Nanbeige4.3-33B kontra Qwen 3.6 35B-A3B: Nanbeige zbenchmarkował innego Qwena — i to jest cała historia

Otwórz kartę modelu Nanbeige dla Nanbeige4.3-33B i policz kolumny Qwen. Jest dokładnie jedna i należy do Qwen3.8-27B — gęstego modelu multimodalnego wydanego w sierpniu 2026 r. Qwen 3.6 35B-A3B, model typu mixture-of-experts, którego Liquid AI użyło jako własnego punktu odniesienia dla LFM2.5 i względem którego większość ekosystemu agentów open-weight prowadzi benchmarki, w ogóle nie występuje w dwudziestowierszowej tabeli Nanbeige.

Ten brak jest wyborem i sprawia, że to starcie jest ciekawsze niż zwykłe bezpośrednie porównanie. Nanbeige4.3-33B porównano z modelem Qwen, który mógł pokonać w wierszach agentowych długiego horyzontu. Qwen 3.6 35B-A3B to model Qwen, którego uruchomienie kosztuje jedną czwartą, przyjmuje obrazy i wideo i jest w produkcji od kwietnia. To, czy jest to porównanie uczciwsze, czy łatwiejsze, zależy od tego, co kupujesz, a oba modele nie są zoptymalizowane dla tego samego nabywcy.

Jedno z nich jest gęste, a drugie nie, i to decyduje o rachunku.

Najistotniejsza pojedyncza różnica nie dotyczy żadnego benchmarku.

• Parametry — łącznie 33,1 mld, wszystkie aktywne, dla Nanbeige4.3-33B. Łącznie 35 mld, z około 3 mld aktywnymi na token dla Qwen 3.6 35B-A3B, mieszaniny ekspertów.

• Obliczenia na token — pełny gęsty przebieg w przód dla Nanbeige4.3-33B w porównaniu z rzadkim przebiegiem obejmującym niewielki podzbiór ekspertów dla Qwen 3.6 35B-A3B. Na tym samym sprzęcie model Qwen generuje znacznie więcej tokenów na sekundę na GPU.

• Pamięć na wagi — 66,3 GB w bfloat16 dla Nanbeige4.3-33B. Model Qwen bez problemu mieści się na jednej karcie po kwantyzacji.

• Kontekst — 524 288 tokenów natywnie dla Nanbeige4.3-33B. 262 144 dla Qwen 3.6 35B-A3B, z maksymalną długością wyjścia 65 536 tokenów.

• Modalność — tekst na wejściu, tekst na wyjściu, angielski i chiński, dla {{1}}Nanbeige4.3-33B{{/1}}. Tekst, obraz i wideo na wejściu dla {{2}}Qwen 3.6 35B-A3B{{/2}}.

• Cena — brak hostowanego endpointu dla Nanbeige4.3-33B. Qwen 3.6 35B-A3B w OrcaRouter za 0,25 USD za milion tokenów wejściowych i 1,49 USD za milion tokenów wyjściowych, z medianą (p50) czasu do pierwszego tokenu wynoszącą 6,67 sekundy.

• Licencja — Apache 2.0 w obu przypadkach.

Przeczytaj dwukrotnie wiersz obliczeń. Gęsty model 33B generujący odpowiedź agentową o długości 65 536 tokenów — własny zalecany limit Nanbeige — wykonuje pracę odpowiadającą 33 miliardom parametrów dla każdego z tych tokenów. Model Qwen wykonuje około jednej dziesiątej tej pracy. Jeśli oba modele uzyskują w tym samym zadaniu wyniki różniące się o kilka punktów, model rzadki wygrywa pod względem ekonomicznym o rząd wielkości, a żadna tabela benchmarków ci tego nie powie.

Wyników nie można odejmować, a przyczyna tego ma charakter metodologiczny

Nanbeige4.3-33B ma wynik 20 w Artificial Analysis Intelligence Index v5.0.1. Qwen 3.6 35B-A3B w ogóle nie ma wyniku w kompozycie v5 — jego strona modelu pokazuje N/A, ponieważ obecny indeks ocenia wyłącznie konfiguracje z publicznie dostępnym API lub ukończonym przebiegiem wewnętrznym, a ostatnie opublikowane dane Artificial Analysis dla tego modelu pochodzą ze starszego indeksu v4.3.x i plasują się w okolicach 17–19 dla konfiguracji rozumującej.

Te liczby nie są porównaniem. Indeks v5 to zrebazowany zbiór ewaluacyjny, a wynik v4.3.x nie przenosi się. Każdy, kto przedstawia „20 przeciwko 18”, odejmuje wartości z dwóch różnych egzaminów, co jest najczęstszym błędem w tekstach porównujących modele i wartym wyraźnego nazwania tutaj.

To, co rzeczywiście istnieje na wspólnym gruncie, jest węższe i wciąż użyteczne.

• Terminal-Bench — Artificial Analysis uruchomiło Qwen 3.6 35B-A3B z wynikiem 41,6% na Terminal-Bench 2.1 i 25,8% na Terminal-Bench Hard. Uruchomiło Nanbeige4.3-33B z wynikiem 29,8% na Terminal-Bench 4.0. To różne benchmarki, więc nadal nie jest to różnica, ale oba są pomiarami zewnętrznymi na tej samej rodzinie zadań.

• Twierdzenie dostawcy dotyczące Terminal-Bench — Nanbeige podaje wynik 80,9 w Terminal-Bench 2.1 dla Nanbeige4.3-33B, czyli w tym samym benchmarku, w którym Qwen 3.6 35B-A3B został niezależnie zmierzony na 41,6%. Jeśli ten wiersz dostawcy się potwierdzi, będzie to największa różnica w całym tym porównaniu. Nie został on niezależnie odtworzony, a własny przypis Nanbeige mówi, że uruchomiono go z harnessem Terminus 2.

Wiedza — Artificial Analysis ocenia Nanbeige4.3-33B na 11,7% dokładności w AA-Omniscience przy 81,8% braku halucynacji. Wyniki Omniscience modelu Qwen 3.6 35B-A3B pochodzą sprzed przebudowy v5, więc są w innej skali i nie można ich zestawiać z wynikami Nanbeige. Co można stwierdzić, ma charakter kierunkowy i pokrywa się z obserwacjami użytkowników obu rodzin: model Qwen wie więcej, model Nanbeige częściej odmawia odpowiedzi.

• Rozumowanie — GPQA Diamond 84,8 przy włączonym rozumowaniu i 84,1 w ustawieniu ocenianym dla Qwen 3.6 35B-A3B. Karta Nanbeige4.3-33B podaje 89,5, niepowtórzone.

Dlaczego Nanbeige wybrał Qwen3.8-27B zamiast tego

Istnieje uzasadniony powód, by w benchmarku porównywać gęsty model 33B z gęstym modelem 27B, a nie z 35B modelem mieszaniny ekspertów, i nie jest to nieuczciwość. Chodzi o to, że porównanie przy zachowaniu tej samej architektury sprawia, że dotyczy ono jakości treningu, a nie wydajności serwowania. Dwa gęste modele o podobnej skali mówią, które laboratorium wytrenowało lepiej. Porównanie gęstego modelu z MoE mówi, który projekt jest tańszy, co jest innym pytaniem z inną odpowiedzią.

Ale ten wybór ma koszt dla czytelnika, ponieważ większość osób wybierających model kieruje się całkowitym kosztem posiadania, a nie jakością treningu jako taką. Na tej osi Qwen 3.6 35B-A3B ma przewagę, której tabela Nanbeige nigdy nie ujawnia: 3B aktywnych parametrów oznacza, że uruchamiasz go na sprzęcie, który prawdopodobnie już masz, a dodatkowo przyjmuje zrzuty ekranu i klatki wideo, czego gęsty model 33B nie potrafi za żadną cenę.

Kontrargument jest równie konkretny. Nanbeige4.3-33B natywnie obsługuje 524 288 tokenów bez skalowania, a gęsta architektura sprawia, że jego zachowanie w długim kontekście jest przewidywalne w sposób, w jaki nie jest to możliwe w przypadku modelu rzadkiego. Przy 208 KiB pamięci podręcznej KV na token w 52 warstwach jego pełne okno kosztuje około 104 GiB — co jest ostrzeżeniem, a nie zaletą sprzedażową, ale oznacza też, że nie ma ukrytego przybliżenia między tym, co obiecuje karta, a tym, co robi model.

Gdzie tak naprawdę zapada decyzja

Jeśli Twoja praca jest multimodalna, Qwen 3.6 35B-A3B jest odpowiedzią, zanim zajrzy się do jakiegokolwiek benchmarku. Nanbeige4.3-33B obsługuje tylko tekst, a model z 3B aktywnych parametrów, który czyta obrazy za jedną czwartą ceny za token, nie jest nawet blisko drugiego miejsca w przypadku potoku zrzutów ekranu.

Jeśli Twoja praca to długoterminowa automatyzacja terminala i masz cztery GPU, wynik 29,8% modelu Nanbeige4.3-33B w Terminal-Bench 4.0 jest najsilniejszym opublikowanym wynikiem zewnętrznym w tej parze, a 81,8% wskaźnika niehalucynowania to cecha, która powstrzymuje pętlę agenta przed pewnym robieniem złej rzeczy przez dwadzieścia minut. To realna przewaga i nie jest tania.

Dla wszystkich pomiędzy praktyczna odpowiedź jest taka, że Qwen 3.6 35B-A3B to model, który możesz ocenić jeszcze dziś po południu, a Nanbeige4.3-33B to model, który oceniasz po zakupie sprzętu. Qwen 3.6 35B-A3B jest w katalogu OrcaRouter w powyższej cenie, na tym samym kluczu co pozostałe ponad 200 modeli, z automatycznym przełączaniem awaryjnym między dostawcami upstream oraz DSL routingu, jeśli chcesz rozdzielić ruch między nim a drugim modelem bez pisania drugiego klienta. Nanbeige4.3-33B nie ma w katalogu — nie hostujemy go i nic w tym artykule nie twierdzi, że to robimy.

Ta asymetria to uczciwe podsumowanie całego porównania. Jeden z tych modeli to usługa, którą można rozliczać i od której można odejść w jedno popołudnie. Drugi to punkt kontrolny, który się adoptuje. Nanbeige celowo zbudował ten drugi rodzaj: to nauczyciel, tak mówi jego karta, a uczeń 3B, który nada mu znaczenia, jeszcze nie został wydany.