Nanbeige4.3-33B против Qwen 3.6 35B-A3B: Nanbeige протестировал другую Qwen — и в этом вся суть

Откройте карточку модели Nanbeige для Nanbeige4.3-33B и посчитайте столбцы Qwen. Столбец ровно один, и он принадлежит Qwen3.8-27B — плотной мультимодальной модели, выпущенной в августе 2026 года. Qwen 3.6 35B-A3B — модель со смесью экспертов, которую Liquid AI использовала в качестве собственной точки отсчёта для LFM2.5 и на которую ориентируется большая часть бенчмарков экосистемы открытовесовых агентов, — вообще не фигурирует в таблице Nanbeige из двадцати строк.

Это отсутствие — выбор, и оно делает это сравнение интереснее обычного прямого сопоставления. Nanbeige4.3-33B сравнивали с моделью Qwen, которую он мог обойти в длинногоризонтных агентных строках. Qwen 3.6 35B-A3B — это модель Qwen, эксплуатация которой стоит вчетверо дешевле, которая принимает изображения и видео и находится в продакшене с апреля. Более справедливое это сравнение или более лёгкое — зависит от того, что вы покупаете, а две модели оптимизированы не для одного и того же покупателя.

Один из них плотный, а другой — нет, и это решает счёт.

Самое существенное различие — не в каком-либо бенчмарке.

• Параметры — 33,1B всего, все активны, для Nanbeige4.3-33B. 35B всего, примерно 3B активных на токен для Qwen 3.6 35B-A3B, смеси экспертов.

• Вычисления на токен — полный плотный прямой проход для Nanbeige4.3-33B против разреженного по небольшому подмножеству экспертов для Qwen 3.6 35B-A3B. На том же оборудовании модель Qwen генерирует гораздо больше токенов в секунду на GPU.

• Память для весов — 66,3 ГБ в bfloat16 для Nanbeige4.3-33B. Модель Qwen комфортно помещается на одной карте при квантовании.

• Контекст — 524 288 токенов нативно для Nanbeige4.3-33B. 262 144 для Qwen 3.6 35B-A3B при максимальном выводе 65 536 токенов.

• Модальность — текст на входе, текст на выходе, английский и китайский, для Nanbeige4.3-33B. Текст, изображение и видео на входе для Qwen 3.6 35B-A3B.

• Цена — для Nanbeige4.3-33B нет хостингового эндпоинта. Qwen 3.6 35B-A3B на OrcaRouter — $0,25 за миллион входных и $1,49 за миллион выходных токенов при p50 времени до первого токена 6,67 секунды.

• Лицензия — Apache 2.0 в обоих.

Перечитайте строку о вычислениях дважды. Плотная модель на 33 млрд параметров, выдающая агентный ответ длиной 65 536 токенов — собственный рекомендованный потолок Nanbeige, — выполняет работу, эквивалентную 33 млрд параметров, для каждого из этих токенов. Модель Qwen выполняет примерно десятую часть этого. Если обе набирают в одной и той же задаче в пределах нескольких баллов друг от друга, разреженная модель выигрывает в экономике на порядок, и ни одна таблица бенчмарков вам об этом не скажет.

Баллы нельзя вычитать, и причина этому — методологическая.

Nanbeige4.3-33B занимает 20-е место в Artificial Analysis Intelligence Index v5.0.1. У Qwen 3.6 35B-A3B вообще нет оценки в сводном индексе v5 — на странице модели указано N/A, поскольку текущий индекс оценивает только конфигурации с публично доступным API или завершённым внутренним прогоном, а последние опубликованные показатели Artificial Analysis для неё относятся к более старому индексу v4.3.x и находятся в диапазоне 17–19 для конфигурации рассуждений.

Эти числа — не сравнение. Индекс v5 — это перебазированный оценочный набор, и оценка v4.3.x не переносится. Любой, кто представляет «20 против 18», вычитает результаты двух разных экзаменов, а это самая распространённая ошибка в написании сравнений моделей, и здесь её стоит назвать явно.

То, что действительно существует на общей почве, носит более узкий характер, но по-прежнему полезно.

• Terminal-Bench — Artificial Analysis прогнала Qwen 3.6 35B-A3B и получила 41,6% на Terminal-Bench 2.1 и 25,8% на Terminal-Bench Hard. Она же прогнала Nanbeige4.3-33B и получила 29,8% на Terminal-Bench 4.0. Это разные бенчмарки, так что это по-прежнему не дельта, но оба результата — внешние измерения на одном и том же семействе задач.

• Заявление вендора по Terminal-Bench — Nanbeige сообщает о 80.9 на Terminal-Bench 2.1 для Nanbeige4.3-33B, тогда как тот же бенчмарк для Qwen 3.6 35B-A3B независимо измерили на уровне 41.6%. Если эта строка вендора подтвердится, это будет самый большой разрыв во всём этом сравнении. Независимо он не воспроизведён, и в собственной сноске Nanbeige указано, что запуск выполнялся с использованием harness Terminus 2.

• Знания — Artificial Analysis оценивает Nanbeige4.3-33B в 11,7% точности по AA-Omniscience при 81,8% отсутствия галлюцинаций. Показатели Omniscience для Qwen 3.6 35B-A3B относятся ко времени до пересборки v5, поэтому они находятся в другой шкале и не могут быть сопоставлены с показателями Nanbeige. Можно говорить лишь о направлении, и это совпадает с тем, что наблюдают пользователи обоих семейств: модель Qwen знает больше, а модель Nanbeige чаще отказывается отвечать.

• Рассуждения — GPQA Diamond 84,8 с включённым режимом рассуждений и 84,1 при оценке в заданной конфигурации для Qwen 3.6 35B-A3B. В карточке Nanbeige4.3-33B заявлено 89,5, результат не воспроизведён.

Почему вместо этого Nanbeige выбрала Qwen3.8-27B

Есть обоснованная причина сравнивать плотную модель на 33B с плотной моделью на 27B, а не со смесью экспертов на 35B, и это не нечестность. Она в том, что сопоставление при одинаковой архитектуре делает сравнение вопросом качества обучения, а не эффективности обслуживания. Две плотные модели схожего масштаба показывают, какая лаборатория обучила лучше. Сравнение плотной модели с MoE показывает, какой дизайн дешевле, — это другой вопрос с другим ответом.

Но у этого выбора есть цена для читателя, ведь большинство людей, выбирающих модель, ориентируются на совокупную стоимость владения, а не на абстрактное качество обучения. По этому параметру у Qwen 3.6 35B-A3B есть преимущество, которое таблица Nanbeige никогда не отражает: 3B активных параметров означают, что её можно запускать на оборудовании, которое у вас, вероятно, уже есть, и она принимает скриншоты и кадры видео, чего плотная 33B-модель не может делать ни за какие деньги.

Контраргумент столь же конкретен. Nanbeige4.3-33B вмещает 524 288 токенов нативно, без масштабирования, а плотный стек делает её поведение на длинном контексте предсказуемым — в отличие от разреженной модели. При 208 КиБ KV-кэша на токен в 52 слоях полное окно обходится примерно в 104 ГиБ — это предостережение, а не преимущество, но также означает, что между тем, что обещает карточка модели, и тем, что делает модель, нет скрытой аппроксимации.

Где на самом деле оказывается решение

Если ваша работа мультимодальна, Qwen 3.6 35B-A3B — это ответ ещё до того, как вы заглянете в какой-либо бенчмарк. Nanbeige4.3-33B работает только с текстом, а модель с 3B активных параметров, которая читает изображения за четверть цены за токен, не является близкой альтернативой для пайплайна скриншотов.

Если ваша работа — это долгосрочная автоматизация в терминале и у вас есть четыре GPU, то 29,8% Nanbeige4.3-33B на Terminal-Bench 4.0 — самый высокий опубликованный сторонний результат в этой паре, а показатель модели в 81,8% ответов без галлюцинаций — это то свойство, которое не даёт циклу агента двадцать минут уверенно делать не то. Это реальное преимущество, и оно недешёво.

Для всех, кто находится между этими вариантами, практический ответ таков: Qwen 3.6 35B-A3B — это модель, которую можно оценить уже сегодня, а Nanbeige4.3-33B — это модель, которую вы оцениваете после покупки оборудования. Qwen 3.6 35B-A3B присутствует в каталоге OrcaRouter по указанной выше цене, с тем же ключом, что и остальные более чем 200 моделей, с автоматическим переключением при сбое между вышестоящими провайдерами и DSL маршрутизации, если вы хотите разделить трафик между ней и второй моделью, не написав второго клиента. Nanbeige4.3-33B отсутствует в каталоге — мы его не хостим, и ничто в этой статье не утверждает, что мы это делаем.

Эта асимметрия — честный итог всего сравнения. Одна из этих моделей — сервис, который можно тарифицировать по потреблению и от которого можно отказаться за один день. Другая — чекпоинт, который вы принимаете. Nanbeige намеренно создала второй тип: это учитель, так и сказано в карточке модели, а 3B-ученик, который сделает это значимым, ещё не выпущен.