Nanbeige4.3-33B 与 Granite 4.2 30B：主张与合规之争

在 Nanbeige4.3-33B 和 Granite 4.2 30B 之间做选择，将在采购会议上决定，而不是在排行榜上决定。两者都是约 300 亿参数的稠密模型，均采用 Apache 2.0 许可，本周都可以下载，也都宣称支持最高 512K token。但其中一个由 IBM 出售，附带签名制品和支持合同；另一个则是来自中国实验室、刚上线两天的代码仓库，且该实验室尚未发布上线公告。IBM 的 Granite 4.2 30B 于 2026 年 8 月 25 日发布；Nanbeige4.3-33B 于 2026 年 10 月 24 日出现在 Hugging Face 上。它们并不是同一笔采购的真正竞争对手，而这恰恰说明为什么值得仔细比较。

下面要讲的并非要选出赢家，而是一套入围筛选逻辑：真正能将这些模型区分开的四个问题，每个答案所依据的证据，以及证据看似有力、实则较弱的地方。

两款标称相同参数数量的产品

Granite 4.2 30B 是 IBM Granite 4.2 系列中的旗舰型号——该系列包含 3B、8B 和 30B，均为稠密模型。它基于 Granite-4.1-30B-Base 构建，预训练使用了约 15 万亿个 token，其中约 1 万亿为合成代码 token，随后又针对 8B 和 30B 规模增加了智能体强化学习阶段。它提供三种推理模式（思考、非思考、低强度），支持 OpenAI 格式的原生工具调用，并提供 FP8 和 4 位量化版本。IBM 列出了对 vLLM 和 SGLang 的原生支持，其中包括 granite_thinking_parser。

Nanbeige4.3-33B 是看准（BOSS直聘背后的公司）旗下 AI 团队 Nanbeige LLM Lab 的单个稠密模型检查点。其模型卡对部署的描述异常具体：33.1B 参数、524,288 token 上下文、支持英语和中文、默认开启思考、推荐使用 XML 工具调用格式而非 JSON，以及一个面向多轮工具使用的 preserve_thinking 标志。它被明确设定为更小同系列模型 Nanbeige4.3-3B 的教师模型，而后者尚未发布。

意图上的差异很重要。Granite 是一条拥有企业级支持路径的产品线。Nanbeige4.3-33B 是为孕育一个模型家族而发布的研究产物。前者旨在被购买，后者旨在被蒸馏。

两家实验室都实际运行过的那一行

Nanbeige 的卡片将自身与 Qwen3.8-27B、Muse-Glimmer-30B 和 Gemma 4 31B 进行对比。IBM 的 Granite 材料则完全没有提到 Nanbeige。因此，这两张卡片恰好只共享一个名义上可以进行直接对比的基准测试：Terminal-Bench 2.1。

• Terminal-Bench 2.1 — Nanbeige4.3-33B 得分 80.9（Nanbeige 的模型卡），对比 Granite 4.2 30B 得分 29.24（IBM 的模型卡）。Nanbeige 领先 51.7 个百分点。

这是整个对比中两个供应商数据表之间声称的最大差异，但在它能说明任何问题之前，需要三点限定说明。第一，这两个数字都是供应商报告的。第二，Nanbeige 的模型卡称其 Terminal-Bench 2.1 运行使用了 Terminus 2；IBM 的模型卡未说明其脚手架。第三，终端基准测试衡量的是模型加上智能体循环，而 51 分的差距可能同样容易来自循环，而非来自权重。一个使用调校良好的测试框架的模型和一个使用现成框架的模型，在同一名义基准测试上会相差数十分。

下一个最接近的共有项是 GPQA Diamond：Nanbeige 报告 89.5，IBM 报告 66.41。这在知识基准上是一个真实差距，而且差距足够大，能够经受住测试框架差异的影响；但它衡量的东西也与智能体编程不同——是研究生水平的科学问题，而不是长程工具使用。根据这些证据，这说明 Nanbeige 是两者中更强的推理者。这并不说明它是更强的智能体。

其余各项均不可比较。Nanbeige 报告的 SWE-Bench Pro 为 60.3；IBM 报告的 SWE-Bench Verified 为 57.00——二者是不同变体，难度也不同。Nanbeige 报告的 AIME 2026 为 95.2；IBM 报告的 AIME25 为 89.17——年份不同。Nanbeige 报告了 JobBench 和 DeepPlanning；IBM 报告了 τ³-bench 62.00、BFCL v4 61.39、MMLU-Pro 77.60、LiveCodeBench v6 75.77 和 RULER 128K 81.38。这些在 Nanbeige 都没有对应项。

两个并不相同的 512K 说法

两个模型都宣称512K的上限。它们达到这个上限的方式不同，而这种差异体现在各家厂商愿意公开的内容上。

• 原生窗口 — Nanbeige4.3-33B：524,288 个 token，原生。Granite 4.2 30B：131,072 个 token，原生。

• 扩展上限 —— Granite 4.2 30B 提供长上下文扩展到 512K。Nanbeige 无需扩展；512K 就是训练窗口。

• 长上下文证据——IBM 在 128K 下发布 RULER：81.38。Nanbeige 发布 AA-LCR：84.0，这是一个长上下文推理基准，但并非在明确给定深度下的召回基准。

• 输出 —— Nanbeige 的模型卡建议推理与聊天场景最多使用 262,144 个新 token，智能体与工具调用类任务为 65,536 个。IBM 建议的 max_new_tokens 在思考模式下为 8,192，在非思考模式下为 2,048。

最后那句话才是最实用的。512K 输入窗口搭配 8K 输出建议，是专为大量阅读并简短作答而构建的模型。512K 窗口搭配 262K 生成预算，则是专为生成长篇幅产物而构建的模型。如果你的工作是“读取整个代码库，编写迁移方案”，那么即使在相同的标称上下文长度下，它们也不是等价的产品。

工具调用、思考模式与集成税

Granite 的工具调用采用 OpenAI 格式并且是原生的；在 IBM 自己的评估中，BFCL v4 得分为 61.39。这意味着它可以无需自定义解析器，直接接入标准函数调用客户端。IBM 还为 vLLM 发布了 thinking parser，因此推理轨迹可以与答案清晰分离。

Nanbeige4.3-33B 采取了相反的做法：它推荐使用 tool_call_format="xml" 以获得最佳性能，附带 ChatML 风格模板，并要求你在 vLLM 或 SGLang 中使用 Qwen3 reasoning parser 和 Qwen3-Coder tool parser。这不是缺陷——许多强大的智能体模型都使用 XML 工具调用——但这是集成工作。如果你的技术栈使用 OpenAI 工具 JSON，Nanbeige 就需要一个翻译层，或者使用其 JSON 模式；模型卡片称该模式受支持，但并非首选。

这是基准测试表格从不体现的隐性成本。一个在你不得不重建的评测框架上高出 20 分的模型，到了周二并不会真的高出 20 分。Granite 在这里的优势不在于能力，而在于其接线方式有文档、符合标准，并且由一家设有缺陷跟踪系统的供应商提供支持。

合规条线

IBM 交付的 Granite 模型附带加密签名、ISO 认证和透明度披露。对受监管的买方而言，这不是营销——而是模型能否走完审批流程的区别。IBM 同时也是交易对手方：有合同、有支持路径，也有一家在采购周期的时间范围内仍将存续的公司。

Nanbeige4.3-33B 采用 Apache 2.0 许可证，该许可证在法律上宽松且可用于商业用途。它没有企业支持合同，没有签名制品计划，也没有除模型卡之外的已发布数据来源声明。该实验室隶属于 Kanzhun，这是一家中国上市公司，而该模型是中英双语。这些都不构成取消其资格的理由。所有这些都属于安全审查会问及的事项，而今天诚实的答案是，Nanbeige 这一方的证据更为薄弱。

对于处于受监管流程之外的团队，本节内容无关紧要，可以直接跳过。而对于处于受监管流程之内的团队，它可能在阅读基准测试结果之前就已经决定了问题的答案。

一个 token 的成本，以及一块 GPU 的成本

Granite 4.2 30B 可作为托管 API 使用，每百万输入 token 收费 0.16 美元，每百万输出 token 收费 0.65 美元，并享有 75% 的缓存折扣，输出速度约为每秒 47.5 个 token，首 token 时间为 0.82 秒。Artificial Analysis 估计其每个 Intelligence Index 任务的成本约为 0.07 美元。其权重也可下载，BF16 格式约 60GB，8 位格式约 30GB——可单 GPU 部署。

Nanbeige4.3-33B 没有公开的每 token 价格，因为没有人托管它。模型卡明确说明，没有任何推理服务商部署该模型。自托管意味着 BF16 精度下约需 66GB，4-bit 量化下约需 20GB，而厂商自己的方案采用张量并行度为 4 的配置。无论是否有流量到来，这都意味着四块 GPU 要一直占用着。

诚实地把这两个数字并排放在一起，比较的就是一张从零开始的按量计费账单，和一笔从四块 GPU 起步的资本支出。在低用量下，Granite 便宜一个数量级。在持续高用量下，自托管的 33B 可能胜出——但前提是利用率足够高，能够摊薄硬件成本，而且前提是你把工程时间估价为零。大多数团队会发现它并不是零。

两个模型都不在我们的路由器上，这一点值得直说。

OrcaRouter 目前不提供 Nanbeige4.3-33B 或 Granite 4.2 30B。我们不会假装并非如此，因为一位期待其中任一模型而注册的读者，会浪费一天才发现产品目录里并没有它。

路由层仍然做的是让其余决策保持低成本。如果你已经通过我们的端点运行一个现有模型，那么在同一密钥后添加一个自托管的 Nanbeige，并让它承接一部分流量，这只是配置变更，而不是第二次集成。我们的 0% 加价模式——按提供商标价透传——也意味着，当 IBM 或其他托管方更改 Granite 价格时，你看到的数字会随之变化，而不是滞后于转售商的利润空间。这并不会让这两个模型变得可用。它只是让围绕它们的实验运行起来更便宜。

一份入围名单，而非最终赢家

• 如果你需要合同、签名和支持渠道：Granite 4.2 30B，基准测试的差距也就不再重要了。

• 如果你需要这一规模级别中宣称最强的智能体编码性能：Nanbeige4.3-33B，但需注意，其在 Terminal-Bench 2.1 上的 80.9 分从未在其自家模型卡之外被复现。

• 如果你需要原生 512K 输入和长输出：Nanbeige4.3-33B。Granite 通过扩展达到 512K，并建议使用 8K 输出。

• 如果你需要中文：两个模型都列出了中文。Granite 的模型卡在 12 种语言中列出了中文；Nanbeige 的模型卡列出了英文和中文。语言并不是这里的决胜因素。

• 如果你需要在没有 GPU 的情况下今天就开始：通过 IBM 的 API 使用 Granite 4.2 30B。Nanbeige 完全没有托管选项。

令人不安的总结是：这些模型在同类中已经足够接近，因此决定将取决于它们周边的约束条件——采购、部署、语言、模态——而不是那行 51 分的分数。那行分数很可能是真实的。它也是本文中最难以验证的单一说法，而且它应该是你选择模型的最后一个理由，而不是第一个理由。