Nanbeige4.3-33B 对比 Xing 4.0 29B-A4B：23 分终端差距与 16 分逆转

Nanbeige4.3-33B和Xing 4.0 29B-A4B是从相反方向传达的同一套宣传说辞。前者是来自 BOSS Zhipin 旗下 Nanbeige LLM Lab 的 330 亿参数稠密模型，于 2026 年 10 月 24 日以 Apache 2.0 许可证发布，上下文长度为 524,288 个 token，其部署方案假定使用四块 GPU。后者是来自 China Telecom 旗下 TeleAI 的 290 亿参数混合专家模型，权重自 2026 年 9 月 16 日起公开，每个 token 约激活 40 亿参数，其模型卡声称在 4 位量化下可装入单张 24GB 消费级显卡。两者都面向智能体编程和长工具调用循环。两者均以开放权重形式发布。尚无任何人将二者进行正面对比，包括它们自己的实验室——Nanbeige 的模型卡对标 Qwen3.8-27B、Muse-Glimmer-30B 和 Gemma4-31B；Xing 的模型卡对标 Gemma4-26B-A4B 和 Qwen3.6-35B-A3B。它们从未提及彼此。

这不是用一张对比表就能掩盖过去的差距，因为两家厂商的表格使用了不同的测试框架、不同的采样设置和不同的竞品集合。你能做的范围更窄，但也更有用：找出两个实验室恰好共有的行，读懂那些决定这些行是否有意义的脚注，然后区分开那个由并非受雇来测量它的人测过的模型，和那个没有这样测过的模型。

330 亿稠密参数对 40 亿激活参数，而这还是在任何基准测试运行之前

架构差异不是一句谈资。它关乎账单、延迟和部署方案，而且在两个模型中的任何一个回答哪怕一个提示之前，就已经决定了。

Nanbeige4.3-33B 是一个标准的稠密解码器——LlamaForCausalLM，52 层，隐藏维度为 7,168，采用分组查询注意力，包含 56 个查询头和 8 个 KV 头。每生成一个 token 都要动用全部 331 亿参数。BF16 检查点为 66.3 GB，分布在十四个 safetensors 分片中；仓库中的 vLLM 和 SGLang 方案都指定张量并行度为 4，这表明目标机器是四 GPU 节点，而不是工作站。

Xing 4.0 29B-A4B 是稀疏模型：检查点中有 290 亿参数，64 个路由专家，其中 4 个激活，外加一个共享专家，40 层，隐藏层大小为 3,584，基于其模型卡所称的 mHC + MLA + MTP 构建。每个 token 的计算量随 40 亿激活参数扩展，而不是随存储的 290 亿参数扩展。厂商声称 4 比特量化大约需要 15 GB 显存，这会让它能在 RTX 3090 或 4090 上运行——在你围绕它购买硬件之前，这个说法值得对照实际的量化文件进行核实，因为仓库报告完整检查点的张量大小为 31B 参数，而这两个数字放在一起显得很奇怪。

其余一切都源于那个划分。

• 上下文 — Nanbeige4.3-33B 原生支持 524,288 tokens，且配方中不含 YaRN 扩展；Xing 4.0 29B-A4B 原生支持 262,144，据称可扩展至 512K，但未公布扩展配方。

• 最小实际占用 — Nanbeige4.3-33B 在 KV 缓存之前为 66.3 GB 的 BF16 权重，采用四路张量并行；Xing 4.0 29B-A4B 按厂商自己的说法，4-bit 下约为 15 GB，单卡。

• 训练栈——Nanbeige4.3-33B 未详细披露；Xing 4.0 29B-A4B 在 Ascend 910C 集群上使用 MindSpore 和 MindFormers 进行了端到端训练，并声称相比厂商自带的开箱即用基线，吞吐量提升了 96%。这是一个基于内部基线的说法，没有公开参照点，因此无法从外部验证，但它是这两个发布版本中更有意思的工程表述。

• 许可 — 两者均为 Apache 2.0，这使得两者的下载价格都为零，并把争论完全转移到硬件和 token 上。

两个实验室都跑了五行，其中两行结果不一致

这两张模型卡共用五个基准测试名称：Terminal-Bench 2.1、Tau3-Bench、Claw-Eval、AIME2026 和 AA.LCR。将它们横向对读是唯一可用的定量比较，而脚注正是决定这一比较站得住脚还是站不住脚的地方。

• Terminal-Bench 2.1 —— Nanbeige4.3-33B 80.9，Xing 4.0 29B-A4B 57.5。两家实验室都表示他们是在 Terminus 2 中运行它的，这使其成为两张表中最近似于共享测量工具的东西。但这仍然不是同一个实验：Xing 的模型卡指定了 temperature 0.8、top-p 0.95、最大 64K tokens、24 小时超时以及三次运行的平均值；Nanbeige 的模型卡只提到了测试框架，除此之外别无其他。在近乎相同的测试框架下出现 23 分的差距，是本次比较中最强的单一信号，而且它仍然只是信号，而非测量结果。

• Tau3-Bench — Nanbeige4.3-33B 48.8，Xing 4.0 29B-A4B 64.63。这是一次反转，而且幅度很大。Xing 在工具使用对话上以近 16 分的优势胜出，而这类基准系列最直接地测试多轮函数调用。需要注意的是评估指标：Xing 报告的是在官方 tau-bench 测试框架上四次运行平均后的 pass^1；Nanbeige 称其使用了官方仓库，但未说明聚合方式，并将该行列在智能体编程而非工具使用之下。

• Claw-Eval——Nanbeige4.3-33B 在 pass^3 下为 78.3，Xing 4.0 29B-A4B 为 76.55。这一条应当直接丢弃，不必细读。Nanbeige 的脚注称其仅评估了 Claw-Eval General 子集，共 157 个单轮任务；Xing 的脚注则未指明子集。同一基准的两个未具名版本之间 1.75 分的差距，不过是披着结果外衣的噪声。

• AIME2026 — Nanbeige4.3-33B 95.2，Xing 4.0 29B-A4B 90.0。竞赛数学，Xing 一侧取五次运行的平均值，最大 131,072 tokens；Nanbeige 的采样设置再次未作说明。两者都很强，排序与最终结果一致，但这两个数字都无法说明任一模型的实际工作表现。

• AA.LCR — Nanbeige4.3-33B 84.0，Xing 4.0 29B-A4B 61.0。长上下文推理，也是 Terminal-Bench 之后比例差距最大的一项。值得指出的是，这是由两家供应商运行的 Artificial Analysis 基准测试，因此这两个数字都不是 Artificial Analysis 的数字。

五个里有四个偏向 Nanbeige4.3-33B。唯一给出相反结论的那一项，是关于按顺序调用工具的，而这正是智能体整天在做的事。这个矛盾是两张卡上最有用的东西，而两家实验室都没有回应它。

有一条可信度备注，具体到 terminal 这一行，尤其对 Nanbeige 有利。它自己的模型卡声称 Terminal-Bench 4.0 为 23.8；Artificial Analysis 用自己的评测框架测得 29.8。外部测量结果比厂商自己的说法高出六分，这与通常方向相反，表明这里的厂商表格并未虚高。Xing 4.0 29B-A4B 没有对应的核验。

这些模型中只有一个有一个没人付过费的号码。

Nanbeige4.3-33B 已获评分。Artificial Analysis 在 Intelligence Index v5.0.1 上给它评了 20 分——在其开放权重对比类别中，它在九款模型里排名第一，该类别的中位数为 10，并在全部模型榜单上位列第 76。子项得分比综合得分更能说明问题：Terminal-Bench 4.0 为 29.8%，FrontierCode 2.0 为 10.7%，非幻觉率为 81.8%，是该网站上第七高的数字。它会拒绝很多问题。对于一款明确作为蒸馏教师模型构建的模型来说，这是一个特性。

Xing 4.0 29B-A4B 在 Artificial Analysis 上没有条目。不是评分很差——而是压根没有。该模型的 slug 按两种可能的拼写方式在网站上均返回 404，而且在那块榜单的任何位置，都找不到它的综合得分、子项得分、价格或速度数据。

这种不对称性决定了任何一篇对比文章所能诚实主张的一切。这两个模型可以依据厂商表格进行比较，但需考虑上文脚注中的限定说明。它们无法在两家实验室都无法控制的那一项工具上进行比较，因为二者中只有一个处于该工具之上。任何试图在中立基础上对这两者相互排名的文章，都是在凭空发明这个中立基础。

法案实际分歧所在

如果你要在它们之间做选择，token 的价格并不是决定性的数字——完成一项任务的成本才是，而在 Nanbeige 这边，有三个独立的乘数叠加在一起。

首先是密度：每个输出 token 要读取 330 亿个参数，相比之下约为 40 亿个。无论你拥有什么硬件，在考虑其他任何因素之前，这都意味着每个 token 的计算量要高出许多倍。

第二个是冗长程度，而且它是经过测量而非假设的。Artificial Analysis 报告称，Nanbeige4.3-33B 在其 Intelligence Index 运行中生成了 1.6 亿个输出 token，而同类中位数为 7770 万——是中位数的 2.06 倍，并在该网站的冗长程度排名中位列八款中的第八。该模型自己的模型卡解释了部分原因：思考功能默认开启，而推理工作的建议上限为 262,144 个 token。任何被告知可以思考 25 万个 token 的模型，都会用掉其中一些。

把这两点放在一起看，一个输出量还翻倍的稠密模型，在每完成一项任务时的运行成本并不是两倍；它更接近一个数量级。这才是 33B 与 4B 激活参数对比的真正实质，而它在两张基准测试表中都完全没有体现。

第三点是未知的，而且它只是默认情况下对Xing有利。没有人公布过Xing 4.0 29B-A4B的冗长度数据，因此，一个没有token效率测量数据的4B激活模型，可能每任务确实便宜，也可能输出足够多的token，从而抵消部分优势。你是在把一个已测量的昂贵模型和一个未测量的便宜模型进行比较。

今天你可以叫什么

这两个模型都不是通常意义上的托管，二者之间的差异也比发布报道所暗示的要小。

Nanbeige4.3-33B 完全没有 API。其 Hugging Face 页面显示，该模型未由任何推理提供商部署，Artificial Analysis 也未记录任何公开可用的 API，并将价格字段留空。要使用它，意味着需要下载 66 GB 的权重，并在你拥有或租用的硬件上运行。

Xing 4.0 29B-A4B 自 9 月 16 日起已有权重，并在 10 月中旬出现了一条按量计费路径：一个第三方市场平台将其列为每百万输入 token 0.22 美元、每百万输出 0.90 美元，同一端点的免费促销变体也与它并列列出。Hugging Face 的推理提供商面板仍然为空，因此托管路径是通过市场平台而非供应商运行的，而促销层级并不是你应该据以制定预算的价格。

直说我们自己的立场：目前这两款模型都不在 OrcaRouter 的目录中，所以我们并非通往其中任何一款的途径，下文也没有任何内容假装不是这样。在这类决策中，路由器能占据一席之地的地方在于充当对照组。要弄清一个自托管的 33B 稠密模型是否值得占用四块 GPU，最便宜的办法就是把它放在一个可以按 token 调用的模型旁边，在你自己的任务上同时对两者进行测量——而这里最明显的对照对象，正是 Nanbeige 自己在模型卡上对标的那款模型。Qwen3.8-27B 已在我们目录中，输入每百万 token 0.33 美元，输出每百万 token 2.40 美元，Artificial Analysis 给它打出 20.1 分，而 Nanbeige 为 20 分，并且它与目录中其他模型使用同一把密钥，供应商目录价原样透传，不加价。这样一来，这项比较就只是一条路由规则，而不是又一份合同。

谁应该选哪个

一旦你接受这是能力与成本的权衡、而非能力与能力之间的较量，这种分歧就清晰可辨了。

当终端工作本身就是产品时，Nanbeige4.3-33B 就是首选。它在近乎共享的 Terminus 2 测试框架上领先 23 分，拥有同类中最高的非幻觉指标、原生 512K 上下文窗口，并且独立评分高于厂商自身的宣称——如果你的工作负载是长周期代码与 shell 任务，且能承受约为同类中位数两倍的 token 账单，那么这就是一款值得用四块 GPU 的模型。

当单张显卡和按量计费账单是约束条件时，Xing 4.0 29B-A4B 就是首选。它在 Tau3-Bench 上领先 16 个百分点，厂商称其占用空间可适配 24GB 显卡，每 token 计算量仅为 Nanbeige 的四分之一，并且是两者中唯一无需购买硬件即可付费使用的模型。它也是在测试框架最接近匹配的那一行上表现较弱的模型，因此选择它的理由在于经济和运营层面，而非能力。

有两件事可以解决仍然悬而未决的部分。对 Xing 4.0 29B-A4B 跑一次 Artificial Analysis，会把不对称的比较变成对称的比较；而 Nanbeige 给出一个说明汇总方式的 Tau3-Bench 数值，则会告诉你这 16 个百分点的反转究竟是工具使用上的真实弱点，还是两个不同指标共用同一名称所造成的假象。在这两者任一落地之前，诚实的总结是：就现有证据而言，Nanbeige4.3-33B 是更强的模型，而 Xing 4.0 29B-A4B 是你负担得起运行的那个——而这种取舍的大小取决于你的任务组合，与这两者中的哪一张卡无关。