Nanbeige4.3-33B so với Qwen 3.6 35B-A3B: Nanbeige đã benchmark một Qwen khác, và đó chính là câu chuyện

Mở thẻ mô hình Nanbeige cho Nanbeige4.3-33B và đếm các cột Qwen. Chỉ có đúng một cột, và cột đó thuộc về Qwen3.8-27B — một mô hình đa phương thức dense được phát hành vào tháng 8 năm 2026. Qwen 3.6 35B-A3B, mô hình mixture-of-experts mà Liquid AI dùng làm điểm tham chiếu của riêng mình cho LFM2.5 và được phần lớn hệ sinh thái agent trọng số mở lấy làm chuẩn so sánh, hoàn toàn không xuất hiện trong bảng hai mươi hàng của Nanbeige.

Sự vắng mặt đó là một lựa chọn, và nó khiến màn so tài này thú vị hơn một cuộc đối đầu trực diện thông thường. Nanbeige4.3-33B được so sánh với mô hình Qwen mà nó có thể đánh bại ở các hạng mục tác tử dài hạn. Qwen 3.6 35B-A3B là mô hình Qwen có chi phí vận hành chỉ bằng một phần tư, nhận hình ảnh và video, và đã được đưa vào sử dụng từ tháng 4. Đó là một so sánh công bằng hơn hay dễ hơn phụ thuộc vào thứ bạn đang mua, và hai mô hình không được tối ưu cho cùng một kiểu người mua.

Một trong số này đặc, còn cái kia thì không, và điều đó quyết định hóa đơn.

Sự khác biệt quan trọng nhất không nằm ở bất kỳ benchmark nào.

• Tham số — tổng cộng 33.1B, tất cả đều hoạt động, đối với Nanbeige4.3-33B. Tổng cộng 35B với khoảng 3B được kích hoạt trên mỗi token đối với Qwen 3.6 35B-A3B, một hỗn hợp các chuyên gia.

• Tính toán cho mỗi token — một lượt lan truyền xuôi dày đặc đầy đủ cho Nanbeige4.3-33B so với một lượt thưa thớt trên một tập con chuyên gia nhỏ cho Qwen 3.6 35B-A3B. Trên cùng phần cứng, mô hình Qwen tạo ra nhiều token hơn hẳn mỗi giây trên mỗi GPU.

• Bộ nhớ cho trọng số — 66.3 GB ở dạng bfloat16 cho Nanbeige4.3-33B. Mô hình Qwen vừa vặn thoải mái trên một card khi được lượng tử hóa.

• Ngữ cảnh — 524.288 token gốc cho Nanbeige4.3-33B. 262.144 cho Qwen 3.6 35B-A3B, với đầu ra tối đa 65.536 token.

• Phương thức — nhập văn bản, xuất văn bản, tiếng Anh và tiếng Trung, dành cho Nanbeige4.3-33B. Nhập văn bản, hình ảnh và video dành cho Qwen 3.6 35B-A3B.

{{1}}Giá{{/1}} — {{2}}không có endpoint được lưu trữ cho Nanbeige4.3-33B{{/2}}. {{3}}Qwen 3.6 35B-A3B trên OrcaRouter với giá 0,25 đô la cho mỗi triệu token đầu vào và 1,49 đô la cho mỗi triệu token đầu ra{{/3}}, với {{4}}thời gian đến token đầu tiên p50 là 6,67 giây{{/4}}.

• Giấy phép — Apache 2.0 cho cả hai.

Hãy đọc dòng compute hai lần. Một mô hình dense 33B chạy một phản hồi agentic 65,536 token — mức trần do chính Nanbeige khuyến nghị — thực hiện khối lượng công việc tương đương 33 tỷ tham số cho mỗi token trong số đó. Mô hình Qwen chỉ làm khoảng một phần mười con số đó. Nếu hai mô hình đạt điểm chỉ chênh nhau vài điểm trong cùng một tác vụ, mô hình sparse thắng về kinh tế với lợi thế lớn hơn một bậc độ lớn, và không bảng benchmark nào sẽ cho bạn biết điều đó.

Không thể trừ các điểm số, và lý do là về phương pháp luận.

Nanbeige4.3-33B đạt 20 trên Chỉ số Trí tuệ Artificial Analysis v5.0.1. Qwen 3.6 35B-A3B hoàn toàn không có điểm trên chỉ số tổng hợp v5 — trang mô hình của nó ghi N/A, vì chỉ số hiện tại chỉ chấm điểm các cấu hình có API công khai hoặc một lần chạy nội bộ đã hoàn thành, và các số liệu Artificial Analysis được công bố gần nhất cho nó nằm trên chỉ số v4.3.x cũ hơn, ở mức 17–19 đối với cấu hình suy luận.

Những con số đó không phải là một phép so sánh. Chỉ số v5 là một bộ đánh giá đã được tái lập cơ sở, và điểm số v4.3.x không thể chuyển sang áp dụng được. Bất kỳ ai đưa ra "20 so với 18" đều đang trừ điểm giữa hai bài kiểm tra khác nhau, đây là lỗi phổ biến nhất trong việc viết so sánh mô hình và đáng được gọi tên rõ ràng ở đây.

Điều thực sự tồn tại trên điểm chung thì hẹp hơn và vẫn hữu ích.

• Terminal-Bench — Artificial Analysis đã chạy Qwen 3.6 35B-A3B đạt 41,6% trên Terminal-Bench 2.1 và 25,8% trên Terminal-Bench Hard. Họ đã chạy Nanbeige4.3-33B đạt 29,8% trên Terminal-Bench 4.0. Đây là những benchmark khác nhau, nên vẫn không phải là một mức chênh lệch, nhưng cả hai đều là các phép đo bên ngoài trên cùng một nhóm tác vụ.

• Tuyên bố của nhà cung cấp về Terminal-Bench — Nanbeige báo cáo 80.9 trên Terminal-Bench 2.1 đối với Nanbeige4.3-33B, đây là cùng một benchmark mà Qwen 3.6 35B-A3B đã được đo độc lập ở mức 41.6%. Nếu dòng dữ liệu của nhà cung cấp đó đứng vững, thì đây là khoảng cách lớn nhất trong toàn bộ so sánh này. Nó chưa được tái lập độc lập, và chính chú thích của Nanbeige cho biết nó được chạy bằng khung Terminus 2.

• Kiến thức — Artificial Analysis chấm Nanbeige4.3-33B đạt độ chính xác 11,7% trên AA-Omniscience với 81,8% không ảo giác. Các số liệu Omniscience của Qwen 3.6 35B-A3B có từ trước đợt dựng lại v5, nên chúng nằm trên một thang đo khác và không thể đối chiếu với số liệu của Nanbeige. Điều có thể nói chỉ mang tính định hướng và khớp với người dùng của cả hai dòng mô hình: mô hình Qwen biết nhiều hơn, còn mô hình Nanbeige từ chối trả lời thường xuyên hơn.

• Suy luận — GPQA Diamond 84,8 khi bật suy luận và 84,1 ở thiết lập được đánh giá đối với Qwen 3.6 35B-A3B. Thẻ của Nanbeige4.3-33B công bố 89,5, chưa được tái lập.

Tại sao Nanbeige lại chọn Qwen3.8-27B thay vào đó

Có một lý do chính đáng để đánh giá hiệu năng một mô hình dense 33B so với một mô hình dense 27B, chứ không phải so với một mô hình hỗn hợp chuyên gia 35B, và đó không phải là sự thiếu trung thực. Đó là việc so sánh cùng loại kiến trúc khiến phép so sánh trở thành về chất lượng huấn luyện thay vì về hiệu quả phục vụ. Hai mô hình dense ở quy mô tương đương cho bạn biết phòng thí nghiệm nào huấn luyện tốt hơn. So sánh dense với MoE cho bạn biết thiết kế nào rẻ hơn, một câu hỏi khác với một câu trả lời khác.

Nhưng lựa chọn này có cái giá đối với người đọc, vì hầu hết những người chọn mô hình đang chọn dựa trên tổng chi phí sở hữu, chứ không phải chất lượng huấn luyện theo nghĩa trừu tượng. Trên trục đó, Qwen 3.6 35B-A3B có một lợi thế mà bảng của Nanbeige không bao giờ làm nổi bật: 3B tham số hoạt động nghĩa là bạn phục vụ nó trên phần cứng mà bạn có lẽ đã có sẵn, và nó chấp nhận ảnh chụp màn hình cùng khung hình video, điều mà mô hình dense 33B không thể làm được với bất kỳ mức giá nào.

Lập luận ngược lại cũng cụ thể không kém. Nanbeige4.3-33B nắm giữ 524.288 token một cách nguyên bản mà không cần mở rộng quy mô, và một ngăn xếp dense khiến hành vi ngữ cảnh dài của nó có thể dự đoán được theo cách mà một mô hình thưa không có được. Ở mức 208 KiB bộ nhớ đệm KV mỗi token trên 52 lớp, cửa sổ đầy đủ của nó tốn khoảng 104 GiB — đó là một lời cảnh báo, không phải điểm bán hàng, nhưng nó cũng có nghĩa là không có phép xấp xỉ ẩn nào giữa điều tấm thẻ hứa hẹn và điều mô hình thực sự làm.

Nơi quyết định thực sự được đưa ra

Nếu công việc của bạn mang tính đa phương thức, Qwen 3.6 35B-A3B chính là câu trả lời trước khi cần tham khảo bất kỳ benchmark nào. Nanbeige4.3-33B chỉ xử lý văn bản, và một mô hình active 3B đọc được hình ảnh với giá mỗi token bằng một phần tư thì không phải lựa chọn về nhì sát nút cho pipeline chụp màn hình.

Nếu công việc của bạn là tự động hóa terminal trong thời gian dài và bạn có bốn GPU, thì mức 29,8% của Nanbeige4.3-33B trên Terminal-Bench 4.0 là con số công bố bên ngoài mạnh nhất trong cặp này, và tỷ lệ không ảo giác 81,8% của mô hình là đặc điểm giúp vòng lặp agent không tự tin làm sai trong suốt hai mươi phút. Đó là một lợi thế thực sự và nó không hề rẻ.

Đối với tất cả những ai ở khoảng giữa, câu trả lời thực tế là Qwen 3.6 35B-A3B là mô hình bạn có thể đánh giá ngay chiều nay, còn Nanbeige4.3-33B là mô hình bạn đánh giá sau khi mua phần cứng. Qwen 3.6 35B-A3B có trong danh mục OrcaRouter với mức giá ở trên, trên cùng khóa với phần còn lại của hơn 200 mô hình, với tính năng chuyển đổi dự phòng tự động giữa các nhà cung cấp thượng nguồn và một DSL định tuyến nếu bạn muốn chia lưu lượng giữa nó và một mô hình thứ hai mà không cần viết thêm một client thứ hai. Nanbeige4.3-33B không có trong danh mục — chúng tôi không lưu trữ nó, và không có gì trong bài viết này khẳng định là chúng tôi có.

Sự bất đối xứng đó chính là bản tóm tắt trung thực của toàn bộ phép so sánh. Một trong hai mô hình này là một dịch vụ mà bạn có thể đo đếm và chuyển sang thứ khác chỉ trong một buổi chiều. Mô hình còn lại là một checkpoint mà bạn tiếp nhận. Nanbeige đã cố ý tạo ra loại thứ hai: nó là một giáo viên, thẻ mô hình của nó nói rõ như vậy, và học trò 3B sẽ khiến nó trở nên có ý nghĩa vẫn chưa được phát hành.