Nanbeige4.3-33B vs Gemma 4 26B-A4B: En lärare utan slutpunkt mot en arbetshäst för sex cent

Att jämföra Nanbeige4.3-33B med Gemma 4 26B-A4B i ett benchmark är fel första steg, och anledningen är inte att siffrorna ligger nära eller långt ifrån varandra. Det är att bara en av dessa två modeller har ett pris. Gemma 4 26B-A4B är en hostad modell på OrcaRouter för $0,06 per miljon inputtoken och $0,33 per miljon outputtoken, med ett fönster på 262 144 token och en p50-tid till första token på 826 millisekunder. Nanbeige4.3-33B har ingen endpoint, ingen prislista och ingen inferensleverantör angiven i sitt repository – dess kostnad är fyra GPU:er och din elräkning.

Så den verkliga frågan är inte vilken modell som får högre poäng. Det är om kapacitetsgapet mellan en tät lärare med 33 miljarder parametrar och en mixture-of-experts med 26 miljarder parametrar som aktiverar 3,8 miljarder parametrar per token är värt att flytta från en förbrukningsdebiterad radpost till en kapitalpost. Det är en fråga du kan besvara med aritmetik, och aritmetiken är mindre smickrande för den större modellen än benchmarktabellen antyder.

Indexpoängen har inget partnernummer

Nanbeige4.3-33B ligger på 20 i Artificial Analysis Intelligence Index v5.0.1. Gemma 4 26B-A4B har ingen v5-poäng alls: dess Artificial Analysis-sida listar det sammansatta värdet som N/A, anger "Okänt av 4 enheter för Intelligence" och noterar att det inte finns något offentligt tillgängligt API att köra det nuvarande testramverket mot. Vad den än fick för poäng på ett tidigare index tillhör en bedömningsmall som inte längre finns.

De två uppgifterna kan inte subtraheras från varandra. v5-indexet är en annan utvärderingsuppsättning med ny bas än sina föregångare, och en modell som fick bra resultat enligt den gamla metoden skulle inte nödvändigtvis hamna i närheten av samma placering enligt den nya. Den som visar dig en jämförelse mellan "20 och vad Gemma än fick förra året" jämför två olika prov. Det ärliga påståendet är att Gemma 4 26B-A4B är omätt på det aktuella sammansatta måttet och att Nanbeige4.3-33B är mätt till 20, och tills båda finns med på v5 finns det ingen indexdelta att ange.

Det som däremot finns i ett gemensamt testramverk är Terminal-Bench. Artificial Analysis körde Gemma 4 26B-A4B och fick 39,0 % på Terminal-Bench 2.1. Det körde Nanbeige4.3-33B och fick 29,8 % på Terminal-Bench 4.0 – ett annat och svårare benchmark, så återigen ingen skillnad. Nanbeiges eget kort anger 80,9 på Terminal-Bench 2.1 för Nanbeige4.3-33B mot 73,0 för Qwen3.8-27B, men den raden är leverantörsrapporterad med ett Terminus 2-testramverk och har inte reproducerats oberoende. Läs det som "Nanbeige anser sig vara starka här", inte som en siffra.

Vad varje modell faktiskt är utformad att göra

Arkitekturen säger dig mer än benchmarkarna, eftersom de två designerna optimerar för motsatta begränsningar.

• Form — Nanbeige4.3-33B har 33,1B parametrar, alla densa och aktiverade för varje token. Gemma 4 26B-A4B har 25,2B totalt med ungefär 3,8B aktiva per token, ett förhållande på 6,6:1.

• Minne för vikter – 66,3 GB i bfloat16 för Nanbeige4.3-33B över fjorton shards. Gemma 4 26B-A4B får plats i ungefär 18 GB vid 4-bit, vilket är ett enda konsumentkort.

• Kontext — 524 288 tokens inbyggt för Nanbeige4.3-33B, ingen skalning tillämpad, jämfört med 262 144 för Gemma 4 26B-A4B. Båda serveras vid 262K på OrcaRouter för Gemma-modellen.

• Modalitet — text in, text ut, engelska och kinesiska, för Nanbeige4.3-33B. Gemma 4 26B-A4B tar emot text, bild och video och returnerar text, vilket avgör jämförelsen för alla pipeliner som läser skärmbilder.

• Licens — Apache 2.0 på båda, så det juridiska läget är identiskt och beslutet är helt och hållet tekniskt och ekonomiskt.

• Resonemang — båda levereras med tänkande påslaget som standard och båda erbjuder ett sätt att dra ner på det. Nanbeige4.3-33B rekommenderar ett tak på 262 144 token för resonemang och 65 536 för agentiskt arbete; Gemma 4 26B-A4B begränsar utdata till mycket lägre nivåer i praktiken, runt 33K token på de flesta vägar.

Det sista paret är kärnan. Nanbeige-modellen är byggd för att köras länge – långa terminalsessioner, långa agenttrajektorier, långa resonemangskedjor – och varje sådan token kostar dig GPU-tid till priser för densa modeller. Gemma-modellen är byggd för att vara billig per token, vilket är anledningen till att Google kan släppa den med 3.8B aktiva och till att det kostar sex cent att starta en konversation.

Ett genomräknat exempel, eftersom detta är ett kostnadsbeslut

Ta en uppgift som läser 20 000 tokens indata och producerar 3 000 tokens utdata, och kör den tusen gånger om dagen.

På Gemma 4 26B-A4B i OrcaRouter-listan kostar varje anrop 20 000 × 0,06 USD per miljon för indata – 0,0012 USD – plus 3 000 × 0,33 USD per miljon för utdata – 0,00099 USD. Det blir 0,00219 USD per anrop, eller 2,19 USD per tusen anrop, eller cirka 66 USD i månaden vid den volymen.

På Nanbeige4.3-33B finns det inget pris per anrop att beräkna, eftersom det inte finns något anrop. Du behöver hårdvara. I bfloat16 är vikterna ensamma 66,3 GB, vilket inte får plats på ett enda 80 GB-kort tillsammans med en användbar KV-cache när kontexten växer: varje token i cachen kostar cirka 208 KiB, så en konversation på 32K token tillför ungefär 6,5 GiB per sekvens. Fyrvägs tensorparallellism är den konfiguration som Nanbeiges eget modellkort förutsätter, och det är miniminivån för en seriös driftsättning, innan du ens räknar med den andra noden som du behöver för redundans.

Ställer man dem sida vid sida är den ärliga slutsatsen att de två modellerna inte är utbytbara vid låg volym. Under några miljoner tokens per dag är Gemma 4 26B-A4B en storleksordning billigare, och gapet i agentisk förmåga skulle behöva vara enormt för att stänga det. Över den volymen skrivs den fasta kostnaden för självhosting av och jämförelsen blir verklig — vilket är precis när 33B:s styrka över långa tidshorisonter börjar spela roll.

Där den densa modellen förtjänar sin plats

Argumentet för Nanbeige4.3-33B är inte ”att den är bättre”. Det är ”att den gör en specifik sak som den billiga modellen gör dåligt”, och de oberoende siffrorna pekar på vilken sak det är.

Terminal-Bench 4.0 med 29,8 % är, enligt Artificial Analysis egen resultattavla, det 56:e bästa resultatet av alla konfigurationer på det benchmarket. Det är ingen rubriksiffra. Det är dock ungefär fem gånger vad Qwen3.8-27B klarar vid sin högsta resonemangsinställning i samma testramverk, och det är ett benchmark byggt kring terminalarbete med lång horisont – den typ av uppgift där en modell som ger upp tidigt får noll oavsett hur bra den resonerar.

Samma mönster visar sig i kalibreringsdatan. Nanbeige4.3-33B får 11,7 % träffsäkerhet på AA-Omniscience men 81,8 % icke-hallucinering, sjunde plats på hela webbplatsen. I en agentloop är en modell som säger "Jag vet inte" i stället för att hitta på en väg värd mer än en som är fem punkter bättre på trivialfrågor och fabricerar när den inte längre kommer vidare. Motsvarande kalibreringssiffror för Gemma 4 26B-A4B är inte publicerade i den aktuella sammanställningen, så detta är ett påstående om Nanbeige, inte en jämförelse.

Delen som avgör det för de flesta team

Båda modellerna kan nås via en enda nyckel om du vill testa argumentet i stället för att läsa det. Gemma 4 26B-A4B finns i OrcaRouter-katalogen till priset ovan, med ett 262K-fönster och routing med noll datalagring tillgänglig på samma endpoint. Nanbeige4.3-33B finns inte i katalogen – vi hostar den inte, och inget här bör tolkas som ett påstående om att vi gör det.

Det som den asymmetrin innebär i praktiken är att den billiga sidan av den här jämförelsen är ett femminutersexperiment och den dyra sidan är en upphandling. Om din arbetsbelastning är multimodal, eller om din volym är under några miljoner tokens per dag, eller om du behöver ett svar den här veckan, vinner Gemma 4 26B-A4B enbart på tillgänglighet och benchmarkfrågan ställs aldrig.

Om din arbetsbelastning är långhorisontell terminalautomatisering vet du redan att en 4B-aktiv modell kommer att tappa tråden någonstans under andra timmen, och det är 29,8 % du bryr dig om. Då blir frågan om du har råd med fyra GPU:er, och ingen benchmark kan svara på det åt dig.