Nanbeige4.3-33B vs Granite 4.2 30B: Påståenden kontra regelefterlevnad

Beslutet mellan Nanbeige4.3-33B och Granite 4.2 30B kommer att fattas på ett inköpsmöte, inte på en topplista. Båda är ungefär 30 miljarder parametrar stora densa modeller under Apache 2.0, båda kan laddas ner den här veckan och båda hävdar ett tak på 512K tokens. Men den ena säljs av IBM med signerade artefakter och ett supportavtal, och den andra är ett två dagar gammalt arkiv från ett kinesiskt labb som inte har publicerat något lanseringstillkännagivande. IBMs Granite 4.2 30B anlände den 25 augusti 2026; Nanbeige4.3-33B dök upp på Hugging Face den 24 oktober 2026. De är egentligen inte rivaler för samma köp, vilket är precis anledningen till att jämförelsen är värd att göra noggrant.

Det som följer är inte en vinnare. Det är en kortlistelogik: de fyra frågor som faktiskt skiljer dessa modeller åt, med den evidens som varje svar vilar på och de ställen där evidensen är svagare än den ser ut.

Två produkter med samma antal parametrar

Granite 4.2 30B är den främsta modellen i IBM:s Granite 4.2-serie – 3B, 8B och 30B, samtliga av dense-typ. Den bygger på Granite-4.1-30B-Base, som förtränats på ungefär 15 biljoner token, inklusive omkring en biljon syntetiska kodtoken, och har därefter genomgått ett agentiskt förstärkningsinlärningssteg för storlekarna 8B och 30B. Den levereras med tre resonemangslägen (tänkande, icke-tänkande, låg ansträngning), inbyggt verktygsanrop i OpenAI-format samt FP8- och 4-bitarsversioner. IBM anger inbyggt stöd för vLLM och SGLang, inklusive en granite_thinking_parser.

Nanbeige4.3-33B är en enda dense checkpoint från Nanbeige LLM Lab, AI-teamet under Kanzhun, företaget bakom BOSS Zhipin. Dess modellkort är ovanligt specifikt om driftsättning: 33,1B parametrar, kontext på 524 288 token, engelska och kinesiska, tänkande påslaget som standard, ett XML-verktygsanropsformat som rekommenderas framför JSON och en preserve_thinking-flagga avsedd för verktygsanvändning över flera turer. Den positioneras uttryckligen som en lärarmodell för ett mindre syskon, Nanbeige4.3-3B, som ännu inte har släppts.

Skillnaden i syfte spelar roll. Granite är en produktlinje med en supportväg för företag. Nanbeige4.3-33B är en forskningsartefakt som släppts för att lägga grunden till en familj. Den ena är byggd för att köpas; den andra är byggd för att destilleras från.

Den enda raden som båda labben faktiskt körde

Nanbeiges kort jämför sig med Qwen3.8-27B, Muse-Glimmer-30B och Gemma 4 31B. IBMs Granite-material nämner inte Nanbeige alls. Så de två korten delar exakt ett benchmark där en direkt jämförelse ens nominellt är möjlig: Terminal-Bench 2.1.

• Terminal-Bench 2.1 — Nanbeige4.3-33B 80,9 (Nanbeiges kort) mot Granite 4.2 30B 29,24 (IBMs kort). En skillnad på 51,7 punkter till Nanbeiges fördel.

Det är den största hävdade skillnaden mellan två leverantörstabeller i hela den här jämförelsen, och den kräver tre förbehåll innan den betyder något. För det första är båda siffrorna leverantörsrapporterade. För det andra står det på Nanbeiges kort att körningen av Terminal-Bench 2.1 använde Terminus 2; på IBM:s kort anges inte deras scaffold. För det tredje mäter ett terminalbenchmark en modell plus en agentloop, och en skillnad på 51 punkter kan lika gärna komma från loopen som från vikterna. En modell med ett väljusterat harness och en modell med ett standardharness kommer att skilja sig med tiotals punkter på samma nominella benchmark.

Den näst närmaste gemensamma raden är GPQA Diamond: Nanbeige rapporterar 89,5 och IBM rapporterar 66,41. Det är en verklig lucka på ett kunskapsbenchmark, och den är tillräckligt stor för att stå emot skillnader i harness, men den mäter också något annat än agentisk kodning – vetenskapsfrågor på avancerad nivå, inte verktygsanvändning över långa horisonter. Det visar att Nanbeige är den starkare resoneraren av de två utifrån detta underlag. Det visar inte att den är den starkare agenten.

Allt annat är inte jämförbart. Nanbeige rapporterar SWE-Bench Pro till 60,3; IBM rapporterar SWE-Bench Verified till 57,00 – olika varianter, olika svårighetsgrad. Nanbeige rapporterar AIME 2026 till 95,2; IBM rapporterar AIME25 till 89,17 – olika år. Nanbeige rapporterar JobBench och DeepPlanning; IBM rapporterar τ³-bench 62,00, BFCL v4 61,39, MMLU-Pro 77,60, LiveCodeBench v6 75,77 och RULER 128K 81,38. Ingen av dessa har en motsvarighet från Nanbeige.

Två 512K-anspråk som inte är samma anspråk

Båda modellerna uppger ett tak på 512K. De når dit på olika sätt, och skillnaden syns i vad respektive leverantör var villig att publicera.

• Nativt fönster — Nanbeige4.3-33B: 524 288 tokens, nativt. Granite 4.2 30B: 131 072 tokens, nativt.

• Utökat maxtak — Granite 4.2 30B erbjuder en långkontextförlängning till 512K. Nanbeige behöver ingen sådan; 512K är det tränade fönstret.

• Bevis för lång kontext — IBM publicerar RULER vid 128K: 81,38. Nanbeige publicerar AA-LCR på 84,0, ett benchmark för långkontextresonemang, men inte ett benchmark för återkallning vid ett angivet djup.

• Utdata – Nanbeiges kort rekommenderar upp till 262 144 nya tokens för resonemang och chatt, 65 536 för agentiskt arbete och verktygsanvändning. IBMs rekommenderade max_new_tokens är 8 192 i tänkandeläge och 2 048 i icke-tänkandeläge.

Den sista raden är den praktiska. Ett indatafönster på 512K kombinerat med en rekommenderad utdata på 8K är en modell byggd för att läsa mycket och svara kortfattat. Ett fönster på 512K kombinerat med en genereringsbudget på 262K är en modell byggd för att producera långa artefakter. Om ditt arbete är "läs in repositoryt, skriv migreringen" är de inte likvärdiga produkter ens vid samma nominella kontextlängd.

Verktygsanrop, tankelägen och integrationsskatten

Granites verktygsanrop är i OpenAI-format och inbyggt, med BFCL v4 på 61,39 i IBMs egen utvärdering. Det innebär att det kan användas direkt i en standardklient för funktionsanrop utan en anpassad parser. IBM publicerar också en tankeparser för vLLM, så att resonemangsspåren separeras tydligt från svaret.

Nanbeige4.3-33B tar motsatt ansats: den rekommenderar tool_call_format="xml" för bästa prestanda, levereras med en mall i ChatML-stil och ber dig använda Qwen3:s reasoning-parser och Qwen3-Coder:s verktygsparser i vLLM eller SGLang. Det är inte en defekt – många starka agentmodeller använder XML-verktygsanrop – men det är integrationsarbete. Om din stack talar OpenAI-verktygs-JSON behöver Nanbeige antingen ett översättningslager eller sitt JSON-läge, som kortet säger stöds men inte är att föredra.

Det här är skatten som benchmark-tabeller aldrig visar. En modell som är 20 poäng bättre på ett testramverk som du måste bygga om är inte 20 poäng bättre på tisdag. Granites fördel här är inte kapacitet; det är att kopplingarna är dokumenterade, standardiserade och stöds av en leverantör med en buggspårare.

Compliance-linjen

IBM levererar Granite med kryptografiska signaturer, ISO-certifiering och transparensredovisningar. För en reglerad köpare är det inte marknadsföring – det är skillnaden mellan en modell som kan gå igenom en godkännandeprocess och en som inte kan. IBM är också motparten: det finns ett avtal, en supportväg och ett företag som fortfarande kommer att finnas inom upphandlingscykelns tidsram.

Nanbeige4.3-33B har en Apache 2.0-licens, som är juridiskt tillåtande och kommersiellt användbar. Den har inte ett supportavtal för företag, ett program för signerade artefakter eller ett publicerat uttalande om dataproveniens utöver modellkortet. Laboratoriet är en del av Kanzhun, ett publikt kinesiskt företag, och modellen är tvåspråkig engelska–kinesiska. Inget av detta diskvalificerar den. Allt detta är sådant som en säkerhetsgranskning kommer att fråga om, och det ärliga svaret i dag är att bevisningen är tunnare på Nanbeige-sidan.

För ett team utanför en reglerad process är det här avsnittet irrelevant och ni kan hoppa över det. För ett team inom en sådan kan det avgöra frågan innan benchmarkarna har lästs.

Vad en token kostar, och vad ett GPU kostar

Granite 4.2 30B finns som ett hanterat API för 0,16 USD per miljon indatatokens och 0,65 USD per miljon utdatatokens, med 75 % cacherabatt, ungefär 47,5 utdatatokens per sekund och 0,82 sekunder till första token. Artificial Analysis uppskattar kostnaden till cirka 0,07 USD per uppgift i Intelligence Index. Vikterna går också att ladda ner, på cirka 60 GB i BF16 eller 30 GB i 8-bit – en distribution för en enda GPU.

Nanbeige4.3-33B har inget publicerat pris per token eftersom ingen hostar det. Modellkortet anger uttryckligen att ingen inferensleverantör driftsätter modellen. Egen drift innebär cirka 66 GB i BF16, eller ungefär 20 GB vid 4-bit, där leverantörens egna recept använder tensor-parallell storlek 4. Det är fyra GPU:er som hålls upptagna oavsett om trafik kommer in eller inte.

Ställ de två siffrorna ärligt sida vid sida, och jämförelsen står mellan en förbrukningsbaserad faktura som börjar på noll och en kapitalutgift som börjar på fyra GPU:er. Vid låg volym är Granite en storleksordning billigare. Vid varaktigt hög volym kan en egenhostad 33B vinna — men bara om utnyttjandegraden är tillräckligt hög för att amortera av hårdvaran, och bara om du värderar ingenjörstiden till noll. De flesta team upptäcker att den inte är noll.

Ingen av modellerna finns på vår router, och det är värt att säga rakt ut.

OrcaRouter tillhandahåller inte Nanbeige4.3-33B eller Granite 4.2 30B i dag. Vi tänker inte låtsas något annat, eftersom en läsare som registrerar sig med förväntan om endera modellen skulle förlora en dag på att upptäcka att katalogen inte har den.

Det som routinglagret fortfarande gör är att hålla resten av beslutet billigt. Om du redan kör en befintlig leverantör via vår endpoint är det en konfigurationsändring, snarare än en andra integration, att lägga till en självhostad Nanbeige bakom samma nyckel och skicka en del av trafiken till den. Vår modell med 0 % påslag – leverantörens listpris förs vidare – innebär också att när IBM eller en annan värd ändrar priset för Granite, flyttas siffran du ser med det i stället för att släpa efter en återförsäljares marginal. Det gör inte att någon av modellerna blir tillgänglig. Det gör experimentet kring dem billigare att köra.

En kortlista, inte en vinnare

• Om du behöver ett kontrakt, signaturer och en väg till support: Granite 4.2 30B, och då slutar benchmark-gapet att spela roll.

• Om du behöver den starkaste påstådda agentiska kodningsprestandan i den här storleksklassen: Nanbeige4.3-33B, med förbehållet att dess 80,9 på Terminal-Bench 2.1 aldrig har reproducerats utanför dess eget kort.

• Om du behöver inbyggd 512K-indata med lång utdata: Nanbeige4.3-33B. Granite når 512K genom utökning och rekommenderar utdata på 8K.

• Om du behöver kinesiska: båda modellerna listar det. Granites modellkort anger kinesiska bland 12 språk; Nanbeiges listar engelska och kinesiska. Språket är inte avgörandet här.

• Om du behöver börja i dag utan GPU:er: Granite 4.2 30B via IBMs API. Nanbeige har inget hostat alternativ alls.

Den obekväma sammanfattningen är att dessa modeller är tillräckligt nära i klass för att beslutet kommer att fattas utifrån begränsningarna runt dem – upphandling, driftsättning, språk, modalitet – snarare än utifrån 51-poängsraden. Den raden kan mycket väl vara sann. Den är också det enskilt minst verifierbara påståendet i den här artikeln, och den bör vara det sista skälet till att du väljer en modell, inte det första.