Nanbeige4.3-33B so với Xing 4.0 29B-A4B: Khoảng cách 23 điểm ở chặng cuối và màn đảo ngược 16 điểm

Nanbeige4.3-33B và Xing 4.0 29B-A4B là cùng một lời chào hàng được đưa ra từ hai hướng đối lập. Mô hình thứ nhất là một mô hình dense 33 tỷ tham số đến từ Phòng thí nghiệm LLM Nanbeige của BOSS Zhipin, được công bố vào ngày 24 tháng 10 năm 2026 theo giấy phép Apache 2.0, với ngữ cảnh 524.288 token và một công thức phục vụ giả định dùng bốn GPU. Mô hình thứ hai là một mô hình hỗn hợp chuyên gia 29 tỷ tham số đến từ TeleAI của China Telecom, trọng số được công khai từ ngày 16 tháng 9 năm 2026, kích hoạt khoảng 4 tỷ tham số mỗi token và thẻ mô hình của nó tuyên bố rằng nó vừa một card tiêu dùng 24GB ở 4-bit. Cả hai đều nhắm đến lập trình tác tử và các vòng lặp công cụ dài. Cả hai đều phát hành trọng số mở. Chưa ai từng đặt chúng đối đầu trực tiếp với nhau, kể cả chính các phòng thí nghiệm của chúng — thẻ của Nanbeige đánh giá so với Qwen3.8-27B, Muse-Glimmer-30B và Gemma4-31B; thẻ của Xing đánh giá so với Gemma4-26B-A4B và Qwen3.6-35B-A3B. Hai bên không hề nhắc đến nhau.

Đó không phải là khoảng trống mà bạn có thể che lấp bằng một bảng so sánh, vì hai bảng của nhà cung cấp sử dụng những bộ khung thử nghiệm khác nhau, cách lấy mẫu khác nhau và các tập đối thủ khác nhau. Điều bạn có thể làm thì hẹp hơn và hữu ích hơn: tìm những dòng mà hai phòng thí nghiệm tình cờ có chung, đọc các chú thích quyết định xem những dòng đó có ý nghĩa hay không, rồi tách mô hình đã được một người không được trả tiền để đo nó đo khỏi mô hình chưa được đo như vậy.

33 tỷ dense so với 4 tỷ active, trước khi bất kỳ benchmark nào chạy

Sự khác biệt về kiến trúc không phải là chuyện để nói suông. Nó là hóa đơn, độ trễ và kế hoạch triển khai, và nó được quyết định trước khi một trong hai mô hình trả lời dù chỉ một lời nhắc.

Nanbeige4.3-33B là một bộ giải mã dense tiêu chuẩn — LlamaForCausalLM, 52 lớp, kích thước ẩn 7.168, attention truy vấn nhóm với 56 đầu truy vấn và 8 đầu KV. Mỗi token được sinh ra đều phải trả giá cho toàn bộ 33,1 tỷ tham số. Checkpoint BF16 có dung lượng 66,3 GB trải trên mười bốn phân mảnh safetensors, và cả recipe vLLM lẫn SGLang trong kho lưu trữ đều chỉ định song song tensor bằng 4, điều đó cho thấy máy dự kiến là một nút bốn GPU chứ không phải máy trạm.

Xing 4.0 29B-A4B là mô hình thưa: 29 tỷ tham số trong checkpoint, 64 chuyên gia được định tuyến với 4 chuyên gia hoạt động cộng thêm một chuyên gia dùng chung, 40 lớp, kích thước ẩn 3.584, được xây dựng trên cái mà thẻ của nó gọi là mHC + MLA + MTP. Tính toán trên mỗi token tỉ lệ với 4 tỷ tham số hoạt động, không phải 29 tỷ tham số được lưu trữ. Nhà cung cấp tuyên bố lượng tử hóa 4-bit chỉ cần khoảng 15 GB VRAM, đủ để đưa nó lên RTX 3090 hoặc 4090 — một tuyên bố đáng được kiểm chứng với tệp lượng tử hóa thực tế trước khi bạn mua phần cứng dựa trên đó, vì kho lưu trữ báo kích thước tensor 31 tỷ tham số cho checkpoint đầy đủ và hai con số này có vẻ lệch nhau một cách kỳ lạ.

Mọi thứ khác đều suy ra từ sự phân chia đó.

• Ngữ cảnh — Nanbeige4.3-33B 524,288 token, nguyên bản, không có phần mở rộng YaRN trong công thức; Xing 4.0 29B-A4B 262,144 nguyên bản, được mô tả là có thể mở rộng lên 512K, mặc dù chưa công bố công thức mở rộng.

• Mức chiếm dụng thực tế tối thiểu — Nanbeige4.3-33B 66,3 GB trọng số BF16 trước KV cache, song song tensor bốn hướng; Xing 4.0 29B-A4B khoảng 15 GB ở 4-bit theo tuyên bố của chính nhà cung cấp, chỉ một card.

• Ngăn xếp huấn luyện — Nanbeige4.3-33B không được tài liệu hóa chi tiết; Xing 4.0 29B-A4B được huấn luyện từ đầu đến cuối trên các cụm Ascend 910C bằng MindSpore và MindFormers, với tuyên bố cải thiện 96% thông lượng so với đường cơ sở nguyên bản của chính nhà cung cấp. Đó là một tuyên bố dựa trên đường cơ sở nội bộ, không có điểm tham chiếu công khai, nên không thể xác minh từ bên ngoài, nhưng đây là phát biểu kỹ thuật thú vị hơn trong hai bản phát hành.

• Giấy phép — Apache 2.0 cho cả hai, khiến giá tải xuống bằng 0 cho cả hai và chuyển toàn bộ cuộc tranh luận sang phần cứng và token.

Năm dòng mà cả hai phòng thí nghiệm đều đã chạy, và hai dòng không khớp nhau

Hai thẻ mô hình cùng có năm tên benchmark: Terminal-Bench 2.1, Tau3-Bench, Claw-Eval, AIME2026 và AA.LCR. Đọc đối chiếu giữa chúng là phép so sánh định lượng duy nhất hiện có, và phần chú thích cuối trang chính là nơi nó hoặc đứng vững hoặc sụp đổ.

• Terminal-Bench 2.1 — Nanbeige4.3-33B 80.9, Xing 4.0 29B-A4B 57.5. Cả hai phòng thí nghiệm đều nói họ đã chạy nó trong Terminus 2, khiến đây trở thành thứ gần nhất với một công cụ dùng chung trong cả hai bảng. Tuy vậy, đây vẫn không phải cùng một thử nghiệm: thẻ của Xing chỉ định temperature 0.8, top-p 0.95, tối đa 64K token, thời gian chờ 24 giờ và lấy trung bình ba lần chạy; thẻ của Nanbeige chỉ nêu tên harness và không gì khác. Mức chênh 23 điểm dưới các harness gần như giống hệt nhau là tín hiệu đơn lẻ mạnh nhất trong so sánh này, và nó vẫn là tín hiệu chứ không phải phép đo.

• Tau3-Bench — Nanbeige4.3-33B 48.8, Xing 4.0 29B-A4B 64.63. Đây là sự đảo ngược, và nó lớn. Xing thắng đối thoại sử dụng công cụ với gần 16 điểm, trên họ benchmark kiểm tra trực tiếp nhất việc gọi hàm đa lượt. Điều đáng lưu ý nằm ở thước đo: Xing báo cáo pass^1 lấy trung bình trên bốn lần chạy trên harness tau-bench chính thức; Nanbeige nói rằng đã dùng các kho chính thức nhưng không nêu cách tổng hợp, và xếp dòng này dưới mục lập trình agentic thay vì sử dụng công cụ.

• Claw-Eval — Nanbeige4.3-33B 78,3 ở pass^3, Xing 4.0 29B-A4B 76,55. Cái này nên bị loại bỏ thay vì đọc. Chú thích của Nanbeige nói rằng nó chỉ đánh giá tập con Claw-Eval General, 157 tác vụ một lượt; của Xing không nêu tên tập con nào. Mức chênh lệch 1,75 điểm giữa hai phiên bản không tên của cùng một bộ đánh giá là tiếng ồn khoác lốt một kết quả.

• AIME2026 — Nanbeige4.3-33B 95.2, Xing 4.0 29B-A4B 90.0. Toán thi đấu, năm lần chạy được lấy trung bình ở phía Xing, tối đa 131,072 token; cách lấy mẫu của Nanbeige một lần nữa lại không được nêu rõ. Cả hai đều mạnh, thứ tự nhất quán với kết quả cuối cùng, và không con số nào cho bạn biết nhiều về công việc thực tế của mỗi mô hình.

• AA.LCR — Nanbeige4.3-33B 84.0, Xing 4.0 29B-A4B 61.0. Suy luận ngữ cảnh dài, và là khoảng cách theo tỷ lệ rộng nhất sau Terminal-Bench. Đáng lưu ý rằng đây là bài kiểm chuẩn của Artificial Analysis do hai nhà cung cấp thực hiện, nên cả hai con số đều không phải số liệu của Artificial Analysis.

Bốn trong năm ủng hộ Nanbeige4.3-33B. Cái đảo ngược lại là cái về việc gọi công cụ theo trình tự, điều mà một agent làm suốt cả ngày. Mâu thuẫn đó là thứ hữu ích nhất trên cả hai tấm thẻ, và chưa phòng thí nghiệm nào trong hai bên đề cập tới nó.

Có một ghi chú về độ tin cậy có lợi cho Nanbeige, cụ thể là ở dòng terminal. Thẻ của chính hãng công bố Terminal-Bench 4.0 ở mức 23.8; Artificial Analysis, khi chạy harness riêng của mình, đo được 29.8. Đo lường bên ngoài cho kết quả sáu điểm cao hơnso với công bố của chính nhà cung cấp, điều này ngược với hướng thông thường và cho thấy bảng của nhà cung cấp ở đây không bị thổi phồng. Xing 4.0 29B-A4B không có kiểm tra tương đương.

Chỉ một trong những mẫu này có một con số mà không ai phải trả tiền cho.

Nanbeige4.3-33B đã được chấm điểm. Artificial Analysis xếp nó ở vị trí 20 trên Intelligence Index v5.0.1 — đứng đầu trong chín mô hình thuộc nhóm so sánh open-weight của nó, so với trung vị nhóm là 10, và đứng thứ 76 trong danh sách toàn bộ mô hình. Các điểm thành phần cho nhiều thông tin hơn điểm tổng hợp: Terminal-Bench 4.0 đạt 29,8%, FrontierCode 2.0 đạt 10,7%, và tỷ lệ không ảo giác là 81,8%, con số tốt thứ bảy trên trang. Nó từ chối trả lời khá nhiều câu hỏi. Đối với một mô hình được xây dựng rõ ràng để làm giáo viên chưng cất, đó là một đặc điểm có lợi.

Xing 4.0 29B-A4B không có mục nào trên Artificial Analysis. Không phải một mục kém — mà là không có mục nào cả. Trang trả về 404 cho slug của mô hình ở cả hai cách viết hợp lý, và không tồn tại bất kỳ con số tổng hợp, điểm thành phần, giá hay tốc độ nào cho nó ở bất cứ đâu trên bảng đó.

Sự bất đối xứng đó chi phối mọi điều mà một bài viết so sánh có thể khẳng định một cách trung thực. Hai mô hình có thể được so sánh trên bảng thông số của nhà cung cấp, với những lưu ý dạng chú thích ở trên. Chúng không thể được so sánh trên một thiết bị duy nhất mà cả hai phòng thí nghiệm đều không kiểm soát, bởi vì chỉ một trong hai mô hình có mặt trên đó. Bất kỳ bài viết nào xếp hạng hai mô hình này đối đầu với nhau trên một nền tảng trung lập đều đang tự bịa ra nền tảng trung lập đó.

Nơi dự luật thực sự khác biệt

Nếu bạn đang cân nhắc giữa chúng, giá của một token không phải là con số quyết định — chi phí hoàn thành một tác vụ mới là, và ba hệ số nhân riêng biệt cộng dồn về phía Nanbeige.

Đầu tiên là mật độ: 33 tỷ tham số được đọc cho mỗi token đầu ra so với khoảng 4 tỷ. Bất kể bạn sở hữu phần cứng nào, đó là một bội số lớn về khối lượng tính toán trên mỗi token trước khi xét đến bất kỳ điều gì khác.

Điều thứ hai là độ dài dòng, và nó được đo lường chứ không phải giả định. Artificial Analysis báo cáo rằng Nanbeige4.3-33B đã tạo ra 160 triệu token đầu ra trong lần chạy Intelligence Index của mình, so với mức trung vị của nhóm tương đương là 77,7 triệu — gấp 2,06 lần trung vị và đứng thứ tám trong tổng số tám trên bảng xếp hạng độ dài dòng của trang. Thẻ mô hình của chính nó giải thích một phần điều này: chế độ suy nghĩ được bật theo mặc định và mức trần khuyến nghị là 262.144 token cho công việc suy luận. Bất kỳ mô hình nào được cho phép suy nghĩ tới một phần tư triệu token cũng sẽ dùng đến một phần trong số đó.

Ghép hai điều đó lại, một mô hình dense mà còn sinh văn bản nhiều gấp đôi thì không phải tốn gấp đôi chi phí chạy cho mỗi tác vụ hoàn thành; con số gần với một bậc độ lớn hơn. Đó mới là nội dung thực sự của phép so sánh 33B với 4B active, và nó không xuất hiện ở bất kỳ đâu trong cả hai bảng benchmark.

Điều thứ ba là chưa biết, và nó chỉ được mặc định coi là có lợi cho Xing. Chưa ai công bố con số về độ dài đầu ra cho Xing 4.0 29B-A4B, nên một mô hình có 4B tham số hoạt động mà không có đo lường hiệu quả token có thể thực sự rẻ trên mỗi tác vụ, hoặc có thể phát ra đủ token để xóa đi một phần lợi thế. Bạn đang so sánh một mô hình đắt đã được đo với một mô hình rẻ chưa được đo.

Những gì bạn có thể gọi hôm nay

Cả hai mô hình đều không được lưu trữ theo nghĩa thông thường, và sự khác biệt giữa chúng nhỏ hơn so với những gì các bài đưa tin về màn ra mắt gợi ý.

Nanbeige4.3-33B hoàn toàn không có API. Trang Hugging Face của mô hình cho biết mô hình không được triển khai bởi bất kỳ nhà cung cấp suy luận nào, và Artificial Analysis ghi nhận không có API công khai nào và để trống các trường giá. Việc truy cập đồng nghĩa với việc tải xuống 66 GB trọng số và chạy chúng trên phần cứng bạn sở hữu hoặc thuê.

Xing 4.0 29B-A4B đã có trọng số từ ngày 16 tháng 9 và một tuyến tính phí xuất hiện vào giữa tháng 10: một chợ bên thứ ba niêm yết nó ở mức 0,22 USD mỗi triệu token đầu vào và 0,90 USD mỗi triệu token đầu ra, cùng với một biến thể khuyến mại miễn phí của cùng endpoint được niêm yết bên cạnh. Bảng nhà cung cấp suy luận của Hugging Face vẫn trống, nên đường dẫn được lưu trữ chạy qua các chợ thay vì nhà cung cấp, và gói khuyến mại không phải là mức giá bạn nên dựa vào để lập ngân sách.

Nói thẳng về vị thế của chính chúng tôi: hiện nay cả hai mô hình đều không có trong danh mục của OrcaRouter, nên chúng tôi không phải là tuyến đến một trong hai mô hình đó, và không có nội dung nào dưới đây giả vờ điều khác. Trong một quyết định như thế này, vai trò mà một router giành được là làm đối chứng. Cách rẻ nhất để biết một mô hình dense 33B tự vận hành có đáng bốn GPU hay không là đặt nó bên cạnh một thứ bạn có thể gọi theo từng token và đo cả hai trên chính tác vụ của bạn — và đối chứng hiển nhiên ở đây là mô hình mà thẻ mô hình của chính Nanbeige dùng để đối chuẩn. Qwen3.8-27B có trong danh mục của chúng tôi với giá $0.33 mỗi triệu token đầu vào và $2.40 mỗi triệu token đầu ra, Artificial Analysis chấm nó 20.1 so với 20 của Nanbeige, và nó dùng cùng một khóa như phần còn lại của danh mục với giá niêm yết của nhà cung cấp được chuyển nguyên, không cộng thêm giá. Điều đó khiến việc so sánh trở thành một quy tắc định tuyến thay vì một hợp đồng thứ hai.

Ai nên chọn cái nào

Sự phân chia ấy trở nên dễ hiểu một khi bạn chấp nhận rằng đây là quyết định giữa năng lực và chi phí, chứ không phải giữa năng lực với năng lực.

Nanbeige4.3-33B là lựa chọn khi công việc trên terminal chính là sản phẩm. Dẫn trước 23 điểm trên một harness Terminus 2 gần như dùng chung, chỉ số không ảo giác cao nhất trong phân khúc, cửa sổ 512K gốc và điểm số độc lập cao hơn cả tuyên bố của nhà cung cấp — đó là mô hình đáng đầu tư bốn GPU nếu khối lượng công việc của bạn là mã nguồn và công việc shell dài hạn, và nếu bạn có thể chịu được hóa đơn token gấp khoảng hai lần mức trung vị của phân khúc.

Xing 4.0 29B-A4B là lựa chọn khi một card duy nhất và hóa đơn tính theo mức dùng là những ràng buộc. Dẫn trước 16 điểm trên Tau3-Bench, mức chiếm dụng mà nhà cung cấp nói vừa với một card 24GB, chỉ bằng một phần tư lượng tính toán trên mỗi token của Nanbeige, và là mô hình duy nhất trong hai mô hình có mức giá bạn có thể trả mà không cần mua phần cứng. Nó cũng là mô hình yếu hơn ở hàng duy nhất nơi các harness gần khớp nhau nhất, nên lý do ủng hộ nó mang tính kinh tế và vận hành, không phải năng lực.

Hai điều sẽ giải quyết những phần còn bỏ ngỏ. Một lần chạy Artificial Analysis trên Xing 4.0 29B-A4B sẽ biến một so sánh bất đối xứng thành so sánh đối xứng, và một con số Tau3-Bench từ Nanbeige với cách tổng hợp được nêu rõ sẽ cho bạn biết liệu mức đảo ngược 16 điểm là điểm yếu thực sự trong việc dùng công cụ hay chỉ là hệ quả của hai thước đo khác nhau trùng tên. Cho đến khi một trong hai điều đó thành hiện thực, tóm tắt trung thực là Nanbeige4.3-33B là mô hình mạnh hơn dựa trên bằng chứng hiện có, còn Xing 4.0 29B-A4B là mô hình bạn có thể đủ khả năng chạy — và độ lớn của sự đánh đổi đó là câu hỏi về tổ hợp nhiệm vụ của bạn, không phải về bất kỳ card nào.