Nanbeige4.3-33B vs Qwen 3.6 35B-A3B: Nanbeige benchmarkade en annan Qwen, och det är hela historien

Öppna Nanbeiges modellkort för Nanbeige4.3-33B och räkna Qwen-kolumnerna. Det finns exakt en, och den tillhör Qwen3.8-27B – en dense multimodell som släpptes i augusti 2026. Qwen 3.6 35B-A3B, mixture-of-experts-modellen som Liquid AI använde som sin egen referenspunkt för LFM2.5 och som större delen av agentekosystemet för öppna vikter benchmarkar mot, förekommer inte alls i Nanbeiges tabell med tjugo rader.

Den frånvaron är ett val, och det gör den här matchningen mer intressant än en vanlig direkt jämförelse. Nanbeige4.3-33B jämfördes med den Qwen-modell som den kunde slå på långsiktiga agentiska rader. Qwen 3.6 35B-A3B är den Qwen-modell som kostar en fjärdedel så mycket att köra, accepterar bilder och video och har varit i produktion sedan april. Om det är en rättvisare jämförelse eller en enklare sådan beror på vad du köper, och de två modellerna är inte optimerade för samma köpare.

En av dessa är tät och den andra inte, och det avgör notan.

Den enskilt mest betydelsefulla skillnaden finns inte i något benchmark.

• Parametrar – 33,1B totalt, alla aktiva, för Nanbeige4.3-33B. 35B totalt med ungefär 3B aktiva per token för Qwen 3.6 35B-A3B, en mixture of experts.

• Beräkna per token — en fullständig tät framåtpassning för Nanbeige4.3-33B jämfört med en gles sådan över en liten expertdelmängd för Qwen 3.6 35B-A3B. På samma hårdvara producerar Qwen-modellen betydligt fler token per sekund per GPU.

• Minne för vikter — 66,3 GB i bfloat16 för Nanbeige4.3-33B. Qwen-modellen får plats bekvämt på ett enda kort när den kvantiseras.

• Kontext — 524 288 tokens inbyggt för Nanbeige4.3-33B. 262 144 för Qwen 3.6 35B-A3B, med en maximal utdata på 65 536 tokens.

• Modalitet – text in, text ut, engelska och kinesiska, för Nanbeige4.3-33B. Text, bild och video in för Qwen 3.6 35B-A3B.

• Pris — ingen hostad slutpunkt för Nanbeige4.3-33B. Qwen 3.6 35B-A3B på OrcaRouter för 0,25 USD per miljon indatatoken och 1,49 USD per miljon utdatatoken, med en p50-tid till första token på 6,67 sekunder.

• Licens — Apache 2.0 på båda.

Läs beräkningsraden två gånger. En tät 33B-modell som kör ett agentiskt svar på 65 536 tokens – Nanbeiges eget rekommenderade tak – utför 33 miljarder parametrars arbete för vart och ett av dessa tokens. Qwen-modellen utför ungefär en tiondel av det. Om de två ligger inom några poäng från varandra på samma uppgift vinner den glesa modellen ekonomiskt med en storleksordning, och ingen benchmarktabell kommer att berätta det för dig.

Poängen kan inte subtraheras, och anledningen är metodologisk.

Nanbeige4.3-33B ligger på 20 i Artificial Analysis Intelligence Index v5.0.1. Qwen 3.6 35B-A3B har ingen poäng alls på v5-sammansättningen – modellsidan visar N/A, eftersom det aktuella indexet bara poängsätter konfigurationer med ett offentligt tillgängligt API eller en slutförd intern körning, och de senast publicerade siffrorna från Artificial Analysis för den finns på det äldre v4.3.x-indexet, i övre tonåren för resonemangskonfigurationen.

De siffrorna är ingen jämförelse. v5-indexet är en ombaserad utvärderingsuppsättning, och en poäng från v4.3.x överförs inte. Den som presenterar "20 mot 18" subtraherar mellan två olika prov, vilket är det enskilt vanligaste felet i skrivande om modelljämförelser och värt att nämna explicit här.

Det som faktiskt finns på gemensam grund är snävare och fortfarande användbart.

• Terminal-Bench — Artificial Analysis körde Qwen 3.6 35B-A3B på 41,6 % på Terminal-Bench 2.1 och 25,8 % på Terminal-Bench Hard. Det körde Nanbeige4.3-33B på 29,8 % på Terminal-Bench 4.0. Olika benchmarks, så det är fortfarande inte en skillnad, men båda är externa mätningar på samma typ av uppgift.

• Leverantörens Terminal-Bench-påstående — Nanbeige rapporterar 80,9 på Terminal-Bench 2.1 för Nanbeige4.3-33B, vilket är samma benchmark som Qwen 3.6 35B-A3B oberoende uppmättes till 41,6 % på. Om den leverantörsraden håller är det den största skillnaden i hela den här jämförelsen. Det har inte reproducerats oberoende, och Nanbeiges egen fotnot säger att det kördes med en Terminus 2-harness.

• Kunskap — Artificial Analysis ger Nanbeige4.3-33B 11,7 % träffsäkerhet på AA-Omniscience med 81,8 % icke-hallucination. Qwen 3.6 35B-A3B:s Omniscience-siffror är från före v5-ombyggnaden, så de ligger på en annan skala och kan inte jämföras med Nanbeiges. Det som kan sägas är riktningsvisande och stämmer med båda familjernas användare: Qwen-modellen vet mer, Nanbeige-modellen avstår från att svara oftare.

• Resonemang — GPQA Diamond 84,8 med resonemang påslaget och 84,1 vid den utvärderade inställningen för Qwen 3.6 35B-A3B. Nanbeige4.3-33B:s modellkort uppger 89,5, ej reproducerat.

Varför Nanbeige valde Qwen3.8-27B i stället

Det finns en försvarbar anledning att jämföra en 33B dense-modell mot en 27B dense-modell och inte mot en 35B mixture-of-experts-modell, och det handlar inte om oärlighet. Det är att en jämförelse på lika villkor vad gäller arkitektur gör jämförelsen till en fråga om träningskvalitet snarare än om serveringseffektivitet. Två dense-modeller i liknande skala berättar vilket labb som tränade bättre. En jämförelse mellan dense och MoE berättar vilken design som är billigare, vilket är en annan fråga med ett annat svar.

Men valet har ett pris för läsaren, eftersom de flesta som väljer en modell väljer utifrån total ägandekostnad, inte utifrån träningskvalitet i abstrakt mening. På den axeln har Qwen 3.6 35B-A3B en fördel som Nanbeiges tabell aldrig lyfter fram: 3B aktiva parametrar innebär att du kan köra den på hårdvara du förmodligen redan har, och den accepterar skärmbilder och videorutor, vilket den täta 33B-modellen inte klarar oavsett pris.

Motargumentet är lika konkret. Nanbeige4.3-33B rymmer 524 288 token inbyggt utan skalning, och en tät stack gör dess långkontextbeteende förutsägbart på ett sätt som en gles modells inte är. Med 208 KiB KV-cache per token över 52 lager kostar dess fulla fönster cirka 104 GiB – vilket är en varning, inte ett säljargument, men det innebär också att det inte finns någon dold approximation mellan vad kortet lovar och vad modellen gör.

Var beslutet faktiskt landar

Om ditt arbete är multimodalt är Qwen 3.6 35B-A3B svaret innan man ens tittar på något benchmark. Nanbeige4.3-33B är endast för text, och en modell med 3B aktiva parametrar som läser bilder till en fjärdedel av priset per token är inte en nära tvåa för en skärmbildspipeline.

Om ditt arbete är långsiktig terminalautomatisering och du har fyra GPU:er är Nanbeige4.3-33B:s 29,8 % på Terminal-Bench 4.0 den starkaste publicerade siffran utifrån i det här paret, och modellens icke-hallucineringsgrad på 81,8 % är egenskapen som hindrar en agentloop från att under tjugo minuter självsäkert göra fel sak. Det är en verklig fördel och den är inte billig.

För alla däremellan är det praktiska svaret att Qwen 3.6 35B-A3B är modellen du kan utvärdera redan i eftermiddag och Nanbeige4.3-33B är modellen du utvärderar efter ett maskinvaruköp. Qwen 3.6 35B-A3B finns i OrcaRouter-katalogen till priset ovan, med samma nyckel som resten av de över 200 modellerna, med automatisk failover mellan uppströmsleverantörer och en routing-DSL om du vill dela trafik mellan den och en andra modell utan att skriva en andra klient. Nanbeige4.3-33B finns inte i katalogen – vi har den inte hos oss, och inget i den här artikeln påstår att vi har det.

Den asymmetrin är den ärliga sammanfattningen av hela jämförelsen. En av dessa modeller är en tjänst som du kan mäta och överge på en eftermiddag. Den andra är en checkpoint som du adopterar. Nanbeige byggde den andra sorten avsiktligt: den är en lärare, det står på dess kort, och den 3B-student som kommer att göra att den spelar roll har inte släppts ännu.