Nanbeige4.3-33B vs Qwen 3.6 35B-A3B: Nanbeige Menguji Qwen yang Berbeda, dan Itulah Inti Ceritanya

Buka kartu model Nanbeige untuk Nanbeige4.3-33B dan hitung kolom Qwen. Hanya ada satu, dan itu milik Qwen3.8-27B — model multimodal dense yang dirilis pada Agustus 2026. Qwen 3.6 35B-A3B, model mixture-of-experts yang digunakan Liquid AI sebagai titik acuan mereka sendiri untuk LFM2.5 dan yang dijadikan tolok ukur oleh sebagian besar ekosistem agen open-weight, sama sekali tidak muncul dalam tabel dua puluh baris Nanbeige.

Ketidakhadiran itu adalah sebuah pilihan, dan itu membuat pertarungan ini lebih menarik daripada adu langsung biasa. Nanbeige4.3-33B dibandingkan dengan model Qwen yang bisa dikalahkannya pada baris agentik berhorizon panjang. Qwen 3.6 35B-A3B adalah model Qwen yang biaya menjalankannya seperempat lebih murah, menerima gambar dan video, serta sudah digunakan dalam produksi sejak April. Apakah itu perbandingan yang lebih adil atau lebih mudah bergantung pada apa yang Anda beli, dan kedua model tersebut tidak dioptimalkan untuk pembeli yang sama.

Salah satunya padat dan yang lainnya tidak, dan itu yang menentukan tagihannya.

Perbedaan paling berdampak bukanlah pada tolok ukur mana pun.

• Parameter — total 33,1B, semuanya aktif, untuk Nanbeige4.3-33B. Total 35B dengan sekitar 3B aktif per token untuk Qwen 3.6 35B-A3B, sebuah campuran pakar.

• Hitung per token — forward pass dense penuh untuk Nanbeige4.3-33B versus yang sparse atas subset pakar kecil untuk Qwen 3.6 35B-A3B. Pada perangkat keras yang sama, model Qwen menghasilkan jauh lebih banyak token per detik per GPU.

• Memori untuk bobot — 66,3 GB dalam bfloat16 untuk Nanbeige4.3-33B. Model Qwen muat dengan nyaman pada satu kartu saat dikuantisasi.

• Konteks — 524.288 token bawaan untuk Nanbeige4.3-33B. 262.144 untuk Qwen 3.6 35B-A3B, dengan keluaran maksimum 65.536 token.

• Modalitas — teks masuk, teks keluar, bahasa Inggris dan Mandarin, untuk Nanbeige4.3-33B. Teks, gambar, dan video masuk untuk Qwen 3.6 35B-A3B.

• Harga — tidak ada endpoint hosted untuk Nanbeige4.3-33B. Qwen 3.6 35B-A3B di OrcaRouter dengan $0,25 per juta token input dan $1,49 per juta token output, dengan waktu-ke-token-pertama p50 sebesar 6,67 detik.

• Lisensi — Apache 2.0 pada keduanya.

Baca baris komputasi itu dua kali. Model dense 33B yang menjalankan respons agentik 65.536 token — plafon yang direkomendasikan Nanbeige sendiri — melakukan pekerjaan senilai 33 miliar parameter untuk setiap token tersebut. Model Qwen melakukan sekitar sepersepuluh dari itu. Jika keduanya mencetak skor dengan selisih hanya beberapa poin pada tugas yang sama, model sparse menang secara ekonomi dengan selisih satu orde besaran, dan tidak ada tabel benchmark yang akan memberi tahu Anda hal itu.

Skor tidak dapat dikurangkan, dan alasannya bersifat metodologis.

Nanbeige4.3-33B berada di peringkat 20 pada Artificial Analysis Intelligence Index v5.0.1. Qwen 3.6 35B-A3B sama sekali tidak memiliki skor pada komposit v5 — halaman modelnya bertuliskan N/A, karena indeks saat ini hanya menilai konfigurasi dengan API yang tersedia untuk publik atau eksekusi internal yang telah selesai, dan angka Artificial Analysis terakhir yang dipublikasikan untuk model ini berada pada indeks v4.3.x yang lebih lama, di kisaran belasan tinggi untuk konfigurasi reasoning.

Angka-angka itu bukanlah sebuah perbandingan. Indeks v5 adalah kumpulan evaluasi yang di-rebase, dan skor v4.3.x tidak dapat dipindahkan begitu saja. Siapa pun yang menyajikan "20 melawan 18" sedang mengurangkan dua ujian yang berbeda, dan itulah kesalahan paling umum dalam penulisan perbandingan model serta layak disebutkan secara eksplisit di sini.

Yang memang ada di landasan bersama lebih sempit dan tetap berguna.

• Terminal-Bench — Artificial Analysis menjalankan Qwen 3.6 35B-A3B pada 41,6% di Terminal-Bench 2.1 dan 25,8% di Terminal-Bench Hard. Mereka menjalankan Nanbeige4.3-33B pada 29,8% di Terminal-Bench 4.0. Benchmark-nya berbeda, jadi tetap bukan delta, tetapi keduanya merupakan pengukuran eksternal pada keluarga tugas yang sama.

• Klaim Terminal-Bench dari vendor — Nanbeige melaporkan 80,9 pada Terminal-Bench 2.1 untuk Nanbeige4.3-33B, yaitu tolok ukur yang sama yang secara independen diukur pada 41,6% untuk Qwen 3.6 35B-A3B. Jika baris vendor itu terbukti benar, ini adalah selisih terbesar dalam seluruh perbandingan ini. Angka itu belum direproduksi secara independen, dan catatan kaki Nanbeige sendiri menyatakan bahwa pengujian dijalankan dengan harness Terminus 2.

• Pengetahuan — Artificial Analysis memberi Nanbeige4.3-33B skor akurasi 11,7% pada AA-Omniscience dengan 81,8% non-halusinasi. Angka Omniscience Qwen 3.6 35B-A3B mendahului pembangunan ulang v5, sehingga berada pada skala yang berbeda dan tidak dapat disandingkan dengan milik Nanbeige. Yang dapat dikatakan bersifat indikatif dan selaras dengan pengguna kedua keluarga model: model Qwen lebih banyak tahu, model Nanbeige lebih sering menolak menjawab.

• Penalaran — GPQA Diamond 84.8 dengan penalaran diaktifkan dan 84.1 pada setelan yang dievaluasi untuk Qwen 3.6 35B-A3B. Kartu Nanbeige4.3-33B mengklaim 89.5, belum direproduksi.

Mengapa Nanbeige memilih Qwen3.8-27B sebagai gantinya

Ada alasan yang dapat dipertahankan untuk melakukan benchmark model dense 33B terhadap model dense 27B dan bukan terhadap mixture of experts 35B, dan itu bukan ketidakjujuran. Alasannya adalah bahwa perbandingan yang setara pada arsitektur yang sama membuat perbandingan tersebut tentang kualitas pelatihan, bukan tentang efisiensi serving. Dua model dense pada skala serupa memberi tahu Anda lab mana yang melatih dengan lebih baik. Perbandingan dense versus MoE memberi tahu Anda desain mana yang lebih murah, yang merupakan pertanyaan berbeda dengan jawaban yang berbeda.

Namun pilihan itu memiliki biaya bagi pembaca, karena kebanyakan orang yang memilih model memilih berdasarkan total biaya kepemilikan, bukan kualitas pelatihan secara abstrak. Pada sumbu itu, Qwen 3.6 35B-A3B memiliki keunggulan yang tidak pernah ditampilkan tabel Nanbeige: parameter aktif 3B berarti Anda dapat menjalankannya pada perangkat keras yang mungkin sudah Anda miliki, dan model itu menerima tangkapan layar serta frame video, yang tidak dapat dilakukan model dense 33B pada harga berapa pun.

Argumen tandingannya sama konkretnya. Nanbeige4.3-33B menampung 524.288 token secara native tanpa scaling, dan arsitektur dense membuat perilaku konteks panjangnya dapat diprediksi dengan cara yang tidak dimiliki model sparse. Dengan cache KV sebesar 208 KiB per token di 52 lapisan, jendela penuhnya memakan sekitar 104 GiB — yang merupakan peringatan, bukan nilai jual, tetapi itu juga berarti tidak ada aproksimasi tersembunyi antara apa yang dijanjikan kartu dan apa yang dilakukan model.

Ke mana keputusan itu sebenarnya bermuara

Jika pekerjaan Anda bersifat multimodal, Qwen 3.6 35B-A3B adalah jawabannya bahkan sebelum benchmark apa pun dirujuk. Nanbeige4.3-33B hanya untuk teks, dan model dengan 3B parameter aktif yang membaca gambar dengan seperempat biaya per token bukanlah pilihan kedua yang hampir setara untuk pipeline tangkapan layar.

Jika pekerjaan Anda adalah otomatisasi terminal jangka panjang dan Anda memiliki empat GPU, nilai 29,8% Nanbeige4.3-33B pada Terminal-Bench 4.0 adalah angka eksternal terkuat yang dipublikasikan di antara kedua model ini, dan tingkat non-halusinasi model tersebut sebesar 81,8% adalah sifat yang mencegah loop agen dengan percaya diri melakukan hal yang salah selama dua puluh menit. Itu adalah keunggulan nyata dan bukan tanpa biaya.

Bagi mereka yang berada di antara kedua opsi itu, jawaban praktisnya adalah bahwa Qwen 3.6 35B-A3B adalah model yang dapat Anda evaluasi sore ini dan Nanbeige4.3-33B adalah model yang Anda evaluasi setelah pembelian perangkat keras. Qwen 3.6 35B-A3B ada dalam katalog OrcaRouter dengan harga di atas, pada kunci yang sama dengan 200+ model lainnya, dengan failover otomatis antar penyedia upstream dan DSL routing jika Anda ingin membagi lalu lintas antara model tersebut dan model kedua tanpa menulis klien kedua. Nanbeige4.3-33B tidak ada dalam katalog — kami tidak menghostingnya, dan tidak ada dalam artikel ini yang mengklaim bahwa kami menghostingnya.

Asimetri itu adalah ringkasan jujur dari seluruh perbandingan. Salah satu model ini adalah layanan yang dapat Anda ukur dan tinggalkan dalam waktu satu sore. Yang lain adalah checkpoint yang Anda adopsi. Nanbeige membangun jenis kedua dengan sengaja: ia adalah seorang guru, demikian kata kartunya, dan siswa 3B yang akan membuatnya penting belum dirilis.