Nanbeige4.3-33B เทียบกับ Gemma 4 31B: ช่องว่าง 33 คะแนนในตารางของผู้ขายหมายความว่าอย่างไรกันแน่

ในตาราง benchmark ของ Nanbeige4.3-33B เอง Gemma 4 31B ได้คะแนน 0.0 ใน Terminal-Bench 4.0 นี่คือแถวที่ควรเริ่มต้น เพราะมันบอกคุณว่าควรอ่านตัวเลขอื่นทุกตัวในการเปรียบเทียบนี้อย่างไร Gemma 4 31B เป็นโมเดล open-weight ขนาด 30.7 พันล้านพารามิเตอร์ของ Google DeepMind ที่ดาวน์โหลดได้ภายใต้ Apache 2.0 ตั้งแต่ 2 เมษายน 2026 และเอกสารของ Google เองให้เครดิตว่าได้ 86.4 ใน τ²-bench ด้านการใช้เครื่องมือ และ 80.0 ใน LiveCodeBench v6 โมเดลแบบนั้นไม่ล้มเหลวทุกงาน terminal ที่มีอยู่ เลขศูนย์คือสิ่งที่คุณได้เมื่อ benchmark ไม่สามารถแยก "ทำไม่ได้" ออกจาก "ไม่เคยได้รับลูปเครื่องมือที่ใช้งานได้"

ในทางตรงกันข้าม Nanbeige4.3-33B เพิ่งมีอายุได้เพียงสองวัน รีโพซิทอรีของมันถูกสร้างเมื่อวันที่ 24 ตุลาคม 2026 เวลา 02:49 UTC การ์ดโมเดลของมันเป็นประกาศเพียงอย่างเดียวที่ Nanbeige เผยแพร่ และตาราง 20 แถวบนการ์ดนั้นเป็นแหล่งข้อมูลเดียวสำหรับทุกตัวเลขที่กำลังแพร่หลายเกี่ยวกับมันในขณะนี้ Gemma 4 31B ปรากฏในตารางนั้นในฐานะหนึ่งในสามคอลัมน์เปรียบเทียบ ไม่มีห้องแล็บอิสระใดได้นำสองโมเดลนี้มาเปรียบเทียบกันโดยตรง และไม่มีผู้ขายรายใดได้ทดสอบประสิทธิภาพของอีกฝ่ายนอกเหนือจากตารางเดียวนี้ ดังนั้นเวอร์ชันที่ซื่อสัตย์ของการจับคู่นี้จึงไม่ใช่กระดานคะแนน แต่เป็นข้อโต้แย้งว่าแถวใดบ้างที่ยังคงทนต่อการตรวจสอบ และแถวใดบ้างที่กำลังวัดฮาร์เนส

แต่ละโมเดลจริงๆ แล้วคืออะไร

ทั้งสองรุ่นออกห่างกันหกเดือนครึ่ง และสมมติฐานด้านการออกแบบก็สะท้อนให้เห็นชัดเจน

• พารามิเตอร์ — Nanbeige4.3-33B เป็นโมเดล dense ขนาด 33.1B (33,118,977,024 ใน BF16) โดยพารามิเตอร์ทุกตัวทำงานในทุกโทเค็น ส่วน Gemma 4 31B เป็นโมเดล dense ขนาด 30.7B ทั้งสองไม่ใช่ mixture of experts ดังนั้นทรูพุตจึงสเกลตามจำนวนน้ำหนักทั้งหมดของทั้งสองฝั่ง

• บริบท — Nanbeige4.3-33B รองรับ 524,288 โทเค็นโดยกำเนิด ส่วน Gemma 4 31B รองรับ 262,144 ทั้งสองมีขนาดใหญ่ผิดปกติสำหรับคลาสพารามิเตอร์นี้ โดยของ Nanbeige มีขนาดเป็นสองเท่า

• รูปแบบข้อมูล — Nanbeige4.3-33B เป็นข้อความเข้าและข้อความออก ทั้งภาษาอังกฤษและภาษาจีน ส่วน Gemma 4 31B รองรับทั้งรูปภาพและข้อความ ผ่านการฝึกมาก่อนด้วยภาษามากกว่า 140 ภาษา และมาพร้อมการเรียกฟังก์ชันแบบเนทีฟและโหมดการคิดที่กำหนดค่าได้

• สัญญาอนุญาต — ทั้งคู่ใช้ Apache 2.0 นี่เป็นการเปรียบเทียบที่พบได้ไม่บ่อย ซึ่งคำถามเรื่องสัญญาอนุญาตนั้นจบตั้งแต่ก่อนคุณเริ่ม

• ขนาด weights บนดิสก์ — Nanbeige4.3-33B อยู่ที่ประมาณ 66GB ใน BF16 และราว 20GB ที่ 4-bit ส่วน Gemma 4 31B อยู่ในช่วงเดียวกัน ทั้งสองไม่ใช่โมเดลสำหรับแล็ปท็อป แต่เป็นโมเดลสำหรับเวิร์กสเตชันเครื่องเดียวหรือโหนดเดียว

สิ่งเดียวที่ยังไม่สูสีกันคือช่องทางการเข้าถึง Gemma 4 31B มี API แบบ managed มีเอนด์พอยต์ที่ Artificial Analysis ระบุในปัจจุบันว่ามีต้นทุนเป็นศูนย์ และมีการรายงานจากแหล่งอิสระ ส่วน Nanbeige4.3-33B มี weights มีการ์ดโมเดล และ — ตามถ้อยคำในการ์ดเอง — ไม่มีผู้ให้บริการ inference รายใดนำไปใช้งาน ความไม่สมดุลนี้ไม่ใช่การตัดสินเรื่องคุณภาพ แต่เปลี่ยนต้นทุนของการ "ลองใช้"

คอลัมน์ผู้ขายกับการ์ดของ Google เองไม่ตรงกัน

สองแถวในตารางของ Nanbeige สามารถตรวจสอบเทียบกับตัวเลขที่ Google เผยแพร่ได้ และมีเพียงหนึ่งในนั้นที่ตรงกัน

• AIME 2026 — Nanbeige ให้เครดิต Gemma 4 31B ที่ 89.2 Google รายงาน 89.2 ตรงกันเป๊ะ

• GPQA Diamond — Nanbeige ให้คะแนน Gemma 4 31B ที่ 91.3 และนั่นเป็นแถวเดียวที่ Gemma เอาชนะคะแนน 89.5 ของ Nanbeige เอง ตัวเลขที่ Google เผยแพร่สำหรับโมเดลนี้คือ 84.3 นั่นคือความคลาดเคลื่อน 7 จุด และการ์ดทั้งสองใบไม่ได้อธิบายการกำหนดค่าที่อยู่เบื้องหลังความคลาดเคลื่อนนี้

แถวที่สองนั้นสมควรได้รับความสนใจ เพราะเป็นจุดเดียวในตารางของผู้จำหน่ายที่ยื่นชัยชนะให้คู่แข่ง หากตัวเลขนั้นมาจากการรันใหม่ด้วยความพยายามในการคิดสูงสุด ถือเป็นผลลัพธ์ที่ชอบธรรม และ Gemma เป็นผู้นำอย่างแท้จริงในคำถามวิทยาศาสตร์ระดับบัณฑิตศึกษา หากตัวเลขนั้นมาจากการประเมินที่กำหนดค่าแตกต่างออกไป ตารางก็กำลังเปรียบเทียบ Gemma สองแบบที่ต่างกัน ไม่ว่าจะกรณีใด ประโยค “Gemma ชนะ GPQA” ที่ถูกพูดซ้ำในบทความเชิงรองทุกชิ้นในสัปดาห์นี้ก็ตั้งอยู่บนตัวเลขที่ Google ไม่ได้เผยแพร่

คอลัมน์ Gemma ที่เหลือตรวจสอบได้ยากกว่า เพราะ Google รายงานเบนช์มาร์กที่แตกต่างกัน ตารางของ Nanbeige ระบุว่า Gemma ได้ 18.6 บน Tau3-Bench ส่วนการ์ดของ Google ระบุว่าได้ 86.4 บน τ²-bench สิ่งเหล่านี้เป็นคนละเวอร์ชันของตระกูลเบนช์มาร์ก จึงไม่ขัดแย้งกัน — แต่ก็ไม่ใช่การเปรียบเทียบเช่นกัน และช่องว่าง 68 คะแนนระหว่างสองสิ่งนี้เป็นค่าประมาณที่สมเหตุสมผลว่าการเลือกฮาร์เนสและเวอร์ชันสามารถทำให้คะแนนของโมเดลเดียวเปลี่ยนแปลงไปได้มากเพียงใด

การอ่านค่าศูนย์ได้อย่างถูกต้อง

มีสามแถวในคอลัมน์ Gemma ที่เกือบเป็นศูนย์: 0.0 ใน Terminal-Bench 4.0, 2.7 ใน DeepSWE และ 3.3 ใน SWE-Atlas-QnA แถวเหล่านี้คือแถวที่ถูกแชร์ต่อกันในโซเชียลมีเดีย และเป็นตัวเลขที่ให้ข้อมูลน้อยที่สุดในตาราง

ค่าใกล้ศูนย์บนเบนช์มาร์กแบบเอเจนต์มีสาเหตุที่เป็นไปได้อย่างน้อยสามประการ ได้แก่ โมเดลไม่สามารถทำงานให้เสร็จได้ โมเดลไม่สามารถขับเคลื่อนเครื่องมือที่ฮาร์เนสจัดให้ได้ หรือฮาร์เนสถูกปรับแต่งมาสำหรับเทมเพลตแชตและรูปแบบการเรียกเครื่องมือที่แตกต่างออกไป การ์ดของ Nanbeige ระบุชัดเจนว่าผลลัพธ์ของตัวเองใช้ Terminus 2 สำหรับ Terminal-Bench 2.1 และ mini-swe-agent v2.4.6 สำหรับ Terminal-Bench 4.0, DeepSWE และ SWE-Atlas-QnA แต่ไม่ได้ระบุว่า Gemma 4 31B ได้รับสแคฟโฟลด์เดียวกันพร้อมรูปแบบการเรียกเครื่องมือของตัวเอง หรือถูกนำไปใส่ในสแคฟโฟลด์ที่เน้น XML ของ Nanbeige สิ่งเหล่านี้ให้ตัวเลขที่แตกต่างกันมาก และมีเพียงกรณีเดียวเท่านั้นที่เกี่ยวกับตัวโมเดล

นี่ไม่ใช่เหตุผลที่จะมองข้ามผลลัพธ์ของ Nanbeige Nanbeige4.3-33B ถูกสร้างขึ้นโดยเน้นการเขียนโค้ดแบบเอเจนต์ — การ์ดของโมเดลแนะนำรูปแบบการเรียกใช้เครื่องมือแบบ XML, preserve_thinking=true สำหรับการใช้เครื่องมือแบบหลายรอบ และอุณหภูมิ 1.0 สำหรับงานเอเจนต์ — ดังนั้นจึงไม่น่าแปลกใจที่มันทำงานได้ดีภายในฮาร์เนสที่สร้างมาเพื่อมัน นี่เป็นเหตุผลที่ควรมองคอลัมน์ Gemma เป็นขอบเขตล่างมากกว่าคำตัดสิน

เกณฑ์มาตรฐานความไม่สมมาตรไม่กำหนดราคา: รูปภาพ

Gemma 4 31B รับภาพได้ ส่วน Nanbeige4.3-33B ไม่ได้ ประโยคเดียวนี้ตัดสินการนำไปใช้งานจริงได้มากกว่าข้อมูลแถวใดๆ ในตาราง

หากเอเจนต์ของคุณต้องอ่านภาพหน้าจอ ใบแจ้งหนี้ แผนภูมิ แบบฟอร์มที่สแกน หรือสถานะ UI แล้ว Nanbeige4.3-33B ไม่ใช่ตัวเลือกไม่ว่าจะได้คะแนน benchmark เท่าใด คุณจะต้องมีโมเดลสกัดข้อมูลแยกต่างหากวางไว้ข้างหน้า พร้อมด้วย latency ต้นทุน และรูปแบบความล้มเหลวของมันเอง และคุณภาพของไปป์ไลน์ก็จะกลายเป็นคุณภาพของโมเดลสกัดข้อมูล ไม่ใช่คุณภาพของ 33B Gemma ทำขั้นตอนนั้นได้โดยกำเนิด และค่า MMMU-Pro ที่ 76.9 และ MATH-Vision ที่ 85.6 ซึ่ง Google เผยแพร่ บ่งชี้ว่ามันทำได้อย่างมีความสามารถจริง ไม่ใช่แค่ทำเป็นพิธี

ในทางกลับกัน หากงานเป็นข้อความล้วน — โค้ด บันทึก เอกสารยาว ร่องรอยการเรียกใช้เครื่องมือหลายรอบ — ความสามารถด้านภาพก็เป็นภาระที่ไม่มีประโยชน์ซึ่งคุณต้องจ่ายในทุก forward pass นั่นคือกรณีที่ Nanbeige ถูกสร้างมาเพื่อรองรับ และเป็นสัดส่วนที่ใหญ่ของงานแบบ agentic

512K เทียบกับ 256K และหน้าต่างมีไว้เพื่ออะไร

หน้าต่าง 524,288 โทเคนของ Nanbeige เป็นสองเท่าของ 262,144 โทเคนของ Gemma และทั้งสองจำนวนมากพอที่ความแตกต่างจะสำคัญเฉพาะในงานบางรูปแบบเท่านั้น

หน้าต่าง 256K จุซอร์สโค้ดได้ประมาณขนาดของรีโพซิทอรีขนาดกลาง หรือข้อความหลายร้อยหน้า หน้าต่าง 512K จุได้เป็นสองเท่า สำหรับเอกสารยาวฉบับเดียวบวกคำตอบยาว ทั้งสองขนาดก็เพียงพอ ส่วนเอเจนต์ที่สะสมเอาต์พุตจากเครื่องมือข้ามหลายร้อยรอบ หน้าต่างที่ใหญ่กว่าจะทำให้ได้จำนวนรอบมากขึ้นก่อนที่จะต้องสรุปหรือไล่ข้อมูลออก การ์ดของ Nanbeige แนะนำสูงสุด 262,144 โทเค็นใหม่สำหรับการให้เหตุผลและการแชต ซึ่งบ่งชี้ว่างบประมาณการให้เหตุผลในทางปฏิบัติใกล้เคียง 256K มากกว่าขนาดเต็ม 512K เพดานเอาต์พุตของ Gemma มักถูกกำหนดค่าไว้ที่ 131,072

ทั้งสองผู้จำหน่ายไม่ได้เผยแพร่ benchmark การเรียกคืนบริบทแบบยาวในที่นี้ ดังนั้นจึงไม่มีทางพูดได้อย่างซื่อตรงว่า 512K หรือ 256K ของใครถูกใช้ได้ดีกว่ากัน ขนาดบริบทเป็นการอ้างถึงความจุ ไม่ใช่การอ้างถึงคุณภาพ และการ์ดทั้งสองรุ่นก็ปล่อยไว้เพียงเท่านั้น

แต่ละอันมีค่าใช้จ่ายในการโทรเท่าไร

Gemma 4 31B เป็นหนึ่งเดียวในสองตัวนี้ที่คุณเรียกใช้เป็นบริการได้ในวันนี้ บน OrcaRouter ราคาอยู่ที่ 0.13 ดอลลาร์ต่อหนึ่งล้านโทเค็นอินพุต และ 0.38 ดอลลาร์ต่อหนึ่งล้านโทเค็นเอาต์พุต โดยอินพุตที่แคชไว้อยู่ที่ 0.02 ดอลลาร์ — เป็นการส่งผ่านราคาตามที่ผู้ให้บริการระบุไว้โดยไม่บวกเพิ่ม ซึ่งเป็นเหตุผลเดียวกันกับที่การเปลี่ยนแปลงราคาจากผู้จำหน่ายมาถึงแคตตาล็อกของเราในวันเดียวกับที่ประกาศ ปัจจุบัน Artificial Analysis ระบุราคาปลายทางของ Google เองที่อินพุต 0.00 ดอลลาร์ และเอาต์พุต 0.00 ดอลลาร์ ซึ่งเกือบแน่นอนว่าสะท้อนถึงราคาโปรโมชันหรือระดับฟรีมากกว่าราคาที่ยั่งยืน ควรถือว่าเป็นช่องทางสำหรับทดลอง ไม่ใช่รายการในงบประมาณ

Nanbeige4.3-33B ไม่มีราคาต่อโทเคนให้เสนอ ตัวน้ำหนักนั้นฟรีภายใต้ Apache 2.0 และการ์ดระบุว่าไม่มีผู้ให้บริการอนุมานรายใดปรับใช้โมเดลนี้ การรันมันหมายถึงการใช้ GPU สี่ตัวที่ขนาด tensor-parallel 4 ตามสูตร vLLM และ SGLang ของการ์ดเอง โดยเปิดค้างไว้ไม่ว่าจะมีคำขอเข้ามาหรือไม่ ต้นทุนส่วนเพิ่มของหนึ่งโทเคนจึงเป็นค่าไฟฟ้าและอัตราการใช้งานของคุณ ไม่ใช่ตารางราคา ใครก็ตามที่เปรียบเทียบ “$0.13 อินพุต” กับ “ฟรี” กำลังเปรียบเทียบใบแจ้งหนี้กับรายจ่ายฝ่ายทุน

นี่คือเหตุผลเชิงปฏิบัติอีกข้อในการคงเราเตอร์ไว้ในเส้นทาง แม้โมเดลใหม่จะเป็นแบบโฮสต์เองก็ตาม การตัดสินใจที่ทีมส่วนใหญ่ต้องเผชิญจริง ๆ ไม่ใช่ "แทนที่ Gemma" แต่คือ "ส่งทราฟฟิก 5% ไปยังของใหม่แล้วดูว่าจะเกิดอะไรขึ้น" การทำให้ระบบเดิมยังเข้าถึงได้ผ่านคีย์เดียว พร้อมการสลับสำรองอัตโนมัติ หากปลายทางการทดลองล่ม จะทำให้สิ่งนี้เป็นการเปลี่ยนแปลงการกำหนดเส้นทางมากกว่าการโยกย้าย

เมื่อ Gemma 4 31B คือคำตอบที่ใช่เลย

สี่เงื่อนไขนี้เพียงพอที่จะตัดสินได้โดยไม่ต้องมีตารางเปรียบเทียบ

• ปริมาณงานนี้รวมถึงรูปภาพ ไฟล์ PDF หรือภาพหน้าจอ Gemma อย่างไม่ต้องสงสัย

• คุณต้องมีมากกว่าภาษาอังกฤษและภาษาจีน Gemma ผ่านการพรีเทรนบนภาษา 140+ ภาษา ส่วน Nanbeige ระบุไว้เพียงสองภาษา

• คุณไม่จำเป็นต้องเป็นเจ้าของ GPU Gemma มี managed endpoint อยู่แล้วในปัจจุบัน ส่วน Nanbeige มี weights และสูตรการดีพลอย

• คุณต้องมี opinión ที่สองเกี่ยวกับคุณภาพ Gemma มีดัชนี Artificial Analysis Intelligence Index อยู่ที่ 15 ซึ่งถือว่าปานกลางแต่เป็นอิสระ ส่วน Nanbeige ไม่มีรายการอยู่ที่นั่นเลย ดังนั้นทุกตัวเลขเกี่ยวกับมันจึงเป็นการที่ผู้ขายตรวจการบ้านของตัวเอง

หากมองกลับกัน กรณีของ Nanbeige ก็ชัดเจนไม่แพ้กัน เช่นเดียวกัน: งานแบบเอเจนต์ที่ใช้ข้อความล้วน, tool trace ที่ยาว, ทีมที่มี GPU และความพร้อมที่จะใช้งานรูปแบบเครื่องมือ XML ที่ทางผู้พัฒนแนะนำ กับงานในรูปแบบนั้น ตารางของ Nanbeige เองอ้างว่ามีนำอยู่ 33.7 คะแนนบน Terminal-Bench 2.1 — 80.9 เทียบกับ 47.2 — และนำ 62.8 คะแนนบน DeepSWE ช่องว่างเหล่านี้ใหญ่พอที่อาจมีสัญญาณจริงอยู่แม้หลังจากหักลบข้อได้เปรียบจากฮาร์เนสแล้ว แต่ก็ไม่ใหญ่พอที่จะเดิมพันเส้นทางโปรดักชันโดยไม่ลองรันด้วยตัวเองสักครั้ง

การแข่งขันอบขนมช่วงบ่ายดีกว่ามานั่งโต๊ะนี้

หากคุณกำลังเลือกอย่างแท้จริงระหว่างทั้งสอง การทดสอบนี้มีต้นทุนต่ำและไม่จำเป็นต้องเชื่อผู้ขายรายใดรายหนึ่ง นำงานจริงยี่สิบงานจากบันทึกเอเจนต์ของคุณเอง รันแต่ละโมเดลด้วยรูปแบบการเรียกเครื่องมือและการตั้งค่าการคิดที่แนะนำของโมเดลนั้นๆ — XML สำหรับ Nanbeige และการเรียกฟังก์ชันแบบเนทีฟสำหรับ Gemma — แล้วให้คะแนนความสำเร็จของงาน ไม่ใช่ความคล้ายคลึงกับ benchmark บันทึกโทเค็นที่ใช้ต่องานที่เสร็จสมบูรณ์ เพราะโมเดล dense ขนาด 33B และ dense ขนาด 30.7B จะมีความละเอียดของคำตอบแตกต่างกันแม้ในราคาต่อโทเค็นเดียวกัน

สิ่งที่คุณจะรู้ได้ภายในบ่ายวันเดียวคือ ส่วนได้เปรียบด้านเอเจนต์ของ Nanbeige จะยังคงอยู่หรือไม่เมื่อพิจารณาความได้เปรียบจากฮาร์เนสของมันเอง จนกว่าจะมีคนเผยแพร่ข้อมูลนั้น ข้อสรุปที่พอจะยึดถือได้ก็ยังแคบกว่าพาดหัวข่าว: Gemma 4 31B เป็นโมเดลที่นำไปใช้งานได้จริงมากกว่า และเป็นเพียงตัวเดียวที่มีคะแนนจากการประเมินที่เป็นอิสระ ส่วน Nanbeige4.3-33B เป็นโมเดลที่ทะเยอทะยานกว่า โดยมีหน้าต่างบริบท 512K แบบเนทีฟ และชุดตัวเลขด้านเอเจนต์ที่รายงานเองซึ่งน่าสะดุดตา ยังไม่ผ่านการตรวจสอบ และเพิ่งมีอายุเพียงสองวัน