Nanbeige4.3-33B vs Gemma 4 26B-A4B: Een leraar zonder endpoint tegen een werkpaard voor zes cent

Nanbeige4.3-33B vergelijken met Gemma 4 26B-A4B op een benchmark is de verkeerde eerste stap, en de reden is niet dat de cijfers dicht bij elkaar liggen of ver uit elkaar. Het is dat slechts één van deze twee modellen een prijs heeft. Gemma 4 26B-A4B is een gehost model op OrcaRouter voor $0,06 per miljoen input- en $0,33 per miljoen outputtokens, met een venster van 262.144 tokens en een p50 time-to-first-token van 826 milliseconden. Nanbeige4.3-33B heeft geen endpoint, geen tariefkaart en geen inferenceprovider vermeld in zijn repository — de kosten zijn vier GPU's en je elektriciteitsrekening.

De echte vraag is dus niet welk model hoger scoort. De vraag is of het capaciteitsverschil tussen een dense leraar met 33 miljard parameters en een mixture-of-experts met 26 miljard parameters die per token 3,8 miljard parameters activeert, het waard is om over te stappen van een per gebruik gefactureerde regelpost naar een kapitaalpost. Die vraag kun je met rekenwerk beantwoorden, en dat rekenwerk valt minder gunstig uit voor het grotere model dan de benchmarktabel suggereert.

De indexscore heeft geen partnernummer.

Nanbeige4.3-33B staat op 20 in de Artificial Analysis Intelligence Index v5.0.1. Gemma 4 26B-A4B heeft helemaal geen v5-score: op de Artificial Analysis-pagina staat de samengestelde score als N/A, met de vermelding "Onbekend van de 4 eenheden voor Intelligentie", en er wordt op gewezen dat er geen openbaar beschikbare API is om de huidige harness tegen te draaien. Welke score het ook had op een eerdere index, die hoort bij een beoordelingskader dat niet meer bestaat.

Die twee feiten kun je niet van elkaar aftrekken. De v5-index is een andere, herbaseerde evaluatieset dan zijn voorgangers, en een model dat goed scoorde onder de oude methodologie, zou onder de nieuwe niet noodzakelijk ergens in de buurt van dezelfde plek uitkomen. Iedereen die je een vergelijking toont van "20 tegenover wat Gemma vorig jaar ook scoorde", vergelijkt twee verschillende examens. De eerlijke vaststelling is dat Gemma 4 26B-A4B niet gemeten is op de huidige samengestelde index en dat Nanbeige4.3-33B op 20 gemeten is, en zolang beide niet op v5 voorkomen, is er geen indexverschil om te citeren.

Wat wel bestaat op een gedeelde harness is Terminal-Bench. Artificial Analysis liet Gemma 4 26B-A4B 39,0% scoren op Terminal-Bench 2.1. Het liet Nanbeige4.3-33B 29,8% scoren op Terminal-Bench 4.0 — een andere en moeilijkere benchmark, dus wederom geen verschil. De eigen kaart van Nanbeige claimt 80,9 op Terminal-Bench 2.1 voor Nanbeige4.3-33B tegenover 73,0 voor Qwen3.8-27B, maar die rij is door de leverancier gerapporteerd met een Terminus 2-harness en is niet onafhankelijk gereproduceerd. Lees het als 'Nanbeige vindt zichzelf hier sterk', niet als een getal.

Waar elk model eigenlijk op is toegesneden

De architectuur vertelt je meer dan de benchmarks, omdat de twee ontwerpen voor tegenovergestelde beperkingen optimaliseren.

• Vorm — Nanbeige4.3-33B heeft 33,1B parameters, allemaal dense, geactiveerd bij elk token. Gemma 4 26B-A4B heeft 25,2B totaal met ongeveer 3,8B actief per token, een verhouding van 6,6:1.

Geheugen voor gewichten — 66,3 GB bij bfloat16 voor Nanbeige4.3-33B verdeeld over veertien shards. Gemma 4 26B-A4B past in ongeveer 18 GB bij 4-bit, wat neerkomt op één enkele consumentenkaart.

• Context — 524.288 tokens native voor Nanbeige4.3-33B, geen scaling toegepast, versus 262.144 voor Gemma 4 26B-A4B. Beide worden voor het Gemma-model op 262K geserveerd op OrcaRouter.

• Modaliteit — tekst in, tekst uit, Engels en Chinees, voor Nanbeige4.3-33B. Gemma 4 26B-A4B accepteert tekst, afbeeldingen en video en retourneert tekst, wat de vergelijking beslecht voor elke pipeline die screenshots leest.

• Licentie — Apache 2.0 op beide, dus de juridische positie is identiek en de beslissing is puur technisch en economisch.

• Redeneren — beide worden standaard met denken ingeschakeld geleverd en beide bieden een manier om dat te verlagen. Nanbeige4.3-33B raadt een plafond van 262.144 tokens aan voor redeneren en 65.536 voor agentisch werk; Gemma 4 26B-A4B beperkt de output in de praktijk veel sterker, tot ongeveer 33K tokens op de meeste routes.

Dat laatste paar is het kernpunt. Het Nanbeige-model is gebouwd om lang te draaien — lange terminalsessies, lange agenttrajecten, lange redeneerketens — en elk van die tokens kost je GPU-tijd tegen tarieven van een dense model. Het Gemma-model is gebouwd om goedkoop per token te zijn, daarom kan Google het uitbrengen met 3.8B actief en kost het zes cent om een gesprek te beginnen.

Een uitgewerkt voorbeeld, omdat dit een kostenbeslissing is.

Neem een taak die 20.000 tokens aan invoer leest en 3.000 tokens aan uitvoer produceert, en voer die duizend keer per dag uit.

Op Gemma 4 26B-A4B in de OrcaRouter-lijst kost elke aanroep 20.000 × $0,06 per miljoen voor input — $0,0012 — plus 3.000 × $0,33 per miljoen voor output — $0,00099. Dat is $0,00219 per aanroep, of $2,19 per duizend aanroepen, of ongeveer $66 per maand bij dat volume.

Voor Nanbeige4.3-33B valt er geen prijs per aanroep te berekenen, omdat er geen aanroep is. Je hebt hardware nodig. Bij bfloat16 zijn de gewichten alleen al 66,3 GB, wat niet op één kaart van 80 GB past samen met een bruikbare KV-cache zodra de context groeit: elk token in de cache kost ongeveer 208 KiB, dus een gesprek van 32K tokens voegt per sequentie ruwweg 6,5 GiB toe. Vierweg-tensorparallellisme is de configuratie die de eigen kaart van Nanbeige veronderstelt, en dat is het minimum voor een serieuze deployment, nog voordat je de tweede node meetelt die je voor redundantie nodig hebt.

Zet die naast elkaar en de eerlijke conclusie is dat de twee modellen bij laag volume geen substituten zijn. Onder een paar miljoen tokens per dag is Gemma 4 26B-A4B een orde van grootte goedkoper, en de agentische kloof zou enorm moeten zijn om dat te dichten. Boven dat volume worden de vaste kosten van self-hosting geamortiseerd en wordt de vergelijking reëel — precies wanneer de sterkte van de 33B op lange horizon begint te tellen.

Waar het dense model zijn geld waard is

Het argument voor Nanbeige4.3-33B is niet 'het is beter'. Het is 'het doet een specifiek ding dat het goedkope model slecht doet', en de onafhankelijke cijfers wijzen aan om welk ding het gaat.

Terminal-Bench 4.0 op 29,8% is volgens het eigen scorebord van Artificial Analysis het 56e beste resultaat van alle configuraties op die benchmark. Dat is geen opvallend getal. Het is echter ongeveer vijf keer zoveel als Qwen3.8-27B haalt op zijn hoogste reasoning-instelling op dezelfde harness, en het is een benchmark rond langdurig terminalwerk — het soort taak waarbij een model dat vroeg opgeeft nul scoort, ongeacht hoe goed het redeneert.

Dezelfde vorm komt terug in de kalibratiegegevens. Nanbeige4.3-33B scoort 11,7% nauwkeurigheid op AA-Omniscience maar 81,8% niet-hallucinatie, zevende op de hele site. In een agentlus is een model dat "ik weet het niet" zegt in plaats van een pad te verzinnen meer waard dan een model dat vijf punten beter scoort op trivia en verzint wanneer het niet verder kan. De equivalente kalibratiecijfers van Gemma 4 26B-A4B zijn niet gepubliceerd op de huidige composiet, dus dit is een bewering over Nanbeige, geen vergelijking.

Het onderdeel dat voor de meeste teams de doorslag geeft

Beide modellen zijn bereikbaar via één sleutel als je het argument wilt testen in plaats van het te lezen. Gemma 4 26B-A4B staat in de OrcaRouter-catalogus tegen de bovenstaande prijs, met een contextvenster van 262K en zero-data-retention-routing beschikbaar op hetzelfde endpoint. Nanbeige4.3-33B staat niet in de catalogus — wij hosten het niet, en niets hier mag worden gelezen als een bewering dat we dat wel doen.

Wat die asymmetrie in de praktijk betekent, is dat de goedkope kant van deze vergelijking een experiment van vijf minuten is en de dure kant een aanbesteding. Als je werklast multimodaal is, of je volume onder een paar miljoen tokens per dag ligt, of je deze week een antwoord nodig hebt, wint Gemma 4 26B-A4B alleen al op beschikbaarheid en wordt de benchmarkvraag nooit gesteld.

Als je werklast langdurige terminalautomatisering is, weet je al dat een model met 4B actieve parameters ergens in het tweede uur de draad kwijtraakt, en die 29,8% is het getal waar het je om gaat. Dan wordt de vraag of je vier GPU's kunt betalen, en geen enkele benchmark kan dat voor je beantwoorden.