Nanbeige4.3-33B vs Xing 4.0 29B-A4B: Det 23-punktiga terminalgapet och den 16-punktiga vändningen

Nanbeige4.3-33B och Xing 4.0 29B-A4B är samma pitch levererad från motsatta håll. Den första är en tät modell med 33 miljarder parametrar från BOSS Zhipins Nanbeige LLM Lab, publicerad den 24 oktober 2026 under Apache 2.0, med en kontext på 524 288 token och ett serveringsrecept som utgår från fyra GPU:er. Den andra är en mixture-of-experts-modell med 29 miljarder parametrar från China Telecoms TeleAI, med vikterna offentliga sedan den 16 september 2026, som aktiverar ungefär 4 miljarder parametrar per token och vars eget modellkort hävdar att den får plats på ett enda 24 GB-konsumentkort vid 4-bit. Båda riktar sig mot agentisk kodning och långa verktygsloopar. Båda levereras med öppna vikter. Ingen har ställt dem mot varandra, inte ens deras egna labb — Nanbeiges modellkort benchmarkar mot Qwen3.8-27B, Muse-Glimmer-30B och Gemma4-31B; Xings benchmarkar mot Gemma4-26B-A4B och Qwen3.6-35B-A3B. De nämner aldrig varandra.

Det är inte en lucka som du kan släta över med en jämförelsetabell, eftersom de två leverantörstabellerna använder olika testramverk, olika urval och olika uppsättningar konkurrenter. Det du kan göra är snävare och mer användbart: hitta de rader som de två labben råkar dela, läs fotnoterna som avgör om dessa rader betyder något, och skilj sedan den ena modellen som har mätts av någon som inte fick betalt för att mäta den från den som inte har det.

33 miljarder dense mot 4 miljarder aktiva, innan några benchmarkkörningar

Den arkitektoniska skillnaden är inte en pratsak. Det är kostnaden, latensen och driftsättningsplanen, och den avgörs innan någon av modellerna besvarar en enda prompt.

Nanbeige4.3-33B är en standardtät dekoder — LlamaForCausalLM, 52 lager, hidden-storlek 7 168, grouped-query attention med 56 query- och 8 KV-huvuden. Varje genererad token betalar för alla 33,1 miljarder parametrar. BF16-checkpointen är 66,3 GB över fjorton safetensors-shards, och både vLLM- och SGLang-recepten i arkivet anger tensor-parallellism på 4, vilket säger att den avsedda maskinen är en nod med fyra GPU:er snarare än en arbetsstation.

Xing 4.0 29B-A4B är gles: 29 miljarder parametrar i checkpointen, 64 routade experter med 4 aktiva plus en delad, 40 lager, hidden-storlek 3 584, byggd på vad dess kort kallar mHC + MLA + MTP. Beräkningen per token skalas med de 4 miljarder aktiva parametrarna, inte de 29 miljarder lagrade. Leverantören hävdar en 4-bitars kvantisering på ungefär 15 GB VRAM, vilket skulle innebära att den får plats på ett RTX 3090 eller 4090 – ett påstående som är värt att kontrollera mot den faktiska kvantiserade filen innan du köper hårdvara utifrån det, eftersom repot rapporterar en tensorstorlek på 31B parametrar för den fullständiga checkpointen och de två siffrorna passar märkligt ihop.

Allt annat följer av den uppdelningen.

• Kontext — Nanbeige4.3-33B 524,288 tokens, inbyggt, utan YaRN-förlängning i receptet; Xing 4.0 29B-A4B 262,144 inbyggt, beskrivs som förlängningsbart till 512K, även om inget förlängningsrecept har publicerats.

• Minsta praktiska fotavtryck — Nanbeige4.3-33B 66,3 GB BF16-vikter före KV-cache, fyrvägs tensor-parallellism; Xing 4.0 29B-A4B ungefär 15 GB vid 4-bit enligt leverantörens egen uppgift, ett kort.

• Träningsstack — Nanbeige4.3-33B är inte dokumenterad i detalj; Xing 4.0 29B-A4B tränades från början till slut på Ascend 910C-kluster med MindSpore och MindFormers, med ett påstått genomflödesförbättring på 96 % jämfört med leverantörens egen baseline direkt ur lådan. Det är ett påstående om intern baseline utan någon offentlig referenspunkt, så det går inte att verifiera utifrån, men det är det mer intressanta ingenjörsuttalandet av de två lanseringarna.

• Licens — Apache 2.0 på båda, vilket gör nedladdningspriset noll för båda och flyttar argumentet helt till hårdvara och tokens.

Fem rader körde båda labben, och de två som skiljer sig åt.

De två modellkorten delar fem benchmarknamn: Terminal-Bench 2.1, Tau3-Bench, Claw-Eval, AIME2026 och AA.LCR. Att läsa dem mot varandra är den enda kvantitativa jämförelse som finns, och det är i fotnoterna som det antingen håller eller faller.

• Terminal-Bench 2.1 — Nanbeige4.3-33B 80,9, Xing 4.0 29B-A4B 57,5. Båda labben säger att de körde det i Terminus 2, vilket gör detta till det närmaste man kommer ett gemensamt mätinstrument i någon av tabellerna. Det är fortfarande inte samma experiment: Xings kort anger temperatur 0,8, top-p 0,95, max 64K tokens, en timeout på 24 timmar och genomsnittet av tre körningar; Nanbeiges anger bara testramverket och inget annat. En skillnad på 23 punkter under nästan identiska testramverk är den starkaste enskilda signalen i den här jämförelsen, och det är fortfarande en signal snarare än en mätning.

• Tau3-Bench — Nanbeige4.3-33B 48,8, Xing 4.0 29B-A4B 64,63. Detta är vändningen, och den är stor. Xing vinner dialog för verktygsanvändning med nästan 16 poäng, i benchmarkfamiljen som mest direkt testar funktionsanrop över flera turer. Förbehållet är måttet: Xing rapporterar pass^1 som medelvärde över fyra körningar i den officiella tau-bench-harnessen; Nanbeige säger att det använde de officiella kodförråden men anger inte aggregeringen, och listar raden under agentisk kodning i stället för verktygsanvändning.

• Claw-Eval — Nanbeige4.3-33B 78,3 vid pass^3, Xing 4.0 29B-A4B 76,55. Den här bör kastas snarare än läsas. Nanbeiges fotnot säger att den endast utvärderade delmängden Claw-Eval General, 157 uppgifter med en enda tur; Xings anger ingen delmängd. En skillnad på 1,75 punkter mellan två namnlösa versioner av samma benchmark är brus klätt i ett resultats kläder.

• AIME2026 — Nanbeige4.3-33B 95,2, Xing 4.0 29B-A4B 90,0. Tävlingsmatematik, fem körningar i genomsnitt på Xing-sidan, max 131,072 token; Nanbeiges sampling anges återigen inte. Båda är starka, ordningen överensstämmer med slutresultatet, och ingendera siffran säger särskilt mycket om någon av modellernas faktiska jobb.

• AA.LCR — Nanbeige4.3-33B 84,0, Xing 4.0 29B-A4B 61,0. Långkontextresonemang, och den största proportionella skillnaden efter Terminal-Bench. Värt att påpeka att detta är Artificial Analysiss benchmark som körs av två leverantörer, så ingen av siffrorna är en siffra från Artificial Analysis.

Fyra av de fem föredrar Nanbeige4.3-33B. Den som vänder är den om att anropa verktyg i sekvens, vilket är vad en agent gör hela dagarna. Den motsägelsen är det mest användbara på endera kortet, och ingen av labben har tagit upp den.

Det finns en trovärdighetsanmärkning som talar till Nanbeiges fördel specifikt på terminalraden. Dess eget kort anger Terminal-Bench 4.0 till 23,8; Artificial Analysis, som kör sin egen testrigg, uppmätte 29,8. Extern mätning landade sex punkter högre än leverantörens egen uppgift, vilket är motsatsen till den vanliga riktningen och tyder på att leverantörens tabell här inte är uppblåst. Xing 4.0 29B-A4B har ingen motsvarande kontroll.

Bara en av dessa modeller har ett nummer som ingen betalade för

Nanbeige4.3-33B är poängsatt. Artificial Analysis placerade den på 20 på Intelligence Index v5.0.1 – först av nio i sin jämförelseklass för öppna vikter mot en klassmedian på 10, och 76:e på listan över alla modeller. Delscorena är mer informativa än sammansättningen: Terminal-Bench 4.0 på 29,8 %, FrontierCode 2.0 på 10,7 %, och en icke-hallucineringsgrad på 81,8 %, vilket är den sjunde bästa siffran på sajten. Den avböjer många frågor. För en modell som uttryckligen är byggd som en distillationslärare är det en funktion.

Xing 4.0 29B-A4B har ingen post i Artificial Analysis. Inte en dålig sådan – ingen alls. Webbplatsen returnerar 404 för modellens slug i båda rimliga stavningar, och inget sammanvägt värde, delresultat, pris eller hastighetstal finns för den någonstans på den resultattavlan.

Den asymmetrin styr allt som en jämförelseartikel ärligt kan hävda. De två modellerna kan jämföras i leverantörstabeller, med fotnotsförbehållen ovan. De kan inte jämföras med det enda instrument som inget av labben kontrollerar, eftersom bara en av dem finns på det. Varje text som rangordnar dessa två mot varandra på neutral mark hittar på den neutrala marken.

Där lagförslaget faktiskt avviker

Om du väljer mellan dem är priset för en token inte det avgörande talet — det är kostnaden för att slutföra en uppgift, och tre separata multiplikatorer staplas på Nanbeige-sidan.

Den första är densitet: 33 miljarder parametrar läses per utdatatoken jämfört med ungefär 4 miljarder. Vilken hårdvara du än har är det en stor multipel i beräkning per token innan något annat beaktas.

Det andra är ordrikedom, och den mäts i stället för att antas. Artificial Analysis rapporterar att Nanbeige4.3-33B genererade 160 miljoner output-token under sin Intelligence Index-körning, jämfört med en klassmedian på 77,7 miljoner – 2,06 gånger medianen och åttonde plats av åtta i sajtens ordrikedomsrankning. Modellens eget kort förklarar en del av det: tänkande är på som standard, och det rekommenderade taket är 262 144 token för resonemangsarbete. Varje modell som får veta att den får tänka i en kvarts miljon token kommer att använda några av dem.

Sätt ihop de två och en dense-modell som dessutom pratar dubbelt så mycket är inte dubbelt så dyr att köra per slutförd uppgift; det är närmare en storleksordning. Det är det verkliga innehållet i jämförelsen 33B mot 4B aktiva, och det förekommer inte någonstans i någon av benchmarktabellerna.

Den tredje är okänd, och den är okänd till Xings fördel endast som standard. Ingen har publicerat en siffra för ordrikhet för Xing 4.0 29B-A4B, så en 4B-aktiv modell utan mätning av token-effektivitet skulle kunna vara genuint billig per uppgift eller skulle kunna avge tillräckligt många tokens för att sudda ut en del av fördelen. Du jämför en mätt dyr modell mot en omätt billig.

Vad du kan ringa idag

Ingen av modellerna är värd i vanlig bemärkelse, och skillnaden mellan dem är mindre än vad lanseringsbevakningen antyder.

Nanbeige4.3-33B har inget API alls. Dess Hugging Face-sida säger att modellen inte driftsätts av någon inferensleverantör, och Artificial Analysis registrerar inget offentligt tillgängligt API och lämnar prisfälten tomma. Åtkomst innebär att ladda ner 66 GB vikter och köra dem på hårdvara som du äger eller hyr.

Xing 4.0 29B-A4B har vikter sedan 16 september och en mätarbaserad åtkomstväg som dök upp i mitten av oktober: en tredjepartsmarknadsplats listar den till $0,22 per miljon indatatoken och $0,90 per miljon utdatatoken, och en gratis kampanjvariant av samma endpoint har listats bredvid den. Panelen för inferensleverantörer på Hugging Face är fortfarande tom, så den hostade vägen går via marknadsplatser i stället för leverantören, och en kampanjnivå är inte ett pris man bör bygga en budget på.

För att vara tydliga med vår egen position: ingen av modellerna finns i OrcaRouters katalog i dag, så vi är inte en väg till någon av dem, och inget nedan låtsas något annat. Där en router gör sig förtjänt av sin plats i ett beslut som detta är det som kontrollen. Det billigaste sättet att ta reda på om en självhostad 33B dense-modell är värd fyra GPU:er är att ställa den bredvid något du kan anropa per token och mäta båda på dina egna uppgifter – och den självklara kontrollen här är modellen som Nanbeiges eget kort jämför mot. Qwen3.8-27B finns i vår katalog för 0,33 USD per miljon indata och 2,40 USD per miljon utdata, Artificial Analysis ger den 20,1 mot Nanbeiges 20, och den använder samma nyckel som resten av katalogen med leverantörernas listpriser vidarebefordrade utan påslag. Det gör jämförelsen till en routingregel snarare än ett andra avtal.

Vem ska välja vilken

Uppdelningen är tydlig när man väl accepterar att detta är ett beslut om förmåga kontra kostnad snarare än förmåga kontra förmåga.

Nanbeige4.3-33B är valet när terminalarbete är produkten. En ledning på 23 punkter på en nästan identisk Terminus 2-harness, den högsta siffran för icke-hallucination i sin klass, ett inbyggt 512K-fönster och en oberoende poäng som landade över leverantörens eget påstående — det är en modell värd fyra GPU:er om din arbetsbelastning är långsiktigt kod- och shellarbete, och om du kan absorbera en tokenräkning som är ungefär dubbelt så hög som klassmedianen.

Xing 4.0 29B-A4B är valet när ett enda kort och en debiterad faktura är begränsningarna. Ett försprång på 16 punkter på Tau3-Bench, ett fotavtryck som leverantören säger passar ett 24GB-kort, en fjärdedel av Nanbeiges beräkning per token, och den enda av de två med ett pris du kan betala utan att köpa hårdvara. Det är också den svagare modellen på den enda raden där testramverken närmast matchar, så argumentet för den är ekonomiskt och operativt, inte kapacitetsmässigt.

Två saker skulle avgöra de delar som fortfarande är öppna. En Artificial Analysis-körning på Xing 4.0 29B-A4B skulle förvandla en asymmetrisk jämförelse till en symmetrisk, och ett Tau3-Bench-värde från Nanbeige med angiven aggregering skulle visa dig om 16-poängsvändningen är en verklig svaghet i verktygsanvändning eller en artefakt av att två olika mätvärden delar namn. Tills endera är på plats är den ärliga sammanfattningen att Nanbeige4.3-33B är den starkare modellen utifrån den evidens som finns och att Xing 4.0 29B-A4B är den du har råd att köra — och storleken på den avvägningen är en fråga om din uppgiftsmix, inte om något av korten.