Nanbeige4.3-33B vs Xing 4.0 29B-A4B: 23-punktowa luka końcowa i 16-punktowe odwrócenie

Nanbeige4.3-33B i Xing 4.0 29B-A4B to ten sam przekaz zaprezentowany z przeciwnych kierunków. Pierwszy to gęsty model o 33 miliardach parametrów z Nanbeige LLM Lab należącego do BOSS Zhipin, opublikowany 24 października 2026 r. na licencji Apache 2.0, z kontekstem 524 288 tokenów i recepturą serwowania zakładającą cztery GPU. Drugi to mieszanka ekspertów o 29 miliardach parametrów od TeleAI należącego do China Telecom, której wagi są publiczne od 16 września 2026 r., aktywująca około 4 miliardów parametrów na token, a której własna karta modelu twierdzi, że przy 4 bitach zmieści się na jednej konsumenckiej karcie 24 GB. Oba są ukierunkowane na kodowanie agentowe i długie pętle narzędziowe. Oba są dostarczane z otwartymi wagami. Nikt nie porównał ich bezpośrednio, w tym ich własne laboratoria — karta Nanbeige porównuje je z Qwen3.8-27B, Muse-Glimmer-30B i Gemma4-31B; karta Xing porównuje je z Gemma4-26B-A4B i Qwen3.6-35B-A3B. Nigdy nie wspominają o sobie nawzajem.

Tej luki nie da się zamaskować tabelą porównawczą, ponieważ tabele obu dostawców wykorzystują różne stanowiska testowe, różne próbkowanie i różne zestawy konkurentów. Można zrobić coś węższego i bardziej użytecznego: znaleźć wiersze, które oba laboratoria akurat mają wspólne, przeczytać przypisy decydujące o tym, czy te wiersze cokolwiek znaczą, a następnie oddzielić model, który został zmierzony przez kogoś, komu nie zapłacono za jego pomiar, od tego, który nie został.

33 miliardy gęstych parametrów kontra 4 miliardy aktywnych, jeszcze przed uruchomieniem jakiegokolwiek benchmarku

Różnica architektoniczna to nie temat do dyskusji. To rachunek, opóźnienia i plan wdrożenia — i rozstrzyga się, zanim którykolwiek z modeli odpowie na choćby jedno zapytanie.

Nanbeige4.3-33B to standardowy gęsty dekoder — LlamaForCausalLM, 52 warstwy, rozmiar ukryty 7168, uwaga z grupowaniem zapytań przy 56 głowicach zapytań i 8 głowicach KV. Każdy wygenerowany token wiąże się z obliczeniami dla wszystkich 33,1 miliarda parametrów. Checkpoint w formacie BF16 ma 66,3 GB i jest podzielony na czternaście shardów safetensors, a zarówno przepisy vLLM, jak i SGLang w repozytorium określają równoległość tensorową na poziomie 4, co wskazuje, że docelową maszyną jest węzeł z czterema GPU, a nie stacja robocza.

Xing 4.0 29B-A4B jest modelem rzadkim: 29 miliardów parametrów w checkpointcie, 64 ekspertów routowanych, z których 4 jest aktywnych plus jeden współdzielony, 40 warstw, wymiar ukryty 3584, zbudowany na tym, co jego karta nazywa mHC + MLA + MTP. Obliczenia przypadające na token skalują się wraz z 4 miliardami aktywnych parametrów, a nie z 29 miliardami przechowywanymi. Producent twierdzi, że 4-bitowa kwantyzacja mieści się w około 15 GB VRAM, co pozwoliłoby uruchomić go na RTX 3090 lub 4090 — to twierdzenie warto zweryfikować na podstawie rzeczywistego pliku skwantyzowanego, zanim kupisz pod niego sprzęt, ponieważ repozytorium podaje rozmiar tensora na poziomie 31 mld parametrów dla pełnego checkpointu i te dwie liczby dziwnie ze sobą nie współgrają.

Wszystko inne wynika z tego podziału.

• Kontekst — Nanbeige4.3-33B 524 288 tokenów natywnie, bez rozszerzenia YaRN w przepisie; Xing 4.0 29B-A4B 262 144 natywnie, opisywany jako rozszerzalny do 512K, choć nie opublikowano przepisu rozszerzenia.

• Minimalny praktyczny rozmiar — Nanbeige4.3-33B 66,3 GB wag BF16 przed pamięcią podręczną KV, czterokierunkowa równoległość tensorowa; Xing 4.0 29B-A4B około 15 GB przy 4 bitach według deklaracji samego dostawcy, jedna karta.

• Stos szkoleniowy — Nanbeige4.3-33B nie jest szczegółowo udokumentowany; Xing 4.0 29B-A4B został wytrenowany od początku do końca na klastrach Ascend 910C z użyciem MindSpore i MindFormers, z deklarowaną poprawą przepustowości o 96% względem własnej bazowej konfiguracji dostawcy dostępnej od razu po wyjęciu z pudełka. To twierdzenie oparte na wewnętrznym punkcie odniesienia, bez publicznego punktu porównania, więc nie da się go zweryfikować z zewnątrz, ale jest to ciekawsze stwierdzenie inżynierskie z obu premier.

• Licencja — Apache 2.0 w obu przypadkach, co sprawia, że cena pobrania wynosi zero dla obu i przenosi ciężar dyskusji całkowicie na sprzęt i tokeny.

Pięć wierszy, które wykonały oba laboratoria, oraz dwa, które się nie zgadzają.

Dwie karty modeli mają pięć wspólnych nazw testów porównawczych: Terminal-Bench 2.1, Tau3-Bench, Claw-Eval, AIME2026 i AA.LCR. Zestawianie ich ze sobą to jedyne dostępne porównanie ilościowe, a przypisy są miejscem, w którym całość albo się broni, albo się sypie.

• Terminal-Bench 2.1 — Nanbeige4.3-33B 80,9, Xing 4.0 29B-A4B 57,5. Oba laboratoria twierdzą, że przeprowadziły go w Terminus 2, co czyni to najbliższym odpowiednikiem wspólnego instrumentu w którejkolwiek z tabel. To wciąż nie jest ten sam eksperyment: karta Xing podaje temperaturę 0,8, top-p 0,95, maks. 64K tokenów, 24-godzinny limit czasu i średnią z trzech przebiegów; karta Nanbeige wymienia harness i nic więcej. 23-punktowa różnica przy niemal identycznych harnessach to najsilniejszy pojedynczy sygnał w tym porównaniu, a wciąż jest to sygnał, a nie pomiar.

• Tau3-Bench — Nanbeige4.3-33B 48,8, Xing 4.0 29B-A4B 64,63. To odwrócenie i jest ono duże. Xing wygrywa w dialogu z użyciem narzędzi o prawie 16 punktów, w rodzinie benchmarków, która najbezpośredniej testuje wieloturowe wywoływanie funkcji. Zastrzeżenie dotyczy metryki: Xing podaje pass^1 uśrednione z czterech przebiegów na oficjalnym harnessie tau-bench; Nanbeige twierdzi, że użył oficjalnych repozytoriów, ale nie podaje sposobu agregacji i umieszcza ten wiersz w kategorii kodowania agentowego, a nie użycia narzędzi.

• Claw-Eval — Nanbeige4.3-33B 78,3 przy pass^3, Xing 4.0 29B-A4B 76,55. Ten wynik należy odrzucić, a nie czytać. W przypisie Nanbeige podano, że oceniano wyłącznie podzbiór General benchmarku Claw-Eval, obejmujący 157 zadań jednokrokowych; w przypadku Xing nie wskazano podzbioru. Różnica 1,75 punktu między dwiema nienazwanymi wersjami tego samego benchmarku to szum ubrany w wynik.

• AIME2026 — Nanbeige4.3-33B 95,2, Xing 4.0 29B-A4B 90,0. Matematyka konkursowa, po stronie Xing uśredniono pięć przebiegów, maks. 131 072 tokenów; sposób próbkowania Nanbeige ponownie nie został podany. Oba modele są mocne, kolejność jest zgodna z wynikiem końcowym, a żadna z tych liczb nie mówi wiele o rzeczywistym zadaniu któregokolwiek z modeli.

• AA.LCR — Nanbeige4.3-33B 84.0, Xing 4.0 29B-A4B 61.0. Rozumowanie w długim kontekście i największa proporcjonalna różnica po Terminal-Bench. Warto zaznaczyć, że jest to benchmark Artificial Analysis uruchamiany przez dwóch dostawców, więc żadna z tych liczb nie jest wynikiem Artificial Analysis.

Cztery z pięciu faworyzują Nanbeige4.3-33B. Ten, który odwraca wynik, dotyczy wywoływania narzędzi po kolei, czyli tego, co agent robi przez cały dzień. Ta sprzeczność jest najbardziej wartościową rzeczą na obu kartach i żadne z laboratoriów jej nie podjęło.

Jest uwaga dotycząca wiarygodności, która przemawia na korzyść Nanbeige konkretnie w wierszu terminala. Własna karta Nanbeige podaje Terminal-Bench 4.0 na poziomie 23,8; Artificial Analysis, uruchamiając własne środowisko testowe, zmierzyło 29,8. Pomiar zewnętrzny był o sześć punktów wyższy niż deklaracja samego dostawcy, co jest odwrotnością zwykłego kierunku i sugeruje, że tabela dostawcy nie jest tu zawyżona. Xing 4.0 29B-A4B nie ma odpowiednika takiej weryfikacji.

Tylko jeden z tych modeli ma numer, za który nikt nie zapłacił.

Nanbeige4.3-33B został oceniony. Artificial Analysis umieścił go na 20. miejscu w Intelligence Index v5.0.1 — pierwszym z dziewięciu w swojej klasie porównawczej modeli z otwartymi wagami, przy medianie klasowej wynoszącej 10, oraz na 76. miejscu na liście wszystkich modeli. Wyniki cząstkowe mówią więcej niż wynik zbiorczy: Terminal-Bench 4.0 na poziomie 29,8%, FrontierCode 2.0 na poziomie 10,7% oraz wskaźnik braku halucynacji wynoszący 81,8%, co jest siódmym najlepszym wynikiem w serwisie. Odmawia odpowiedzi na wiele pytań. W przypadku modelu zbudowanego wyraźnie jako nauczyciel destylacji to zaleta.

Xing 4.0 29B-A4B nie ma wpisu w Artificial Analysis. Nie słabego — żadnego. Witryna zwraca 404 dla sluga modelu w obu prawdopodobnych wariantach zapisu, a na tej tablicy nigdzie nie ma dla niego wyniku złożonego, podwyniku, ceny ani wartości prędkości.

Ta asymetria rządzi wszystkim, co artykuł porównawczy może uczciwie twierdzić. Dwa modele można porównać w tabelach dostawców, z zastrzeżeniami w przypisach powyżej. Nie można ich porównać na jedynym instrumencie, którego nie kontroluje żadne z laboratoriów, ponieważ tylko jeden z nich na nim jest. Każdy tekst, który szereguje te dwa modele przeciwko sobie na neutralnym gruncie, wymyśla ten neutralny grunt.

Gdzie projekt ustawy faktycznie się rozbiega

Jeśli wybierasz między nimi, cena tokena nie jest decydującą liczbą — decyduje koszt ukończenia zadania, a po stronie Nanbeige kumulują się trzy odrębne mnożniki.

Pierwsza to gęstość: 33 miliardy parametrów odczytywanych na każdy token wyjściowy w porównaniu z około 4 miliardami. Jakikolwiek sprzęt posiadasz, to duża wielokrotność obliczeń na token, zanim uwzględni się cokolwiek innego.

Drugi czynnik to gadatliwość, którą się mierzy, a nie zakłada. Artificial Analysis podaje, że Nanbeige4.3-33B wygenerował 160 milionów tokenów wyjściowych podczas swojego przebiegu Intelligence Index, podczas gdy mediana w tej klasie wynosi 77,7 miliona — 2,06 razy więcej niż mediana i ósme miejsce na osiem w rankingu gadatliwości tego serwisu. Karta samego modelu wyjaśnia część tego: myślenie jest domyślnie włączone, a zalecany limit to 262 144 tokeny w pracy wymagającej rozumowania. Każdy model, któremu powie się, że może myśleć przez ćwierć miliona tokenów, zużyje ich trochę.

Połącz te dwie rzeczy, a gęsty model, który dodatkowo mówi dwa razy więcej, nie jest dwa razy droższy w przeliczeniu na ukończone zadanie; to bliżej rzędu wielkości. To jest rzeczywista treść porównania 33B versus 4B aktywnych parametrów i nie pojawia się nigdzie w żadnej z tabel benchmarków.

Trzecia kwestia pozostaje nieznana i tylko domyślnie przemawia na korzyść Xing. Nikt nie opublikował wskaźnika gadatliwości dla Xing 4.0 29B-A4B, więc model z 4B aktywnych parametrów bez pomiaru efektywności tokenowej może być naprawdę tani w przeliczeniu na zadanie albo może generować tyle tokenów, że zniweluje część tej przewagi. Porównujesz zmierzony drogi model z niezmierzonym tanim.

Co możesz dziś nazwać

Żaden z tych modeli nie jest hostowany w zwykłym tego słowa znaczeniu, a różnica między nimi jest mniejsza, niż sugerują materiały publikowane przy okazji premiery.

Nanbeige4.3-33B nie ma żadnego API. Na jego stronie w Hugging Face jest napisane, że model nie jest wdrażany przez żadnego dostawcę inferencji, a Artificial Analysis odnotowuje brak publicznie dostępnego API i pozostawia pola cenowe puste. Dostęp oznacza pobranie 66 GB wag i uruchomienie ich na sprzęcie, który posiadasz lub wynajmujesz.

Xing 4.0 29B-A4B ma wagi od 16 września i rozliczaną trasę, która pojawiła się w połowie października: zewnętrzny marketplace wycenia go na 0,22 USD za milion tokenów wejściowych i 0,90 USD za milion tokenów wyjściowych, a obok niego w ofercie znajduje się darmowy wariant promocyjny tego samego endpointu. Panel dostawców wnioskowania Hugging Face jest wciąż pusty, więc ścieżka hostowana prowadzi przez marketplace’y, a nie przez dostawcę, a poziom promocyjny to nie jest cena, na której powinno się opierać budżetu.

Mówiąc wprost o naszej własnej pozycji: żaden z tych modeli nie znajduje się dziś w katalogu OrcaRouter, więc nie jesteśmy drogą do żadnego z nich i nic poniżej nie udaje, że jest inaczej. W decyzji takiej jak ta router zajmuje swoje miejsce jako kontrola. Najtańszym sposobem sprawdzenia, czy samodzielnie hostowany gęsty model 33B jest wart czterech GPU, jest postawienie go obok czegoś, co można wywoływać za token, i zmierzenie obu na własnych zadaniach — a oczywistą kontrolą jest tu model, względem którego Nanbeige porównuje na własnej karcie. Qwen3.8-27B jest w naszym katalogu w cenie $0,33 za milion tokenów wejściowych i $2,40 za milion tokenów wyjściowych, Artificial Analysis ocenia go na 20,1 wobec 20 u Nanbeige, a używa tego samego klucza co reszta katalogu z cenami listowymi dostawców przekazywanymi bez marży. To czyni porównanie regułą routingu, a nie drugą umową.

Kto powinien wybrać, które

Ten podział staje się czytelny, gdy uznamy, że to wybór między możliwościami a kosztem, a nie między możliwościami a możliwościami.

Nanbeige4.3-33B to wybór, gdy praca w terminalu jest produktem. 23-punktowa przewaga w niemal wspólnym środowisku testowym Terminus 2, najwyższy wskaźnik braku halucynacji w swojej klasie, natywne okno 512K oraz niezależny wynik, który okazał się wyższy niż deklaracja samego dostawcy — to model wart czterech GPU, jeśli Twoje obciążenie to długodystansowa praca z kodem i w powłoce oraz jeśli możesz udźwignąć rachunek za tokeny około dwukrotnie wyższy niż mediana w klasie.

Xing 4.0 29B-A4B jest wyborem, gdy ograniczeniami są pojedyncza karta i rozliczana faktura. 16-punktowa przewaga w Tau3-Bench, rozmiar, który według producenta mieści się na karcie 24 GB, jedna czwarta obliczeń Nanbeige na token oraz jedyny z tych dwóch z ceną, którą można zapłacić bez kupowania sprzętu. Jest też słabszym modelem w jednym wierszu, w którym zestawy testowe najbardziej się pokrywają, więc argument za nim jest ekonomiczny i operacyjny, a nie możliwościowy.

Dwie rzeczy rozstrzygnęłyby kwestie, które pozostają otwarte. Przeprowadzenie testu Artificial Analysis na Xing 4.0 29B-A4B zamieniłoby porównanie asymetryczne w symetryczne, a wynik Tau3-Bench od Nanbeige z podanym sposobem agregacji pozwoliłby stwierdzić, czy 16-punktowe odwrócenie wyników to rzeczywista słabość w korzystaniu z narzędzi, czy artefakt dwóch różnych metryk o tej samej nazwie. Dopóki nie pojawi się jedno lub drugie, uczciwe podsumowanie brzmi: Nanbeige4.3-33B jest mocniejszym modelem na podstawie dostępnych dowodów, a Xing 4.0 29B-A4B jest tym, na którego uruchomienie cię stać — a skala tego kompromisu zależy od mieszanki Twoich zadań, a nie od którejkolwiek z tych kart.