Nanbeige4.3-33B против Xing 4.0 29B-A4B: итоговый разрыв в 23 пункта и разворот на 16 пунктов

Nanbeige4.3-33B и Xing 4.0 29B-A4B — это один и тот же посыл, поданный с противоположных сторон. Первая — плотная модель на 33 млрд параметров от лаборатории Nanbeige LLM Lab компании BOSS Zhipin, опубликованная 24 октября 2026 года под лицензией Apache 2.0, с контекстом 524 288 токенов и рецептом инференса, рассчитанным на четыре GPU. Вторая — модель mixture-of-experts на 29 млрд параметров от TeleAI (China Telecom), веса которой открыты с 16 сентября 2026 года; она активирует около 4 млрд параметров на токен, и в её собственной карточке утверждается, что при 4-битном квантовании она помещается на одну потребительскую видеокарту с 24 ГБ. Обе нацелены на агентное программирование и длинные циклы работы с инструментами. Обе поставляются с открытыми весами. Никто не сравнивал их напрямую, включая их собственные лаборатории, — в карточке Nanbeige бенчмарки приведены против Qwen3.8-27B, Muse-Glimmer-30B и Gemma4-31B; в карточке Xing — против Gemma4-26B-A4B и Qwen3.6-35B-A3B. Они ни разу не упоминают друг друга.

Это не тот пробел, который можно замаскировать сравнительной таблицей, потому что две таблицы поставщиков используют разные испытательные стенды, разную методику выборки и разные наборы конкурентов. Сделать можно более узкую, но и более полезную вещь: найти строки, которые случайно совпадают у двух лабораторий, прочитать сноски, определяющие, значат ли эти строки хоть что-то, а затем отделить модель, которую измерил кто-то, кому не платили за это измерение, от той, которую так не измеряли.

33 миллиарда плотных параметров против 4 миллиардов активных — ещё до запуска каких-либо бенчмарков

Архитектурное различие — не просто тезис для обсуждения. Это счёт, задержка и план развёртывания, и оно определяется до того, как любая из моделей ответит хотя бы на один запрос.

Nanbeige4.3-33B — это стандартный плотный декодер: LlamaForCausalLM, 52 слоя, размер скрытого состояния 7 168, групповое внимание с 56 головками запросов и 8 головками ключей/значений. Каждый сгенерированный токен задействует все 33,1 млрд параметров. BF16-чекпоинт занимает 66,3 ГБ и разбит на четырнадцать шардов safetensors, а оба рецепта — vLLM и SGLang — в репозитории задают тензорный параллелизм 4, что указывает: целевая машина — узел с четырьмя GPU, а не рабочая станция.

Xing 4.0 29B-A4B разрежена: в чекпоинте 29 млрд параметров, 64 маршрутизируемых эксперта, из которых 4 активны плюс один общий, 40 слоёв, размер скрытого слоя 3 584; в основе — то, что в её карточке называется mHC + MLA + MTP. Вычисления на токен масштабируются от 4 млрд активных параметров, а не от 29 млрд хранимых. Производитель заявляет 4-битную квантизацию примерно при 15 ГБ видеопамяти, что позволило бы запустить её на RTX 3090 или 4090; это утверждение стоит проверить по фактическому квантованному файлу, прежде чем покупать под него оборудование, потому что в репозитории указан размер тензора полного чекпоинта в 31 млрд параметров, и эти два числа странно сочетаются.

Всё остальное следует из этого разделения.

• Контекст — Nanbeige4.3-33B: 524 288 токенов, нативно, без расширения YaRN в рецепте; Xing 4.0 29B-A4B: 262 144 нативно, заявлено расширение до 512K, хотя рецепт расширения не опубликован.

• Минимальный практический объём — Nanbeige4.3-33B: 66,3 ГБ весов BF16 до KV-кэша, четырёхпутевой тензорный параллелизм; Xing 4.0 29B-A4B — примерно 15 ГБ при 4-битном квантовании по собственному заявлению производителя, на одной карте.

• Стек обучения — Nanbeige4.3-33B подробно не документирован; Xing 4.0 29B-A4B обучалась сквозным образом на кластерах Ascend 910C с использованием MindSpore и MindFormers, с заявленным улучшением пропускной способности на 96% по сравнению с собственным базовым показателем поставщика «из коробки». Это утверждение об улучшении относительно внутренней базовой линии без публичной точки сравнения, поэтому его невозможно проверить извне, но это более интересное инженерное заявление из двух релизов.

• Лицензия — Apache 2.0 в обоих случаях, что делает цену загрузки нулевой для обоих и полностью переносит спор на аппаратное обеспечение и токены.

Пять строк, которые прогнали обе лаборатории, и две, которые расходятся

В двух карточках моделей совпадают пять названий бенчмарков: Terminal-Bench 2.1, Tau3-Bench, Claw-Eval, AIME2026 и AA.LCR. Сопоставление по ним — единственное доступное количественное сравнение, и именно в сносках становится ясно, выдерживает ли оно проверку или рассыпается.

• Terminal-Bench 2.1 — Nanbeige4.3-33B 80,9, Xing 4.0 29B-A4B 57,5. Обе лаборатории утверждают, что проводили его в Terminus 2, что делает этот тест самым близким к общему инструменту в обеих таблицах. Но это всё равно не один и тот же эксперимент: в карточке Xing указаны temperature 0.8, top-p 0.95, максимум 64K токенов, тайм-аут 24 часа и среднее по трём запускам; у Nanbeige указан только harness и больше ничего. Разрыв в 23 пункта при почти идентичных harness — самый сильный отдельный сигнал в этом сравнении, и всё же это сигнал, а не измерение.

• Tau3-Bench — Nanbeige4.3-33B 48.8, Xing 4.0 29B-A4B 64.63. Это перелом, и он значителен. Xing выигрывает в диалоге с использованием инструментов почти 16 баллов — на семействе бенчмарков, которое наиболее прямо проверяет многоходовой вызов функций. Оговорка касается метрики: Xing сообщает pass^1, усреднённый по четырём запускам на официальном harness tau-bench; Nanbeige говорит, что использовал официальные репозитории, но не указывает способ агрегации и относит эту строку к agentic coding, а не к tool use.

• Claw-Eval — Nanbeige4.3-33B: 78,3 при pass^3, Xing 4.0 29B-A4B: 76,55. Этот результат стоит отбросить, а не читать. В сноске Nanbeige сказано, что оценивалось только подмножество General набора Claw-Eval — 157 задач с одним ходом; у Xing подмножество не указано. Разница в 1,75 балла между двумя безымянными версиями одного и того же бенчмарка — это шум, переодетый в результат.

• AIME2026 — Nanbeige4.3-33B 95.2, Xing 4.0 29B-A4B 90.0. Олимпиадная математика, на стороне Xing усреднение по пяти прогонам, максимум 131 072 токена; параметры сэмплирования Nanbeige снова не указаны. Оба результата сильны, порядок согласуется с итоговым результатом, и ни одно из чисел мало что говорит о том, как каждая модель справляется с реальной задачей.

• AA.LCR — Nanbeige4.3-33B 84,0, Xing 4.0 29B-A4B 61,0. Рассуждение на длинном контексте и самый широкий пропорциональный разрыв после Terminal-Bench. Стоит отметить, что это бенчмарк Artificial Analysis, запускаемый двумя поставщиками, поэтому ни одна из цифр не является показателем Artificial Analysis.

Четыре из пяти отдают предпочтение Nanbeige4.3-33B. Переворачивает результат тот, что про последовательный вызов инструментов — а именно этим агент и занимается целыми днями. Это противоречие — самое полезное, что есть на обеих карточках, и ни одна из лабораторий его не прокомментировала.

Есть замечание о достоверности, которое говорит в пользу Nanbeige именно в строке терминала. В его собственной карточке заявлен Terminal-Bench 4.0 на уровне 23.8; Artificial Analysis, запустив собственную среду тестирования, получила 29.8. Внешнее измерение оказалось на шесть баллов выше, чем заявка самого производителя, что противоположно обычному направлению и позволяет предположить, что таблица производителя здесь не завышена. У Xing 4.0 29B-A4B нет эквивалентной проверки.

Только у одной из этих моделей есть номер, за который никто не платил.

Nanbeige4.3-33B получила оценку. Artificial Analysis поставила её на 20-е место в Intelligence Index v5.0.1 — первая из девяти в своём классе сравнения открытых моделей при медиане класса 10 и 76-я в общем списке моделей. Субпоказатели информативнее композитной оценки: Terminal-Bench 4.0 — 29,8%, FrontierCode 2.0 — 10,7%, а доля ответов без галлюцинаций — 81,8%, что является седьмым лучшим показателем на сайте. Она отказывается отвечать на многие вопросы. Для модели, явно созданной в качестве учителя для дистилляции, это преимущество.

У Xing 4.0 29B-A4B нет записи в Artificial Analysis. Не плохой записи — никакой. Сайт возвращает 404 для слага модели в обоих вероятных вариантах написания, и ни составного балла, ни суббалла, ни цены, ни показателя скорости для неё нигде на этом табло не существует.

Эта асимметрия определяет всё, что статья-сравнение может честно утверждать. Две модели можно сравнивать по таблицам производителей, с оговорками в сносках выше. Их нельзя сравнивать по единственному инструменту, который не контролирует ни одна из лабораторий, потому что только одна из них в нём участвует. Любой материал, который ранжирует эти две модели друг против друга на нейтральной почве, изобретает эту нейтральную почву.

Где законопроект на самом деле расходится

Если вы выбираете между ними, цена токена — не решающий показатель; решающим является стоимость выполнения задачи, и на стороне Nanbeige складываются три отдельных множителя.

Первое — плотность: 33 миллиарда параметров считывается на каждый выходной токен против примерно 4 миллиардов. На каком бы оборудовании вы ни работали, это большой кратный рост вычислений на токен, прежде чем учитывать что-либо ещё.

Второе — многословность, и она измеряется, а не предполагается. Artificial Analysis сообщает, что Nanbeige4.3-33B сгенерировала 160 млн выходных токенов за прогон Intelligence Index при медиане по классу 77,7 млн — в 2,06 раза больше медианы и восьмое место из восьми в рейтинге многословности на сайте. Карточка самой модели отчасти это объясняет: режим размышления включён по умолчанию, а рекомендуемый потолок для задач рассуждения составляет 262 144 токена. Любая модель, которой сказали, что она может размышлять на четверть миллиона токенов, часть из них использует.

Сложите эти два фактора вместе — и плотная модель, которая к тому же говорит вдвое больше, обходится не вдвое дороже в расчёте на выполненную задачу; разница ближе к порядку величины. В этом и заключается реальный смысл сравнения 33B с 4B активных параметров, и этого нет ни в одной из таблиц бенчмарков.

Третий неизвестен, и он неизвестен в пользу Xing лишь по умолчанию. Никто не опубликовал показатель многословности для Xing 4.0 29B-A4B, поэтому модель с 4B активных параметров без измерения токенной эффективности может быть действительно дешёвой в расчёте на задачу или выдавать достаточно токенов, чтобы нивелировать часть преимущества. Вы сравниваете измеренную дорогую модель с неизмеренной дешёвой.

Что вы можете назвать сегодня

Ни одна из моделей не размещается в обычном смысле, и разница между ними меньше, чем предполагает освещение запуска.

Nanbeige4.3-33B вообще не имеет API. На его странице на Hugging Face указано, что модель не развёрнута ни одним провайдером инференса, а Artificial Analysis не фиксирует ни одного общедоступного API и оставляет поля цены пустыми. Доступ означает загрузку 66 ГБ весов и запуск их на оборудовании, которым вы владеете или которое арендуете.

Xing 4.0 29B-A4B имеет веса с 16 сентября и платный маршрут с оплатой по факту, появившийся в середине октября: сторонний маркетплейс указывает цену $0.22 за миллион входных токенов и $0.90 за миллион выходных, а рядом с ним указан бесплатный промо-вариант того же эндпоинта. Панель inference-провайдеров Hugging Face всё ещё пуста, поэтому хостинговый путь идёт через маркетплейсы, а не через поставщика, а промо-тариф — не та цена, на которой стоит строить бюджет.

Если говорить прямо о нашей собственной позиции: ни одной из этих моделей сегодня нет в каталоге OrcaRouter, так что мы не являемся маршрутом ни к одной из них, и ничто ниже не делает вид, что это не так. В решении вроде этого роутер оправдывает своё место именно в роли контроля. Самый дешёвый способ выяснить, стоит ли самостоятельно размещённая плотная модель на 33B четырёх GPU, — поставить её рядом с чем-то, что можно вызывать за токены, и измерить обе на собственных задачах; и очевидный контроль здесь — модель, с которой сравнивает Nanbeige в собственной карточке. Qwen3.8-27B есть в нашем каталоге по $0.33 за миллион входных и $2.40 за миллион выходных токенов, Artificial Analysis оценивает её в 20,1 против 20 у Nanbeige, и она использует тот же ключ, что и остальной каталог при этом списочные цены провайдеров передаются без наценки. Это превращает сравнение в правило маршрутизации, а не во второй контракт.

Кто должен выбирать

Это разделение становится понятным, как только признать, что речь идёт о выборе между возможностями и затратами, а не между возможностями и возможностями.

Nanbeige4.3-33B — это выбор, когда терминальная работа и есть продукт. Преимущество в 23 пункта на почти общем стенде Terminus 2, самый высокий показатель отсутствия галлюцинаций в своём классе, нативное окно 512K и независимая оценка, оказавшаяся выше заявленной самим производителем, — это модель, которая стоит четырёх GPU, если ваша нагрузка — долгосрочная работа с кодом и shell, и если вы можете потянуть счёт за токены примерно вдвое выше медианы по классу.

Xing 4.0 29B-A4B — это выбор, когда ограничения — одна карта и счёт с оплатой по потреблению. Преимущество в 16 пунктов на Tau3-Bench, объём, который, по словам производителя, помещается на карту с 24 ГБ, четверть вычислительных затрат Nanbeige на токен и единственный из двух с ценой, которую можно оплачивать, не покупая оборудование. Это также более слабая модель в той единственной строке, где тестовые стенды наиболее сопоставимы, поэтому аргументы в её пользу — экономические и эксплуатационные, а не связанные с возможностями.

Два момента могли бы закрыть оставшиеся открытыми вопросы. Прогон Artificial Analysis для Xing 4.0 29B-A4B превратил бы асимметричное сравнение в симметричное, а результат Tau3-Bench от Nanbeige с указанным способом агрегации показал бы, является ли разворот на 16 пунктов реальной слабостью в использовании инструментов или артефактом двух разных метрик с одинаковым названием. Пока не появится хотя бы одно из них, честный вывод таков: Nanbeige4.3-33B — более сильная модель по имеющимся данным, а Xing 4.0 29B-A4B — та, которую вы можете себе позволить запускать; и масштаб этого компромисса зависит от вашего набора задач, а не от той или иной карты.