Nanbeige4.3-33B vs Xing 4.0 29B-A4B: Kesenjangan Terminal 23 Poin dan Pembalikan 16 Poin

Nanbeige4.3-33B dan Xing 4.0 29B-A4B adalah tawaran yang sama yang disampaikan dari arah berlawanan. Yang pertama adalah model dense berparameter 33 miliar dari Lab LLM Nanbeige milik BOSS Zhipin, diterbitkan pada 24 Oktober 2026 dengan lisensi Apache 2.0, dengan konteks 524.288 token dan resep serving yang mengasumsikan empat GPU. Yang kedua adalah mixture of experts berparameter 29 miliar dari TeleAI milik China Telecom, dengan bobot yang publik sejak 16 September 2026, yang mengaktifkan sekitar 4 miliar parameter per token dan yang kartu modelnya sendiri mengklaim dapat muat di satu kartu konsumen 24GB pada 4-bit. Keduanya menyasar pengkodean agentik dan loop alat yang panjang. Keduanya dirilis dengan bobot terbuka. Belum ada yang membandingkan keduanya secara langsung, termasuk lab mereka sendiri — kartu Nanbeige melakukan benchmark terhadap Qwen3.8-27B, Muse-Glimmer-30B, dan Gemma4-31B; kartu Xing melakukan benchmark terhadap Gemma4-26B-A4B dan Qwen3.6-35B-A3B. Keduanya tidak pernah menyebut satu sama lain.

Itu bukan kesenjangan yang bisa ditutupi dengan tabel perbandingan, karena kedua tabel vendor menggunakan harness yang berbeda, pengambilan sampel yang berbeda, dan kumpulan pesaing yang berbeda. Yang bisa Anda lakukan lebih sempit dan lebih berguna: temukan baris-baris yang kebetulan sama-sama dimiliki kedua lab, baca catatan kaki yang menentukan apakah baris-baris itu bermakna, lalu pisahkan model yang telah diukur oleh pihak yang tidak dibayar untuk mengukurnya dari model yang belum diukur oleh pihak seperti itu.

33 miliar dense dibandingkan 4 miliar aktif, sebelum benchmark apa pun dijalankan

Perbedaan arsitektural bukanlah bahan pembicaraan. Itu adalah tagihan, latensi, dan rencana penerapan, dan hal itu ditentukan sebelum model mana pun menjawab satu prompt pun.

Nanbeige4.3-33B adalah decoder dense standar — LlamaForCausalLM, 52 lapisan, ukuran tersembunyi 7.168, attention grouped-query dengan 56 head query dan 8 head KV. Setiap token yang dihasilkan harus membayar seluruh 33,1 miliar parameter. Checkpoint BF16 berukuran 66,3 GB dalam empat belas shard safetensors, dan resep vLLM maupun SGLang di repositori menetapkan paralelisme tensor 4, yang menunjukkan bahwa mesin yang dituju adalah node empat GPU, bukan workstation.

Xing 4.0 29B-A4B bersifat sparse: 29 miliar parameter dalam checkpoint, 64 routed expert dengan 4 aktif ditambah satu shared, 40 layer, hidden size 3.584, dibangun di atas apa yang disebut kartunya sebagai mHC + MLA + MTP. Komputasi per token berskala dengan 4 miliar parameter aktif, bukan 29 miliar parameter yang tersimpan. Vendor mengklaim kuantisasi 4-bit pada sekitar 15 GB VRAM, yang akan menempatkannya di RTX 3090 atau 4090 — klaim yang layak diperiksa terhadap file terkuantisasi yang sebenarnya sebelum Anda membeli perangkat keras berdasarkan itu, karena repositori melaporkan ukuran tensor 31B parameter untuk checkpoint penuh dan kedua angka itu terasa janggal jika disandingkan.

Semua hal lainnya mengikuti dari pemisahan itu.

• Konteks — Nanbeige4.3-33B 524.288 token, native, tanpa ekstensi YaRN dalam resep; Xing 4.0 29B-A4B 262.144 native, dijelaskan dapat diperluas hingga 512K, meskipun tidak ada resep ekstensi yang diterbitkan.

• Jejak praktis minimum — Nanbeige4.3-33B 66,3 GB bobot BF16 sebelum KV cache, paralel tensor empat arah; Xing 4.0 29B-A4B sekitar 15 GB pada 4-bit menurut klaim vendor sendiri, satu kartu.

• Stack pelatihan — Nanbeige4.3-33B tidak didokumentasikan secara rinci; Xing 4.0 29B-A4B dilatih secara end-to-end pada klaster Ascend 910C dengan MindSpore dan MindFormers, dengan klaim peningkatan throughput 96% dibandingkan baseline out-of-the-box milik vendor sendiri. Itu adalah klaim berbasis baseline internal tanpa titik referensi publik, sehingga tidak dapat diverifikasi dari luar, tetapi itu adalah pernyataan rekayasa yang lebih menarik dari kedua rilis tersebut.

• Lisensi — Apache 2.0 pada keduanya, yang membuat harga unduhan menjadi nol untuk keduanya dan sepenuhnya menggeser perdebatan ke perangkat keras dan token.

Lima baris dijalankan oleh kedua lab, dan dua yang tidak cocok.

Kedua kartu model berbagi lima nama benchmark: Terminal-Bench 2.1, Tau3-Bench, Claw-Eval, AIME2026, dan AA.LCR. Membaca lintas keduanya adalah satu-satunya perbandingan kuantitatif yang tersedia, dan catatan kaki adalah tempat perbandingan itu bertahan atau runtuh.

• Terminal-Bench 2.1 — Nanbeige4.3-33B 80,9, Xing 4.0 29B-A4B 57,5. Kedua lab menyatakan mereka menjalankannya di Terminus 2, yang menjadikannya hal terdekat dengan instrumen bersama di kedua tabel tersebut. Namun, ini tetap bukan eksperimen yang sama: kartu Xing mencantumkan suhu 0,8, top-p 0,95, maks 64K token, batas waktu 24 jam, dan rata-rata dari tiga percobaan; kartu Nanbeige hanya menyebut harness dan tidak menyebut hal lain. Selisih 23 poin dengan harness yang hampir identik adalah sinyal tunggal terkuat dalam perbandingan ini, dan itu tetap merupakan sinyal, bukan pengukuran.

• {{1}}Tau3-Bench — Nanbeige4.3-33B 48.8, Xing 4.0 29B-A4B 64.63{{/1}}. Ini adalah pembalikan, dan skalanya besar. {{2}}Xing menang dialog penggunaan alat dengan hampir 16 poin, pada keluarga benchmark yang paling langsung menguji pemanggilan fungsi multi-putaran.{{/2}} Catatan pentingnya adalah metrik: Xing melaporkan pass^1 yang dirata-ratakan selama empat kali menjalankan pada harness tau-bench resmi; Nanbeige mengatakan menggunakan repositori resmi tetapi tidak menyatakan agregasinya, dan mencantumkan baris tersebut di bawah pengkodean agentik alih-alih penggunaan alat.

• Claw-Eval — Nanbeige4.3-33B 78.3 pada pass^3, Xing 4.0 29B-A4B 76.55. Yang ini sebaiknya dibuang daripada dibaca. Catatan kaki Nanbeige menyatakan bahwa mereka hanya mengevaluasi subset Claw-Eval General, 157 tugas satu giliran; catatan kaki Xing tidak menyebutkan subset. Perbedaan 1,75 poin antara dua versi tanpa nama dari benchmark yang sama adalah derau yang mengenakan pakaian hasil.

• AIME2026 — Nanbeige4.3-33B 95,2, Xing 4.0 29B-A4B 90,0. Matematika kompetisi, lima kali percobaan dirata-ratakan di sisi Xing, maksimum 131.072 token; metode sampling Nanbeige kembali tidak disebutkan. Keduanya kuat, urutannya konsisten dengan hasil akhir, dan tidak ada dari kedua angka itu yang memberi tahu banyak tentang pekerjaan sebenarnya masing-masing model.

• AA.LCR — Nanbeige4.3-33B 84.0, Xing 4.0 29B-A4B 61.0. Penalaran konteks panjang, dan celah proporsional terlebar setelah Terminal-Bench. Perlu dicatat bahwa ini adalah benchmark milik Artificial Analysis yang dijalankan oleh dua vendor, jadi tidak ada satu pun angka tersebut yang merupakan angka Artificial Analysis.

Empat dari lima mendukung Nanbeige4.3-33B. Yang membalikkan hasil adalah yang tentang memanggil alat secara berurutan, yang justru dilakukan agen sepanjang hari. Kontradiksi itu adalah hal paling berguna di kedua kartu, dan tidak satu pun dari kedua lab itu yang membahasnya.

Ada catatan kredibilitas yang menguntungkan Nanbeige khususnya pada baris terminal. Kartu miliknya sendiri mengklaim Terminal-Bench 4.0 sebesar 23.8; Artificial Analysis, yang menjalankan harness-nya sendiri, mengukur 29.8. Pengukuran dari luar lebih tinggi enam poin daripada klaim vendor itu sendiri, yang merupakan kebalikan dari arah yang biasa dan menunjukkan bahwa tabel vendor di sini tidak dilebih-lebihkan. Xing 4.0 29B-A4B tidak memiliki pemeriksaan yang setara.

Hanya satu dari model-model ini yang memiliki nomor yang tidak dibayar oleh siapa pun

Nanbeige4.3-33B telah dinilai. Artificial Analysis menempatkannya pada 20 di Intelligence Index v5.0.1 — pertama dari sembilan dalam kelas perbandingan open-weight-nya dengan median kelas 10, dan ke-76 dalam daftar seluruh model. Sub-skor lebih informatif daripada komposit: Terminal-Bench 4.0 sebesar 29,8%, FrontierCode 2.0 sebesar 10,7%, dan tingkat non-halusinasi 81,8%, yang merupakan angka terbaik ketujuh di situs tersebut. Model ini menolak banyak pertanyaan. Bagi model yang secara eksplisit dibangun sebagai guru distilasi, itu adalah fitur.

Xing 4.0 29B-A4B tidak memiliki entri Artificial Analysis. Bukan entri yang buruk — tidak ada sama sekali. Situs mengembalikan 404 untuk slug model tersebut dalam kedua ejaan yang masuk akal, dan tidak ada angka komposit, sub-skor, harga, atau kecepatan untuk model itu di mana pun di papan tersebut.

Asimetri itu menentukan semua yang dapat diklaim secara jujur oleh sebuah artikel perbandingan. Kedua model dapat dibandingkan pada tabel vendor, dengan peringatan catatan kaki di atas. Keduanya tidak dapat dibandingkan pada satu instrumen yang tidak dikendalikan oleh laboratorium mana pun, karena hanya satu di antaranya yang berada di instrumen itu. Setiap tulisan yang memeringkat keduanya satu terhadap yang lain di atas landasan netral sedang mengarang landasan netral itu.

Di mana RUU itu sebenarnya berbeda

Jika Anda memilih di antara keduanya, harga sebuah token bukanlah angka penentu — biaya untuk menyelesaikan suatu tugaslah yang menentukan, dan tiga pengali terpisah menumpuk di sisi Nanbeige.

Yang pertama adalah kepadatan: 33 miliar parameter dibaca per token keluaran dibandingkan sekitar 4 miliar. Apa pun perangkat keras yang Anda miliki, itu adalah kelipatan besar dalam komputasi per token sebelum hal lain dipertimbangkan.

Yang kedua adalah verbositas, dan itu diukur, bukan diasumsikan. Artificial Analysis melaporkan bahwa Nanbeige4.3-33B menghasilkan 160 juta token keluaran sepanjang uji Intelligence Index-nya, dibandingkan median kelas sebesar 77,7 juta — 2,06 kali median, dan kedelapan dari delapan dalam peringkat verbositas situs tersebut. Kartu model itu sendiri menjelaskan sebagiannya: mode berpikir aktif secara default, dan batas atas yang direkomendasikan adalah 262.144 token untuk pekerjaan penalaran. Model apa pun yang diberi tahu bahwa ia boleh berpikir hingga seperempat juta token akan menggunakan sebagian token itu.

Gabungkan keduanya, dan model dense yang juga berbicara dua kali lebih banyak tidak menjadi dua kali lebih mahal untuk dijalankan per tugas yang diselesaikan; biayanya lebih mendekati satu orde besaran. Itulah isi sebenarnya dari perbandingan 33B versus 4B-aktif, dan itu tidak muncul di mana pun dalam kedua tabel benchmark.

Yang ketiga tidak diketahui, dan ketidaktahuan itu hanya menguntungkan Xing secara default. Belum ada yang menerbitkan angka verbositas untuk Xing 4.0 29B-A4B, jadi model dengan 4B aktif tanpa pengukuran efisiensi token bisa benar-benar murah per tugas atau bisa mengeluarkan token cukup banyak untuk menghapus sebagian keunggulannya. Anda membandingkan model mahal yang terukur dengan model murah yang belum terukur.

Apa yang dapat Anda sebut hari ini

Tidak ada model yang di-hosting dalam pengertian biasa, dan perbedaan di antara keduanya lebih kecil daripada yang disiratkan oleh liputan peluncuran.

Nanbeige4.3-33B sama sekali tidak memiliki API. Halaman Hugging Face-nya menyatakan bahwa model tersebut tidak disediakan oleh penyedia inferensi mana pun, dan Artificial Analysis mencatat tidak ada API yang tersedia untuk publik serta membiarkan kolom harga kosong. Akses berarti mengunduh bobot 66 GB dan menjalankannya pada perangkat keras yang Anda miliki atau sewa.

Xing 4.0 29B-A4B memiliki bobot sejak 16 September dan rute berbayar per penggunaan yang muncul pada pertengahan Oktober: marketplace pihak ketiga mencantumkannya pada $0,22 per juta token masukan dan $0,90 per juta token keluaran, dan varian promosi gratis dari endpoint yang sama telah dicantumkan bersamanya. Panel penyedia inferensi Hugging Face masih kosong, sehingga jalur hosted berjalan melalui marketplace alih-alih vendor, dan tier promosi bukanlah harga yang seharusnya menjadi dasar anggaran Anda.

Untuk berbicara terus terang tentang posisi kami sendiri: tidak ada dari kedua model tersebut yang ada di katalog OrcaRouter saat ini, jadi kami bukan jalur menuju salah satunya, dan tidak ada satu pun di bawah ini yang berpura-pura sebaliknya. Yang membuat sebuah router layak dipertimbangkan dalam keputusan seperti ini adalah perannya sebagai pembanding kontrol. Cara termurah untuk mengetahui apakah model dense 33B yang di-self-host layak menghabiskan empat GPU adalah dengan menempatkannya di samping sesuatu yang bisa Anda panggil per token dan mengukur keduanya pada tugas-tugas Anda sendiri — dan pembanding kontrol yang jelas di sini adalah model yang menjadi acuan benchmark pada kartu model Nanbeige itu sendiri. Qwen3.8-27B ada di katalog kami dengan harga $0.33 per juta token input dan $2.40 per juta token output, Artificial Analysis memberinya skor 20,1 berbanding 20 milik Nanbeige, dan model ini menggunakan kunci yang sama dengan seluruh katalog lainnya dengan harga daftar dari provider diteruskan tanpa markup. Itu menjadikan perbandingan ini sebagai aturan routing, bukan kontrak kedua.

Siapa yang harus memilih yang mana

Perbedaan itu menjadi jelas begitu Anda menerima bahwa ini adalah keputusan antara kemampuan dan biaya, bukan antara kemampuan dan kemampuan.

Nanbeige4.3-33B adalah pilihan ketika pekerjaan terminal adalah produknya. Keunggulan 23 poin pada harness Terminus 2 yang hampir sama, angka non-halusinasi tertinggi di kelasnya, jendela 512K native, dan skor independen yang berada di atas klaim vendor sendiri—itu adalah model yang layak untuk empat GPU jika beban kerja Anda adalah pekerjaan kode dan shell jangka panjang, dan jika Anda mampu menanggung tagihan token sekitar dua kali median kelas.

Xing 4.0 29B-A4B adalah pilihan ketika satu kartu dan tagihan berbasis pemakaian menjadi kendala. Keunggulan 16 poin pada Tau3-Bench, jejak yang menurut vendor muat di kartu 24GB, seperempat komputasi per token Nanbeige, dan satu-satunya dari keduanya dengan harga yang bisa dibayar tanpa membeli perangkat keras. Model ini juga yang lebih lemah pada satu baris tempat harness paling mendekati cocok, jadi alasan memilihnya bersifat ekonomis dan operasional, bukan kemampuan.

Dua hal akan menyelesaikan bagian-bagian yang masih terbuka. Hasil pengujian Artificial Analysis pada Xing 4.0 29B-A4B akan mengubah perbandingan asimetris menjadi simetris, dan angka Tau3-Bench dari Nanbeige dengan metode agregasi yang dinyatakan akan memberi tahu Anda apakah pembalikan 16 poin itu merupakan kelemahan nyata dalam penggunaan alat atau artefak dari dua metrik berbeda yang kebetulan bernama sama. Sampai salah satunya terwujud, ringkasan jujurnya adalah bahwa Nanbeige4.3-33B adalah model yang lebih kuat berdasarkan bukti yang ada dan Xing 4.0 29B-A4B adalah model yang mampu Anda jalankan — dan besarnya pertukaran itu adalah pertanyaan tentang campuran tugas Anda, bukan tentang salah satu dari kedua kartu tersebut.