Nanbeige4.3-33B vs Xing 4.0 29B-A4B：23ポイントの最終ギャップと16ポイントの逆転

Nanbeige4.3-33BとXing 4.0 29B-A4Bは、正反対の方向から提示された同じ主張だ。前者はBOSS ZhipinのNanbeige LLM Labによる330億パラメータの密モデルで、2026年10月24日にApache 2.0で公開され、524,288トークンのコンテキストを持ち、配備レシピは4基のGPUを前提としている。後者はChina TelecomのTeleAIによる290億パラメータのMixture of Expertsで、2026年9月16日から重みが公開されており、トークンあたり約40億パラメータを活性化し、自身のモデルカードでは4ビットで単一の24GBコンシューマー向けカードに収まると主張している。どちらもエージェント型コーディングと長いツールループを対象としている。どちらもオープンウェイトで提供される。どちらも、自社ラボを含め、誰も直接比較したことはない——NanbeigeのモデルカードはQwen3.8-27B、Muse-Glimmer-30B、Gemma4-31Bに対してベンチマークし、XingのモデルカードはGemma4-26B-A4BとQwen3.6-35B-A3Bに対してベンチマークしている。両者が互いに言及することはない。

それは比較表で取り繕えるような差ではありません。なぜなら、2社のベンダー表は異なるハーネス、異なるサンプリング、異なる競合セットを使っているからです。できることは、より狭く、より有益です。2つのラボがたまたま共有している行を見つけ、その行に意味があるかどうかを左右する脚注を読み、そして、測定するために対価を支払われていない人物によって測定されたモデルと、そうした人物による測定がされていないモデルを区別することです。

ベンチマークを実行する前から、330億のデンスに対して40億のアクティブ

アーキテクチャの違いは、単なる話題ではない。それは請求額であり、レイテンシであり、デプロイ計画であり、どちらのモデルが1つのプロンプトに答えるよりも前に決まっているのだ。

Nanbeige4.3-33Bは標準的な密デコーダーです。LlamaForCausalLM、52層、隠れサイズ7,168、56個のクエリヘッドと8個のKVヘッドによるグループ化クエリ注意を備えています。生成されるトークンごとに、331億個すべてのパラメータ分の計算コストがかかります。BF16チェックポイントは14個のsafetensorsシャードに分かれて合計66.3 GBあり、リポジトリ内のvLLMとSGLangの両レシピがテンソル並列度4を指定していることから、想定マシンはワークステーションではなく4 GPUノードであることがわかります。

Xing 4.0 29B-A4Bはスパースです。チェックポイントには290億パラメータ、64のルーテッドエキスパートがあり、4つがアクティブで1つが共有、40層、隠れ次元3,584で、そのカードがmHC + MLA + MTPと呼ぶ構成に基づいています。トークンあたりの計算量は、保存されている290億ではなく、アクティブな40億パラメータに比例します。ベンダーは約15 GBのVRAMで4ビット量子化をうたっており、これならRTX 3090や4090に載ることになります。ただし、それを前提にハードウェアを購入する前に、実際の量子化ファイルと照らし合わせて確認する価値があります。リポジトリはフルチェックポイントのテンソルサイズを31Bパラメータと報告しており、この2つの数字は奇妙に食い違って見えるからです。

その分割から、他のすべてが導かれる。

• {{1}}コンテキスト{{/1}} — Nanbeige4.3-33B は 524,288 トークンのネイティブで、レシピに YaRN 拡張は含まれていません。Xing 4.0 29B-A4B は 262,144 のネイティブで、512K まで拡張可能と説明されていますが、拡張レシピは公開されていません。

• 実用的な最小フットプリント — Nanbeige4.3-33B は KV キャッシュを除く BF16 重みで 66.3 GB、4-way テンソル並列。Xing 4.0 29B-A4B はベンダー自身の主張によれば 4 ビットで約 15 GB、1 枚のカードで。

• トレーニングスタック — Nanbeige4.3-33B については詳細な文書化がされていない。Xing 4.0 29B-A4B は Ascend 910C クラスタ上で MindSpore と MindFormers を用いてエンドツーエンドで訓練され、ベンダー自身のすぐ使える状態のベースラインと比べてスループットが96%向上したと主張している。これは公開された参照点のない社内ベースラインに基づく主張であり、外部からは検証できない。しかし、2つのリリースのうち、工学的により興味深い記述はこちらだ。

• ライセンス — 両方とも Apache 2.0 なので、どちらもダウンロード価格はゼロになり、議論は完全にハードウェアとトークンに移ります。

両方のラボが実行した5行と、不一致だった2行

2つのモデルカードは5つのベンチマーク名を共有している：Terminal-Bench 2.1、Tau3-Bench、Claw-Eval、AIME2026、AA.LCR。両者を横断して読むことが唯一利用可能な定量的比較であり、それが成り立つか崩れるかは脚注にかかっている。

• Terminal-Bench 2.1 — Nanbeige4.3-33B 80.9、Xing 4.0 29B-A4B 57.5。両方のラボが Terminus 2 で実行したと述べており、これによりこれはどちらの表でも共通の計測器に最も近いものになっている。それでも同じ実験ではない。Xing のモデルカードは温度 0.8、top-p 0.95、最大 64K トークン、24 時間のタイムアウト、3 回の実行の平均を指定しているのに対し、Nanbeige のカードはハーネス名を挙げているだけで、それ以外は何も示していない。ほぼ同一のハーネス下での 23 ポイント差は、この比較における最強の単一シグナルであり、しかもそれは依然として測定値ではなくシグナルである。

• Tau3-Bench — Nanbeige4.3-33B 48.8、Xing 4.0 29B-A4B 64.63。これは逆転であり、しかもその差は大きい。Xingは、マルチターンの関数呼び出しを最も直接的に検証するベンチマーク群において、ツール使用対話でほぼ16ポイント勝っている。注意点は指標だ。Xingは公式tau-benchハーネス上で4回の実行にわたるpass^1平均を報告している。Nanbeigeは公式リポジトリを使用したと述べているが、集計方法は明記しておらず、またその行をツール使用ではなくエージェント型コーディングの下に記載している。

• Claw-Eval — Nanbeige4.3-33B は pass^3 で 78.3、Xing 4.0 29B-A4B は 76.55。これは読むよりも捨てるべきものだ。Nanbeige の脚注には、Claw-Eval General サブセットのみ、157 件の単一ターンタスクを評価したとある。Xing 側はサブセットを明記していない。同一ベンチマークの名称不明の2バージョン間の1.75ポイント差は、結果の衣をまとったノイズにすぎない。

• AIME2026 — Nanbeige4.3-33B 95.2、Xing 4.0 29B-A4B 90.0。競技数学で、Xing側は5回の平均、最大131,072トークン、Nanbeigeのサンプリングは今回も明記されていない。両者とも強力で、順序は最終結果と整合しており、どちらの数値も各モデルの実際の仕事ぶりについて多くを語るものではない。

• AA.LCR — Nanbeige4.3-33B 84.0、Xing 4.0 29B-A4B 61.0。長文脈推論であり、Terminal-Benchに次いで最も大きな比率差です。指摘しておきたいのは、これはArtificial Analysisのベンチマークを2社のベンダーが実行したものであり、どちらの数値もArtificial Analysisの数値ではないという点です。

5つのうち4つはNanbeige4.3-33Bを支持している。逆の結果になるのは、ツールを順番に呼び出すことに関する項目で、それはエージェントが一日中行うことだ。その矛盾は、どちらのカードにおいても最も有用な情報であり、どちらのラボもそれに対処していない。

特にターミナル行では、Nanbeigeに有利に働く信頼性に関する注記がある。同社自身のカードはTerminal-Bench 4.0を23.8と主張しているが、独自のハーネスを実行したArtificial Analysisは29.8と測定した。外部測定は6ポイント高いという結果となり、ベンダー自身の主張を上回った。これは通常の方向とは逆であり、ここのベンダー表は水増しされていないことを示唆している。Xing 4.0 29B-A4Bには同等の確認がない。

これらのモデルのうち、誰もお金を払っていない番号を持っているのは1つだけだ。

Nanbeige4.3-33Bのスコアが算出された。Artificial AnalysisはIntelligence Index v5.0.1でこれを20と評価している。オープンウェイト比較クラスでは9モデル中1位（クラス中央値は10）、全モデル一覧では76位だ。総合スコアよりサブスコアの方が情報量が多い。Terminal-Bench 4.0は29.8%、FrontierCode 2.0は10.7%、非ハルシネーション率は81.8%で、これはサイト上で7番目に良い数値である。多くの質問を辞退する。蒸留教師として明示的に作られたモデルにとって、それは特長だ。

Xing 4.0 29B-A4B には Artificial Analysis の項目が存在しません。評価が低いのではなく、項目自体がないのです。このサイトでは、モデルの slug を考えられる2通りの綴りで試してもどちらも404が返り、あのボード上にはこのモデルの総合スコア、サブスコア、価格、速度のいずれの数値もどこにも存在しません。

その非対称性が、比較記事が正直に主張できることのすべてを左右する。この2つのモデルは、上記の脚注にある注意書きを前提にしたベンダーの表の上でなら比較できる。しかし、どちらの研究所も管理していない唯一の計測器の上では比較できない。なぜなら、その計測器に載っているのは片方だけだからだ。この2つを中立な土俵で競わせて順位づけする記事は、その中立な土俵をでっち上げているにすぎない。

法案が実際にどこで分岐するのか

両者から選ぶなら、決め手となる数字はトークンの価格ではなく、タスクを完了するまでのコストであり、Nanbeige側には3つの独立した乗数が重なってのしかかる。

第一は密度です。出力トークンあたり330億個のパラメータが読み出されるのに対し、約40億個です。どんなハードウェアを持っていても、他の何かを考慮する以前に、トークンあたりの計算量が大きな倍数で異なります。

2つ目は冗長さであり、これは推測ではなく実測されています。Artificial Analysisによると、Nanbeige4.3-33BはIntelligence Indexの実行で1億6,000万出力トークンを生成し、同クラスの中央値は7,770万でした。中央値の2.06倍で、同サイトの冗長性ランキングでは8モデル中8位です。モデル自身のカードがその一部を説明しています。思考はデフォルトで有効であり、推論作業の推奨上限は262,144トークンです。25万トークン思考してよいと告げられたモデルなら、その一部を使うものです。

その2つを組み合わせると、しかも2倍多く出力するデンスモデルは、完了したタスクあたりの実行コストが2倍になるわけではなく、むしろ1桁近く高くなる。これこそが33B対4Bアクティブの比較の本当の中身であり、どちらのベンチマーク表にもどこにも現れていない。

3番目は不明であり、それがXingに有利な形で不明なのは、あくまで既定の扱いにすぎない。Xing 4.0 29B-A4Bについて冗長度の数値を公表した者は誰もいない。そのため、トークン効率の測定がない4Bアクティブモデルは、タスクあたり本当に安価かもしれないし、優位性の一部を帳消しにするほど多くのトークンを出力するかもしれない。あなたは、測定済みの高価なモデルと、未測定の安価なモデルを比較している。

今日、あなたが呼べるもの

どちらのモデルも通常の意味でホストされているわけではなく、両者の違いはローンチ時の報道が示唆するほど大きくない。

Nanbeige4.3-33BにはAPIが一切ありません。Hugging Faceのページには、このモデルはいずれの推論プロバイダーによってもデプロイされていないと記載されており、Artificial Analysisも公開利用可能なAPIを記録せず、価格欄を空欄のままにしています。利用するには、66 GBの重みをダウンロードし、自身で所有またはレンタルしたハードウェア上で実行する必要があります。

Xing 4.0 29B-A4B の重みは9月16日から利用可能で、10月中旬には従量課金ルートが登場した。第三者のマーケットプレイスでは、入力100万トークンあたり0.22ドル、出力100万トークンあたり0.90ドルで掲載されており、同じエンドポイントの無料プロモーション版も併記されている。Hugging Face の推論プロバイダーパネルはまだ空のため、ホスト経由の利用はベンダーではなくマーケットプレイスを通る形になり、プロモーション枠は予算を立てる際の基準価格ではない。

当社自身の立場を率直に言えば、現時点でどちらのモデルもOrcaRouterのカタログには掲載されていないため、当社はどちらへのルートでもなく、以下の内容もそうでないふりはしません。この種の判断においてルーターが真価を発揮するのは、対照としての役割においてです。自己ホスト型の33B denseモデルがGPU 4基に見合うかどうかを見極める最も安価な方法は、トークン単位で呼び出せるモデルと並べ、両方を自社のタスクで測定することです。そしてここでの明白な対照は、Nanbeige自身のモデルカードがベンチマークで比較対象としているモデルです。Qwen3.8-27Bは当社のカタログに掲載されており、入力100万トークンあたり0.33ドル、出力100万トークンあたり2.40ドルです。Artificial AnalysisのスコアはNanbeigeの20に対して20.1で、カタログの他のモデルと同じキーを使用できます。プロバイダーの定価はマークアップなしでそのまま適用されます。これにより、この比較は第二の契約ではなくルーティングルールになります。

誰がどれを選ぶべきか

これが能力対能力ではなく、能力対コストの判断だと受け入れれば、その分かれ目は読み取れる。

Nanbeige4.3-33Bは、ターミナル作業そのものが成果物となる場合の選択肢だ。ほぼ共通のTerminus 2ハーネス上での23ポイントリード、クラス最高の非ハルシネーション指標、ネイティブ512Kウィンドウ、そしてベンダー自身の主張を上回った独立スコア——ワークロードが長期的なコードとシェル作業であり、クラス中央値の約2倍のトークン課金を吸収できるなら、これは4基のGPUに見合うモデルだ。

Xing 4.0 29B-A4B は、単一カードと従量制の請求書という制約がある場合の選択肢だ。Tau3-Bench で 16 ポイントのリード、ベンダーによれば 24GB カードに収まるフットプリント、Nanbeige のトークンあたり計算量の 4 分の 1、そして 2 つのうちハードウェアを購入せずに支払える価格を備えた唯一のモデルである。また、ハーネス同士が最も近しく一致するその 1 行では、より弱いモデルでもある。したがって、それを選ぶ根拠は能力ではなく、経済性と運用性にある。

未解決の部分を決着させるには、2つのことが必要です。Xing 4.0 29B-A4B に対する Artificial Analysis の評価結果があれば、非対称な比較が対称な比較になります。また、Nanbeige による Tau3-Bench の数値が、集計方法を明記した形で出れば、その16ポイントの逆転がツール使用における本当の弱点なのか、同じ名前を共有する2つの異なる指標による人為的な産物なのかが分かります。どちらかが出るまでは、正直な要約はこうです。現存する証拠に基づけば Nanbeige4.3-33B の方が強いモデルであり、Xing 4.0 29B-A4B は実行する余裕のあるモデルです。そして、そのトレードオフの大きさは、どちらのカードについてでもなく、あなたのタスク構成に関する問題です。