Nanbeige4.3-33B vs Xing 4.0 29B-A4B: A Lacuna Terminal de 23 Pontos e a Reversão de 16 Pontos

Nanbeige4.3-33B e Xing 4.0 29B-A4B são a mesma proposta apresentada a partir de direções opostas. O primeiro é um modelo denso de 33 bilhões de parâmetros do Nanbeige LLM Lab, do BOSS Zhipin, publicado em 24 de outubro de 2026 sob a licença Apache 2.0, com contexto de 524.288 tokens e uma receita de serviço que pressupõe quatro GPUs. O segundo é uma mistura de especialistas de 29 bilhões de parâmetros da TeleAI, da China Telecom, com pesos públicos desde 16 de setembro de 2026, que ativa cerca de 4 bilhões de parâmetros por token e cujo próprio cartão afirma caber em uma única placa de consumo de 24 GB em 4 bits. Ambos têm como alvo a codificação agêntica e longos ciclos de ferramentas. Ambos são distribuídos com pesos abertos. Nenhum deles foi colocado frente a frente por ninguém, incluindo seus próprios laboratórios — o cartão do Nanbeige traz benchmarks contra Qwen3.8-27B, Muse-Glimmer-30B e Gemma4-31B; o do Xing, contra Gemma4-26B-A4B e Qwen3.6-35B-A3B. Eles nunca se mencionam.

Isso não é uma lacuna que você possa encobrir com uma tabela comparativa, porque as duas tabelas dos fornecedores usam estruturas de teste diferentes, amostragem diferente e conjuntos de concorrentes diferentes. O que você pode fazer é mais restrito e mais útil: encontrar as linhas que os dois laboratórios por acaso têm em comum, ler as notas de rodapé que determinam se essas linhas significam alguma coisa e, então, separar o modelo que foi medido por alguém que não foi pago para medi-lo daquele que não foi.

33 bilhões densos contra 4 bilhões ativos, antes de qualquer benchmark ser executado

A diferença arquitetural não é um ponto de discussão. É a conta, a latência e o plano de implantação, e é decidida antes que qualquer um dos modelos responda a um único prompt.

Nanbeige4.3-33B é um decoder denso padrão — LlamaForCausalLM, 52 camadas, tamanho oculto de 7.168, atenção de consulta agrupada com 56 cabeças de consulta e 8 cabeças KV. Cada token gerado paga por todos os 33,1 bilhões de parâmetros. O checkpoint BF16 tem 66,3 GB distribuídos em quatorze shards safetensors, e tanto as receitas do vLLM quanto do SGLang no repositório especificam paralelismo de tensor de 4, o que indica que a máquina pretendida é um nó com quatro GPUs, e não uma estação de trabalho.

O Xing 4.0 29B-A4B é esparso: 29 bilhões de parâmetros no checkpoint, 64 especialistas roteados com 4 ativos mais um compartilhado, 40 camadas, tamanho oculto de 3.584, construído sobre o que seu cartão chama de mHC + MLA + MTP. O cálculo por token escala com os 4 bilhões de parâmetros ativos, não com os 29 bilhões armazenados. O fornecedor alega uma quantização de 4 bits em cerca de 15 GB de VRAM, o que o colocaria em uma RTX 3090 ou 4090 — uma alegação que vale a pena verificar no arquivo quantizado real antes de comprar hardware para isso, porque o repositório informa um tamanho de tensor de 31B parâmetros para o checkpoint completo, e os dois números combinam de forma estranha.

Todo o resto decorre dessa divisão.

• Contexto — Nanbeige4.3-33B 524,288 tokens, nativo, sem extensão YaRN na receita; Xing 4.0 29B-A4B 262,144 nativo, descrito como extensível para 512K, embora nenhuma receita de extensão tenha sido publicada.

• Pegada prática mínima — Nanbeige4.3-33B, 66,3 GB de pesos BF16 antes do cache KV, paralelismo tensorial em quatro vias; Xing 4.0 29B-A4B, cerca de 15 GB em 4 bits segundo a própria alegação do fornecedor, em uma única placa.

• Stack de treinamento — o Nanbeige4.3-33B não está documentado em detalhes; o Xing 4.0 29B-A4B foi treinado de ponta a ponta em clusters Ascend 910C com MindSpore e MindFormers, com uma alegada melhoria de 96% no throughput em relação à baseline pronta para uso do próprio fornecedor. Trata-se de uma alegação baseada em uma baseline interna, sem ponto de referência público, portanto não é verificável externamente, mas é a declaração de engenharia mais interessante entre os dois lançamentos.

• Licença — Apache 2.0 em ambos, o que torna o preço de download zero para ambos e desloca completamente a discussão para hardware e tokens.

Cinco linhas que ambos os laboratórios executaram, e as duas que discordam

Os dois cartões de modelo compartilham cinco nomes de benchmark: Terminal-Bench 2.1, Tau3-Bench, Claw-Eval, AIME2026 e AA.LCR. A leitura cruzada entre eles é a única comparação quantitativa disponível, e é nas notas de rodapé que ela se sustenta ou desmorona.

• Terminal-Bench 2.1 — Nanbeige4.3-33B 80,9, Xing 4.0 29B-A4B 57,5. Ambos os laboratórios dizem que o executaram no Terminus 2, o que faz disso a coisa mais próxima de um instrumento compartilhado em qualquer das tabelas. Ainda assim, não é o mesmo experimento: a ficha da Xing especifica temperatura 0,8, top-p 0,95, máximo de 64K tokens, timeout de 24 horas e a média de três execuções; a da Nanbeige nomeia o harness e nada mais. Uma diferença de 23 pontos sob harnesses quase idênticos é o sinal único mais forte nesta comparação, e ainda é um sinal, não uma medição.

• Tau3-Bench — Nanbeige4.3-33B 48,8, Xing 4.0 29B-A4B 64,63. Esta é a inversão, e ela é grande. Xing vence o diálogo de uso de ferramentas por quase 16 pontos, na família de benchmarks que testa mais diretamente a chamada de funções multiturno. A ressalva é a métrica: Xing relata pass^1 com média de quatro execuções no harness oficial do tau-bench; Nanbeige diz que usou os repositórios oficiais, mas não declara a agregação, e lista a linha em codificação agêntica em vez de uso de ferramentas.

• {{1}}Claw-Eval{{/1}} — {{2}}Nanbeige4.3-33B{{/2}} 78,3 em pass^3, {{3}}Xing 4.0 29B-A4B{{/3}} 76,55. Este deveria ser descartado, e não lido. A nota de rodapé da {{4}}Nanbeige{{/4}} diz que avaliou apenas o subconjunto {{5}}General{{/5}} do {{1}}Claw-Eval{{/1}}, 157 tarefas de turno único; a da {{3}}Xing{{/3}} não nomeia um subconjunto. Uma diferença de 1,75 ponto entre duas versões sem nome do mesmo benchmark é ruído vestindo a roupa de um resultado.

• AIME2026 — Nanbeige4.3-33B 95,2, Xing 4.0 29B-A4B 90,0. Matemática de competição, média de cinco execuções no lado Xing, máximo de 131,072 tokens; a amostragem do Nanbeige novamente não foi declarada. Ambos são fortes, a ordenação é consistente com o resultado final, e nenhum dos números diz muito sobre o trabalho real de qualquer um dos modelos.

• AA.LCR — Nanbeige4.3-33B 84,0, Xing 4.0 29B-A4B 61,0. Raciocínio de contexto longo, e a maior diferença proporcional depois do Terminal-Bench. Vale destacar que este é o benchmark da Artificial Analysis sendo executado por dois fornecedores, portanto nenhum dos valores é um valor da Artificial Analysis.

Quatro dos cinco favorecem o Nanbeige4.3-33B. O que se inverte é o que diz respeito a chamar ferramentas em sequência, que é o que um agente faz o dia todo. Essa contradição é a coisa mais útil em qualquer um dos dois cartões, e nenhum dos dois laboratórios a abordou.

Há uma nota de credibilidade que favorece a Nanbeige especificamente na linha de terminal. A própria ficha dela afirma Terminal-Bench 4.0 em 23,8; a Artificial Analysis, executando seu próprio harness, mediu 29,8. A medição externa ficou seis pontos mais alta do que a própria alegação do fornecedor, o que é o oposto da direção habitual e sugere que a tabela do fornecedor aqui não está inflada. O Xing 4.0 29B-A4B não tem verificação equivalente.

Apenas um destes modelos tem um número pelo qual ninguém pagou.

Nanbeige4.3-33B recebeu pontuação. O Artificial Analysis o colocou em 20 no Intelligence Index v5.0.1 — primeiro de nove em sua classe de comparação de pesos abertos, contra uma mediana de 10 na classe, e 76º na lista de todos os modelos. As subpontuações são mais informativas do que a pontuação composta: Terminal-Bench 4.0 em 29,8%, FrontierCode 2.0 em 10,7%, e uma taxa de não alucinação de 81,8%, que é o sétimo melhor número no site. Ele recusa muitas perguntas. Para um modelo construído explicitamente como professor de destilação, isso é um recurso.

O Xing 4.0 29B-A4B não tem entrada no Artificial Analysis. Não é uma entrada ruim — não há nenhuma. O site retorna 404 para o slug do modelo em ambas as grafias plausíveis, e não existe nenhum valor de pontuação composta, subpontuação, preço ou velocidade para ele em lugar nenhum desse painel.

Essa assimetria governa tudo o que um artigo de comparação pode afirmar com honestidade. Os dois modelos podem ser comparados nas tabelas dos fornecedores, com as ressalvas de rodapé acima. Não podem ser comparados no único instrumento que nenhum dos dois laboratórios controla, porque apenas um deles está nele. Qualquer texto que coloque esses dois frente a frente em terreno neutro está inventando o terreno neutro.

Onde o projeto de lei realmente diverge

Se você está escolhendo entre eles, o preço de um token não é o número decisivo — o custo de concluir uma tarefa é, e três multiplicadores separados se acumulam do lado da Nanbeige.

A primeira é a densidade: 33 bilhões de parâmetros lidos por token de saída contra cerca de 4 bilhões. Qualquer que seja o hardware que você tenha, isso representa um grande múltiplo de computação por token antes de qualquer outra coisa ser considerada.

A segunda é a verbosidade, e ela é medida, não presumida. A Artificial Analysis relata que o Nanbeige4.3-33B gerou 160 milhões de tokens de saída ao longo de sua execução no Intelligence Index, contra uma mediana da classe de 77,7 milhões — 2,06 vezes a mediana, e oitavo entre oito no ranking de verbosidade do site. A ficha do próprio modelo explica parte disso: o pensamento vem ativado por padrão, e o teto recomendado é de 262.144 tokens para trabalho de raciocínio. Qualquer modelo ao qual se diga que pode pensar por um quarto de milhão de tokens usará alguns deles.

Junte essas duas coisas e um modelo denso que também fala o dobro não custa o dobro para executar por tarefa concluída; fica mais perto de uma ordem de grandeza. Esse é o verdadeiro conteúdo da comparação entre 33B e 4B ativos, e isso não aparece em nenhuma das duas tabelas de benchmark.

O terceiro é desconhecido, e é desconhecido em favor da Xing apenas por padrão. Ninguém publicou um número de verbosidade para o Xing 4.0 29B-A4B, portanto um modelo com 4B ativos e sem medição de eficiência de tokens poderia ser genuinamente barato por tarefa ou poderia emitir tokens suficientes para anular parte da vantagem. Você está comparando um modelo caro medido com um modelo barato não medido.

O que você pode chamar hoje

Nenhum dos dois modelos é hospedado no sentido habitual, e a diferença entre eles é menor do que a cobertura do lançamento sugere.

O Nanbeige4.3-33B não tem nenhuma API. Sua página no Hugging Face diz que o modelo não é disponibilizado por nenhum provedor de inferência, e o Artificial Analysis não registra nenhuma API disponível publicamente e deixa os campos de preço em branco. O acesso significa baixar 66 GB de pesos e executá-los em hardware que você possui ou aluga.

O Xing 4.0 29B-A4B tem pesos desde 16 de setembro e uma rota tarifada que apareceu em meados de outubro: um marketplace de terceiros o lista a US$ 0,22 por milhão de tokens de entrada e US$ 0,90 por milhão de saída, e uma variante promocional gratuita do mesmo endpoint foi listada ao lado dele. O painel de provedores de inferência do Hugging Face ainda está vazio, então o caminho hospedado passa por marketplaces em vez do fornecedor, e um nível promocional não é um preço no qual você deve basear seu orçamento.

Para ser franco sobre nossa própria posição: nenhum dos dois modelos está no catálogo da OrcaRouter hoje, então não somos uma rota para nenhum deles, e nada abaixo finge o contrário. O que justifica um roteador em uma decisão como esta é o papel de controle. A maneira mais barata de descobrir se um modelo denso de 33B auto-hospedado vale quatro GPUs é colocá-lo ao lado de algo que você possa chamar por token e medir ambos nas suas próprias tarefas — e o controle óbvio aqui é o modelo contra o qual o próprio card da Nanbeige faz benchmark. O Qwen3.8-27B está em nosso catálogo a $0.33 por milhão de entrada e $2.40 por milhão de saída, o Artificial Analysis atribui a ele 20.1 contra os 20 do Nanbeige, e ele usa a mesma chave que o restante do catálogo com os preços de tabela dos provedores repassados sem acréscimo. Isso torna a comparação uma regra de roteamento, e não um segundo contrato.

Quem deve escolher qual?

A divisão fica clara quando você aceita que se trata de uma decisão entre capacidade e custo, e não entre capacidade e capacidade.

Nanbeige4.3-33B é a escolha quando o trabalho no terminal é o produto. Uma vantagem de 23 pontos em um harness Terminus 2 quase compartilhado, o maior índice de não alucinação da sua categoria, uma janela nativa de 512K e uma pontuação independente que ficou acima da própria alegação do fornecedor — esse é um modelo que vale quatro GPUs se sua carga de trabalho for código e shell de longo horizonte, e se você puder absorver uma conta de tokens aproximadamente o dobro da mediana da categoria.

O Xing 4.0 29B-A4B é a escolha quando uma única placa e uma fatura por uso são as restrições. Uma vantagem de 16 pontos no Tau3-Bench, um footprint que o fornecedor diz caber em uma placa de 24GB, um quarto da computação por token do Nanbeige e o único dos dois com um preço que você pode pagar sem comprar hardware. Ele também é o modelo mais fraco na única linha em que os harnesses mais se aproximam, então o argumento a seu favor é econômico e operacional, não de capacidade.

Duas coisas resolveriam as partes que permanecem em aberto. Uma execução do Artificial Analysis no Xing 4.0 29B-A4B transformaria uma comparação assimétrica em simétrica, e um número do Tau3-Bench do Nanbeige com uma agregação declarada diria se a reversão de 16 pontos é uma fraqueza real no uso de ferramentas ou um artefato de duas métricas diferentes que compartilham um nome. Até que qualquer um dos dois chegue, o resumo honesto é que o Nanbeige4.3-33B é o modelo mais forte com base nas evidências existentes e o Xing 4.0 29B-A4B é aquele que você pode executar — e o tamanho dessa troca é uma questão sobre o seu mix de tarefas, não sobre nenhum dos dois cards.