29,24 (kartu IBM). Selisih 51,7 poin untuk keunggulan Nanbeige.

Itu adalah perbedaan terbesar yang diklaim antara dua tabel vendor dalam seluruh perbandingan ini, dan itu memerlukan tiga catatan sebelum berarti apa pun. Pertama, kedua angka dilaporkan oleh vendor. Kedua, kartu Nanbeige menyatakan bahwa uji Terminal-Bench 2.1-nya menggunakan Terminus 2; kartu IBM tidak menyebutkan scaffold-nya. Ketiga, benchmark terminal mengukur model plus loop agen, dan selisih 51 poin bisa berasal dari loop sama mudahnya seperti dari bobot. Model dengan harness yang disetel baik dan model dengan harness bawaan akan berbeda puluhan poin pada benchmark nominal yang sama.

Baris bersama terdekat berikutnya adalah GPQA Diamond: Nanbeige melaporkan 89,5, IBM melaporkan 66,41. Itu adalah celah nyata pada tolok ukur pengetahuan dan cukup lebar untuk bertahan terhadap perbedaan harness, tetapi ia juga mengukur hal yang berbeda dari pengodean agentik — pertanyaan sains tingkat pascasarjana, bukan penggunaan alat dalam horizon panjang. Ini menunjukkan Nanbeige adalah penalar yang lebih kuat di antara keduanya berdasarkan bukti ini. Ini tidak menunjukkan bahwa ia adalah agen yang lebih kuat.

Semua yang lain tidak dapat dibandingkan. Nanbeige melaporkan SWE-Bench Pro sebesar 60,3; IBM melaporkan SWE-Bench Verified sebesar 57,00 — varian berbeda, tingkat kesulitan berbeda. Nanbeige melaporkan AIME 2026 sebesar 95,2; IBM melaporkan AIME25 sebesar 89,17 — tahun berbeda. Nanbeige melaporkan JobBench dan DeepPlanning; IBM melaporkan τ³-bench 62,00, BFCL v4 61,39, MMLU-Pro 77,60, LiveCodeBench v6 75,77, dan RULER 128K 81,38. Tidak ada satu pun dari itu yang memiliki padanan di Nanbeige.

Dua klaim 512K yang bukan klaim yang sama

Kedua model mengiklankan batas maksimum 512K. Mereka mencapainya dengan cara berbeda, dan perbedaannya tampak pada apa yang masing-masing vendor bersedia publikasikan.

• Jendela native — Nanbeige4.3-33B: 524.288 token, native. Granite 4.2 30B: 131.072 token, native.

• Batas atas diperluas — Granite 4.2 30B menawarkan ekstensi konteks panjang hingga 512K. Nanbeige tidak memerlukannya; 512K adalah jendela terlatih.

• Bukti konteks panjang — IBM menerbitkan RULER pada 128K: 81.38. Nanbeige menerbitkan AA-LCR pada 84.0, tolok ukur penalaran konteks panjang, tetapi bukan tolok ukur recall pada kedalaman yang dinyatakan.

• Keluaran — Kartu Nanbeige merekomendasikan hingga 262.144 token baru untuk penalaran dan obrolan, serta 65.536 untuk pekerjaan agentik dan penggunaan alat. max_new_tokens yang direkomendasikan IBM adalah 8.192 dalam mode berpikir dan 2.048 dalam mode non-berpikir.

Baris terakhir itu yang praktis. Jendela masukan 512K yang dipasangkan dengan rekomendasi keluaran 8K adalah model yang dibangun untuk membaca banyak dan menjawab secara singkat. Jendela 512K yang dipasangkan dengan anggaran generasi 262K adalah model yang dibangun untuk menghasilkan artefak panjang. Jika pekerjaan Anda adalah "menyerap repositori, menulis migrasi," keduanya bukan produk yang setara bahkan pada panjang konteks nominal yang sama.

Pemanggilan alat, mode berpikir, dan biaya integrasi

Pemanggilan tool Granite berformat OpenAI dan bersifat native, dengan BFCL v4 sebesar 61,39 pada evaluasi IBM sendiri. Artinya, ia bisa langsung dipakai di klien function-calling standar tanpa parser khusus. IBM juga menerbitkan parser thinking untuk vLLM, sehingga jejak penalaran dapat dipisahkan dengan bersih dari jawaban.

Nanbeige4.3-33B mengambil pendekatan sebaliknya: ia merekomendasikan tool_call_format="xml" untuk performa terbaik, menyertakan template bergaya ChatML, dan meminta Anda menggunakan parser penalaran Qwen3 dan parser alat Qwen3-Coder di vLLM atau SGLang. Itu bukan cacat — banyak model agen yang kuat menggunakan panggilan alat XML — tetapi itu pekerjaan integrasi. Jika stack Anda menggunakan JSON alat OpenAI, Nanbeige memerlukan lapisan terjemahan atau mode JSON-nya, yang menurut kartu didukung tetapi tidak diutamakan.

Ini adalah biaya yang tidak pernah ditampilkan oleh tabel benchmark. Model yang 20 poin lebih baik pada harness yang harus Anda bangun ulang bukan berarti 20 poin lebih baik pada hari Selasa. Keunggulan Granite di sini bukanlah kapabilitas; melainkan bahwa pengkabelannya terdokumentasi, standar, dan didukung oleh vendor yang memiliki pelacak bug.

Lini kepatuhan

IBM merilis Granite dengan tanda tangan kriptografis, sertifikasi ISO, dan pengungkapan transparansi. Bagi pembeli di sektor teregulasi, itu bukan sekadar pemasaran — itulah pembeda antara model yang dapat melewati proses persetujuan dan model yang tidak. IBM juga merupakan pihak lawan transaksi: ada kontrak, jalur dukungan, dan perusahaan yang masih akan tetap ada dalam kerangka waktu siklus pengadaan.

Nanbeige4.3-33B memiliki lisensi Apache 2.0, yang secara hukum permisif dan dapat digunakan secara komersial. Model ini tidak memiliki kontrak dukungan perusahaan, program artefak bertanda tangan, atau pernyataan asal-usul data yang dipublikasikan di luar kartu model. Lab ini adalah bagian dari Kanzhun, perusahaan publik Tiongkok, dan model ini bilingual Inggris–Tionghoa. Tidak ada dari semua itu yang mendiskualifikasinya. Semua itu adalah hal yang akan ditanyakan dalam tinjauan keamanan, dan jawaban jujur saat ini adalah bahwa bukti di pihak Nanbeige lebih tipis.

Bagi tim di luar proses yang diatur, bagian ini tidak relevan dan Anda dapat melewatinya. Bagi tim di dalam proses tersebut, bagian ini dapat menentukan jawabannya sebelum tolok ukur dibaca.

Berapa biaya sebuah token, dan berapa biaya sebuah GPU

Granite 4.2 30B tersedia sebagai API terkelola dengan harga $0,16 per juta token masukan dan $0,65 per juta token keluaran, dengan diskon cache 75%, sekitar 47,5 token keluaran per detik, dan waktu ke token pertama 0,82 detik. Artificial Analysis memperkirakan biayanya sekitar $0,07 per tugas Intelligence Index. Bobotnya juga dapat diunduh, sekitar 60GB dalam BF16 atau 30GB pada 8-bit — deployment GPU tunggal.

Nanbeige4.3-33B tidak memiliki harga per-token yang dipublikasikan karena tidak ada yang menghostingnya. Kartu model menyatakan secara gamblang bahwa tidak ada penyedia inferensi yang menerapkan model tersebut. Self-hosting berarti sekitar 66GB dalam BF16, atau kira-kira 20GB pada 4-bit, dengan resep dari vendor sendiri menggunakan ukuran tensor-parallel 4. Itu berarti empat GPU tetap dialokasikan terbuka apakah ada trafik yang masuk atau tidak.

Letakkan kedua angka itu berdampingan secara jujur, dan perbandingannya adalah antara tagihan terukur yang dimulai dari nol dan belanja modal yang dimulai dari empat GPU. Pada volume rendah, Granite lebih murah satu orde besaran. Pada volume tinggi yang berkelanjutan, model 33B yang di-host sendiri bisa menang — tetapi hanya jika utilisasinya cukup tinggi untuk mengamortisasi perangkat keras, dan hanya jika Anda menilai waktu rekayasa sebagai nol. Sebagian besar tim menemukan bahwa itu bukan nol.

Kedua model itu tidak ada di router kami, dan itu layak dikatakan secara terus terang.

OrcaRouter saat ini tidak menyediakan Nanbeige4.3-33B atau Granite 4.2 30B. Kami tidak akan berpura-pura sebaliknya, karena pembaca yang mendaftar dengan mengharapkan salah satu model itu akan kehilangan satu hari untuk menemukan bahwa katalog tidak menyediakannya.

Yang masih dilakukan lapisan routing adalah menjaga agar bagian lain dari keputusan ini tetap murah. Jika Anda sudah menjalankan model incumbent melalui endpoint kami, menambahkan Nanbeige yang di-host sendiri di balik kunci yang sama dan mengirimkan sebagian trafik kepadanya hanyalah perubahan konfigurasi, bukan integrasi kedua. Model markup 0% kami — harga daftar penyedia diteruskan apa adanya — juga berarti bahwa ketika IBM atau host lain mengubah harga Granite, angka yang Anda lihat ikut bergerak bersama perubahan itu, bukan tertinggal di belakang margin reseller. Itu tidak membuat salah satu dari kedua model tersebut tersedia. Itu membuat eksperimen seputar keduanya lebih murah untuk dijalankan.

Daftar pendek, bukan pemenang

• Jika Anda membutuhkan kontrak, tanda tangan, dan jalur dukungan: Granite 4.2 30B, dan kesenjangan benchmark tidak lagi menjadi masalah.

• Jika Anda membutuhkan performa pengkodean agentic terkuat yang diklaim di kelas ukuran ini: Nanbeige4.3-33B, dengan catatan bahwa skor 80.9 pada Terminal-Bench 2.1 belum pernah direproduksi di luar kartu modelnya sendiri.

• Jika Anda memerlukan input 512K native dengan output panjang: Nanbeige4.3-33B. Granite mencapai 512K melalui ekstensi dan merekomendasikan output 8K.

• Jika Anda membutuhkan bahasa Mandarin: kedua model mencantumkannya. Kartu Granite mencantumkan bahasa Mandarin di antara 12 bahasa; kartu Nanbeige mencantumkan bahasa Inggris dan Mandarin. Bahasa bukanlah penentu di sini.

• Jika Anda perlu memulai hari ini tanpa GPU: Granite 4.2 30B melalui API IBM. Nanbeige sama sekali tidak memiliki opsi hosted.

Ringkasan yang tidak nyaman adalah bahwa model-model ini cukup dekat dalam kelasnya sehingga keputusan akan ditentukan oleh kendala di sekitarnya — pengadaan, penerapan, bahasa, modalitas — bukan oleh baris 51 poin itu. Baris itu mungkin saja benar. Namun itu juga merupakan klaim yang paling tidak dapat diverifikasi dalam artikel ini, dan itu seharusnya menjadi alasan terakhir Anda memilih model, bukan yang pertama.