Nanbeige4.3-33B vs Xing 4.0 29B-A4B: il divario terminale di 23 punti e l'inversione di 16 punti

Nanbeige4.3-33B e Xing 4.0 29B-A4B sono la stessa proposta presentata da direzioni opposte. Il primo è un modello dense da 33 miliardi di parametri del Nanbeige LLM Lab di BOSS Zhipin, pubblicato il 24 ottobre 2026 con licenza Apache 2.0, con una finestra di contesto di 524.288 token e una ricetta di serving che presuppone quattro GPU. Il secondo è un mixture of experts da 29 miliardi di parametri di TeleAI, la divisione di China Telecom, con pesi pubblici dal 16 settembre 2026, che attiva circa 4 miliardi di parametri per token e la cui scheda stessa dichiara che sta in una singola scheda consumer da 24GB a 4 bit. Entrambi puntano al coding agentico e ai lunghi cicli di tool. Entrambi sono distribuiti con pesi aperti. Nessuno li ha mai messi a confronto diretto, nemmeno i loro stessi laboratori: la scheda di Nanbeige riporta benchmark contro Qwen3.8-27B, Muse-Glimmer-30B e Gemma4-31B; quella di Xing contro Gemma4-26B-A4B e Qwen3.6-35B-A3B. Non si citano mai a vicenda.

Non è un divario che si possa mascherare con una tabella comparativa, perché le due tabelle dei fornitori usano harness diversi, campionamenti diversi e insiemi di concorrenti diversi. Quello che si può fare è più limitato e più utile: individuare le righe che i due laboratori hanno in comune, leggere le note a piè di pagina che stabiliscono se quelle righe significano qualcosa, e poi separare il modello che è stato misurato da qualcuno che non è stato pagato per misurarlo da quello che non lo è stato.

33 miliardi dense contro 4 miliardi attivi, prima che qualsiasi benchmark venga eseguito

La differenza architetturale non è una frase a effetto. È il conto, la latenza e il piano di deployment, e si decide prima che uno dei due modelli risponda anche a un solo prompt.

Nanbeige4.3-33B è un decoder denso standard — LlamaForCausalLM, 52 layer, dimensione nascosta 7.168, attenzione grouped-query con 56 teste query e 8 teste KV. Ogni token generato paga per tutti i 33,1 miliardi di parametri. Il checkpoint BF16 è di 66,3 GB distribuito su quattordici shard safetensors, e sia le ricette vLLM sia SGLang nel repository specificano un tensor parallelism pari a 4, il che indica che la macchina prevista è un nodo a quattro GPU anziché una workstation.

Xing 4.0 29B-A4B è sparso: 29 miliardi di parametri nel checkpoint, 64 esperti instradati con 4 attivi più uno condiviso, 40 strati, dimensione nascosta 3,584, costruito su quello che la sua scheda chiama mHC + MLA + MTP. Il calcolo per token scala con i 4 miliardi di parametri attivi, non con i 29 miliardi memorizzati. Il fornitore dichiara una quantizzazione a 4 bit con circa 15 GB di VRAM, il che lo collocherebbe su una RTX 3090 o 4090 — un'affermazione che vale la pena verificare rispetto al file quantizzato effettivo prima di acquistare hardware su questa base, perché il repository riporta una dimensione del tensore di 31 miliardi di parametri per il checkpoint completo e i due numeri non quadrano bene insieme.

Tutto il resto deriva da quella divisione.

• Contesto — Nanbeige4.3-33B 524.288 token, nativi, senza estensione YaRN nella ricetta; Xing 4.0 29B-A4B 262.144 nativi, descritto come estendibile a 512K, sebbene non sia pubblicata alcuna ricetta di estensione.

• Ingombro pratico minimo — Nanbeige4.3-33B: 66,3 GB di pesi BF16 prima della cache KV, tensor parallel a quattro vie; Xing 4.0 29B-A4B: circa 15 GB a 4 bit secondo quanto dichiarato dal fornitore stesso, una sola scheda.

• Stack di addestramento — Nanbeige4.3-33B non è documentato in dettaglio; Xing 4.0 29B-A4B è stato addestrato end-to-end su cluster Ascend 910C con MindSpore e MindFormers, con un miglioramento dichiarato del 96% del throughput rispetto alla baseline out-of-the-box del fornitore stesso. Si tratta di un'affermazione basata su una baseline interna e priva di un punto di riferimento pubblico, quindi non verificabile dall'esterno, ma è la dichiarazione ingegneristica più interessante dei due rilasci.

• Licenza — Apache 2.0 su entrambi, il che rende pari a zero il prezzo di download per entrambi e sposta interamente il dibattito su hardware e token.

Cinque righe eseguite da entrambi i laboratori, e le due che non concordano

Le due schede modello condividono cinque nomi di benchmark: Terminal-Bench 2.1, Tau3-Bench, Claw-Eval, AIME2026 e AA.LCR. Leggerle trasversalmente è l'unico confronto quantitativo disponibile, e sono le note a piè di pagina a decretare se regge o crolla.

• Terminal-Bench 2.1 — Nanbeige4.3-33B 80,9, Xing 4.0 29B-A4B 57,5. Entrambi i laboratori dichiarano di averlo eseguito in Terminus 2, il che lo rende l'elemento più vicino a uno strumento condiviso in entrambe le tabelle. Non è comunque lo stesso esperimento: la scheda di Xing specifica temperatura 0,8, top-p 0,95, massimo 64K token, timeout di 24 ore e la media di tre esecuzioni; quella di Nanbeige indica l'harness e nient'altro. Un divario di 23 punti con harness quasi identici è il segnale singolo più forte in questo confronto, ed è comunque un segnale, non una misurazione.

• Tau3-Bench — Nanbeige4.3-33B 48,8, Xing 4.0 29B-A4B 64,63. Questa è l'inversione, ed è ampia. Xing vince il dialogo sull'uso degli strumenti di quasi 16 punti, sulla famiglia di benchmark che testa più direttamente il function calling multi-turno. Il caveat è la metrica: Xing riporta pass^1 mediato su quattro esecuzioni sull'harness ufficiale tau-bench; Nanbeige afferma di aver usato i repository ufficiali ma non specifica l'aggregazione, e colloca la riga sotto agentic coding anziché tool use.

• Claw-Eval — Nanbeige4.3-33B 78,3 con pass^3, Xing 4.0 29B-A4B 76,55. Questo andrebbe scartato invece che letto. La nota a piè di pagina di Nanbeige dice che ha valutato solo il sottoinsieme Claw-Eval General, 157 attività a turno singolo; quella di Xing non nomina alcun sottoinsieme. Una differenza di 1,75 punti tra due versioni senza nome dello stesso benchmark è rumore travestito da risultato.

• AIME2026 — Nanbeige4.3-33B 95.2, Xing 4.0 29B-A4B 90.0. Matematica da competizione, media di cinque esecuzioni sul lato Xing, massimo 131,072 token; il campionamento di Nanbeige è ancora non dichiarato. Entrambi sono forti, l'ordinamento è coerente con il risultato finale e nessuno dei due numeri dice granché sul lavoro effettivo di ciascun modello.

• AA.LCR — Nanbeige4.3-33B 84.0, Xing 4.0 29B-A4B 61.0. Ragionamento su contesti lunghi e il divario proporzionale più ampio dopo Terminal-Bench. Vale la pena segnalare che questo è il benchmark di Artificial Analysis eseguito da due fornitori, quindi nessuno dei due valori è un dato di Artificial Analysis.

Quattro dei cinque favoriscono Nanbeige4.3-33B. Quello che si ribalta è quello sulla chiamata degli strumenti in sequenza, cioè ciò che un agente fa tutto il giorno. Questa contraddizione è la cosa più utile presente su entrambe le schede, e nessuno dei due laboratori l'ha affrontata.

C'è una nota di credibilità che gioca a favore di Nanbeige proprio sulla riga terminale. La sua stessa scheda dichiara Terminal-Bench 4.0 a 23,8; Artificial Analysis, eseguendo il proprio harness, ha misurato 29,8. La misurazione esterna è stata di sei punti più alta rispetto alla dichiarazione del fornitore stesso, il che è l'opposto della direzione usuale e suggerisce che la tabella del fornitore qui non sia gonfiata. Xing 4.0 29B-A4B non ha un controllo equivalente.

Solo uno di questi modelli ha un numero che nessuno ha pagato.

Nanbeige4.3-33B è stato valutato. Artificial Analysis lo colloca a 20 sull'Intelligence Index v5.0.1 — primo su nove nella sua classe di confronto open-weight, contro una mediana della classe pari a 10, e 76º nella classifica di tutti i modelli. I punteggi parziali sono più informativi del punteggio composito: Terminal-Bench 4.0 al 29,8%, FrontierCode 2.0 al 10,7% e un tasso di non-allucinazione dell'81,8%, che è il settimo miglior valore del sito. Rifiuta molte domande. Per un modello costruito esplicitamente come insegnante di distillazione, è un vantaggio.

Xing 4.0 29B-A4B non ha alcuna voce su Artificial Analysis. Non una voce mediocre — nessuna. Il sito restituisce 404 per lo slug del modello in entrambe le grafie plausibili, e non esiste alcun valore composito, sotto-punteggio, prezzo o dato di velocità per esso in nessun punto di quella classifica.

Quell'asimmetria determina tutto ciò che un articolo comparativo può onestamente affermare. I due modelli si possono confrontare sulle tabelle dei fornitori, con le avvertenze in nota di cui sopra. Non si possono confrontare sull'unico strumento che nessuno dei due laboratori controlla, perché solo uno dei due vi è presente. Qualunque articolo che metta questi due modelli l'uno contro l'altro su un terreno neutrale si sta inventando il terreno neutrale.

Dove il disegno di legge diverge effettivamente

Se devi scegliere tra i due, il prezzo di un token non è il numero decisivo — lo è il costo per portare a termine un'attività, e sul fronte Nanbeige si sommano tre moltiplicatori distinti.

Il primo è la densità: 33 miliardi di parametri letti per token di output contro circa 4 miliardi. Qualunque hardware possiedi, si tratta di un grande multiplo in termini di calcolo per token prima di considerare qualsiasi altra cosa.

Il secondo è la verbosità, ed è misurata anziché presunta. Artificial Analysis riporta che Nanbeige4.3-33B ha generato 160 milioni di token di output nel corso della sua esecuzione dell'Intelligence Index, rispetto a una mediana della classe di 77,7 milioni — 2,06 volte la mediana, e ottavo su otto nella classifica di verbosità del sito. La scheda del modello stesso ne spiega in parte il motivo: il thinking è attivo per impostazione predefinita, e il tetto consigliato è di 262.144 token per il lavoro di ragionamento. Qualsiasi modello a cui venga detto che può pensare per un quarto di milione di token ne userà alcuni.

Mettendo insieme queste due cose, un modello denso che parla anche il doppio non costa il doppio da eseguire per ogni attività completata; ci si avvicina a un ordine di grandezza. Questo è il vero contenuto del confronto tra 33B e 4B attivi, e non compare da nessuna parte in nessuna delle due tabelle di benchmark.

Il terzo è sconosciuto, ed è sconosciuto a favore di Xing solo per default. Nessuno ha pubblicato un dato di verbosità per Xing 4.0 29B-A4B, quindi un modello con 4B attivi e senza alcuna misurazione dell'efficienza in token potrebbe essere davvero economico per attività oppure potrebbe emettere abbastanza token da cancellare parte del vantaggio. Stai confrontando un modello costoso misurato con uno economico non misurato.

Cosa puoi chiamare oggi

Nessuno dei due modelli è ospitato nel senso comune del termine, e la differenza tra loro è minore di quanto suggerisca la copertura del lancio.

Nanbeige4.3-33B non dispone di alcuna API. La sua pagina su Hugging Face indica che il modello non è distribuito da nessun fornitore di inferenza, e Artificial Analysis non registra alcuna API disponibile pubblicamente e lascia vuoti i campi relativi al prezzo. Per accedervi bisogna scaricare 66 GB di pesi ed eseguirli su hardware di tua proprietà o che noleggi.

Xing 4.0 29B-A4B ha i pesi dal 16 settembre e una rotta a consumo apparsa a metà ottobre: un marketplace di terze parti lo elenca a $0,22 per milione di token di input e $0,90 per milione di output, e una variante promozionale gratuita dello stesso endpoint è stata elencata accanto ad esso. Il pannello dei provider di inferenza di Hugging Face è ancora vuoto, quindi il percorso ospitato passa attraverso i marketplace anziché il fornitore, e un livello promozionale non è un prezzo su cui dovresti basare un budget.

Per essere diretti sulla nostra posizione: nessuno dei due modelli è oggi nel catalogo di OrcaRouter, quindi non siamo una via per nessuno dei due, e nulla di quanto segue finge il contrario. Il punto in cui un router si guadagna il suo posto in una decisione come questa è quello di controllo. Il modo più economico per scoprire se un modello dense da 33B self-hosted vale quattro GPU è metterlo accanto a qualcosa che puoi chiamare a consumo per token e misurarli entrambi sui tuoi task — e il controllo ovvio qui è il modello rispetto al quale la scheda di Nanbeige stessa riporta i benchmark. Qwen3.8-27B è nel nostro catalogo a $0,33 per milione di token in input e $2,40 per milione in output, Artificial Analysis gli assegna 20,1 contro il 20 di Nanbeige, e usa la stessa chiave del resto del catalogo con i prezzi di listino dei provider trasferiti senza ricarichi. Questo rende il confronto una regola di routing anziché un secondo contratto.

Chi dovrebbe scegliere cosa

La distinzione è leggibile una volta che accetti che questa è una decisione tra capacità e costo, non una decisione tra capacità e capacità.

Nanbeige4.3-33B è la scelta quando il lavoro da terminale è il prodotto. Un vantaggio di 23 punti su un harness Terminus 2 quasi condiviso, il valore di non-allucinazione più alto della sua classe, una finestra nativa da 512K e un punteggio indipendente superiore alla stessa dichiarazione del fornitore: è un modello che vale quattro GPU se il tuo carico di lavoro consiste in codice e attività da shell a lungo orizzonte, e se puoi assorbire una bolletta token circa doppia rispetto alla mediana della classe.

Xing 4.0 29B-A4B è la scelta quando una singola scheda e una fattura a consumo sono i vincoli. Un vantaggio di 16 punti su Tau3-Bench, un ingombro che il fornitore dichiara compatibile con una scheda da 24 GB, un quarto del calcolo per token di Nanbeige, e l'unico dei due con un prezzo che puoi pagare senza comprare hardware. È anche il modello più debole nell'unica riga in cui gli harness coincidono maggiormente, quindi la ragione per sceglierlo è economica e operativa, non di capacità.

Due cose chiarirebbero i punti che restano aperti. Un'esecuzione di Artificial Analysis su Xing 4.0 29B-A4B trasformerebbe un confronto asimmetrico in uno simmetrico, e un dato Tau3-Bench di Nanbeige con un'aggregazione dichiarata ti direbbe se l'inversione di 16 punti è una reale debolezza nell'uso degli strumenti o un artefatto di due metriche diverse che condividono lo stesso nome. Finché non si concretizza una delle due, il riassunto onesto è che Nanbeige4.3-33B è il modello più forte sulla base delle evidenze disponibili e Xing 4.0 29B-A4B è quello che puoi permetterti di eseguire — e l'ampiezza di questo compromesso è una questione che riguarda il tuo mix di attività, non l'una o l'altra scheda.