Nanbeige4.3-33B 對上 Qwen 3.6 35B-A3B：Nanbeige 拿來跑分的是另一個 Qwen，而這才是重點

打開 Nanbeige4.3-33B 的 Nanbeige 模型卡，數一數 Qwen 欄位。恰好只有一個，而且它屬於 Qwen3.8-27B——一個於 2026 年 8 月發布的稠密多模態模型。Qwen 3.6 35B-A3B 是 Liquid AI 用來作為 LFM2.5 自身參考基準的混合專家模型，也是大多數開放權重代理生態系拿來做基準測試的對象，卻完全沒有出現在 Nanbeige 那張二十列的表格中。

這種缺席是一種選擇，也讓這場對決比一般的正面交鋒更有意思。Nanbeige4.3-33B 被拿來與它在長時程代理任務列上能夠擊敗的 Qwen 模型相比。Qwen 3.6 35B-A3B 是執行成本僅四分之一、可接受圖像與影片，且自四月起已在生產環境中使用的 Qwen 模型。這究竟是更公平的比較，還是更輕鬆的比較，取決於你買的是什麼，而這兩個模型並不是為同一類買家最佳化的。

其中一個密度高，另一個則不然，而這決定了費用。

唯一最具影響力的差異，並不在任何基準測試上。

• 參數 — Nanbeige4.3-33B 為 331 億總量，全部啟用。Qwen 3.6 35B-A3B 為混合專家模型，350 億總量，每個詞元約有 30 億啟用。

• 以每個 token 計算——Nanbeige4.3-33B 需要完整的稠密前向傳遞，而 Qwen 3.6 35B-A3B 則只需對少量專家子集進行稀疏前向傳遞。在相同硬體上，Qwen 模型每顆 GPU 每秒產生的 token 數量遠多於前者。

• 權重記憶體——Nanbeige4.3-33B 以 bfloat16 儲存需 66.3 GB。Qwen 模型經量化後可輕鬆放入單張顯卡。

• 上下文 — Nanbeige4.3-33B 原生支援 524,288 個 token。Qwen 3.6 35B-A3B 則為 262,144 個，最大輸出為 65,536 個 token。

• 模態 — 文字進、文字出，支援英文與中文，適用於 Nanbeige4.3-33B。Qwen 3.6 35B-A3B 則支援文字、圖像與影片輸入。

• 價格 — Nanbeige4.3-33B 沒有託管端點。OrcaRouter 上的 Qwen 3.6 35B-A3B，每百萬輸入 token 為 $0.25、每百萬輸出 token 為 $1.49，p50 首字延遲為 6.67 秒。

• 授權條款 — 兩者皆採用 Apache 2.0。

把運算量那一行讀兩遍。一個 33B 稠密模型執行 65,536 個 token 的代理式回應——這是 Nanbeige 自己建議的上限——在這些 token 的每一個上，都要做相當於 330 億個參數的工作量。Qwen 模型大約只做其十分之一。如果兩者在同一任務上的得分只差幾分，那麼在經濟效益上，稀疏模型會以一個數量級的優勢勝出，而這點沒有任何基準測試表會告訴你。

這些分數無法相減，原因在於方法論。

Nanbeige4.3-33B 在 Artificial Analysis Intelligence Index v5.0.1 上拿到 20 分。Qwen 3.6 35B-A3B 在 v5 綜合指數上完全沒有分數——其模型頁面顯示 N/A，因為目前的指數只會為具備公開可用 API 或已完成內部跑分的配置評分，而最後公布的 Artificial Analysis 數字仍停留在較舊的 v4.3.x 指數上，其推理配置落在十幾接近 20 分的區間。

這些數字並不是在做比較。v5 index 是重新設定基準的評估集，而 v4.3.x 的分數不能直接轉移過來。任何提出「20 對 18」的人，都是在兩份不同的考卷之間做減法；這是模型比較寫作中最常見的單一錯誤，值得在此明確指出。

在共同基礎上確實存在的內容較為狹窄，但仍然有用。

• Terminal-Bench — Artificial Analysis 在 Terminal-Bench 2.1 上讓 Qwen 3.6 35B-A3B 達到 41.6%，在 Terminal-Bench Hard 上達到 25.8%。它在 Terminal-Bench 4.0 上讓 Nanbeige4.3-33B 達到 29.8%。這些是不同的基準測試，所以仍然不是差值，但兩者都是針對同一類任務的外部測量。

• 廠商 Terminal-Bench 宣稱——Nanbeige 回報 Nanbeige4.3-33B 在 Terminal-Bench 2.1 上達到 80.9，而 Qwen 3.6 35B-A3B 在同一个基準測試上的獨立測量結果為 41.6%。如果該廠商數據經得起檢驗，那將是整份比較中最大的差距。此數據尚未被獨立重現，且 Nanbeige 自己的註腳指出，該測試是使用 Terminus 2 測試框架執行的。

• 知識 — Artificial Analysis 在 AA-Omniscience 上給 Nanbeige4.3-33B 評為 11.7% 準確率，非幻覺率為 81.8%。Qwen 3.6 35B-A3B 的 Omniscience 數據早於 v5 重建，因此位於不同尺度，無法與 Nanbeige 的數據直接對比。可以說的是方向性結論，且與兩個系列的用戶一致：Qwen 模型知道得更多，Nanbeige 模型更常拒絕回答。

• 推理 — Qwen 3.6 35B-A3B 在開啟推理時 GPQA Diamond 為 84.8，在評估設定下為 84.1。Nanbeige4.3-33B 的卡片聲稱 89.5，但未經重現。

為什麼 Nanbeige 反而選擇 Qwen3.8-27B

有一個站得住腳的理由，說明為何要拿 33B 稠密模型來對 27B 稠密模型做基準測試，而不是拿來對 35B 混合專家模型，而這並不是不誠實。理由是：在架構上做同類比較，會讓比較的重點落在訓練品質，而不是服務效率。兩個規模相近的稠密模型會告訴你哪個實驗室訓練得更好。稠密模型與 MoE 的比較則會告訴你哪種設計成本更低，而那是另一個問題，答案也不同。

但這個選擇對讀者而言是有代價的，因為大多數挑選模型的人，依據的是總擁有成本，而非抽象的訓練品質。而在這個面向上，Qwen 3.6 35B-A3B 具備一項 Nanbeige 的表格從未揭示的優勢：3B 活躍參數意味著你可以把它部署在你大概早就擁有的硬體上，而且它能接受截圖與影片影格，這是稠密的 33B 無論花多少錢都做不到的。

反駁論點同樣具體。Nanbeige4.3-33B 原生支援 524,288 個 token，無需任何縮放；而稠密堆疊讓其長上下文行為具備可預測性，稀疏模型則不然。在 52 層中，每個 token 的 KV 快取為 208 KiB，其完整視窗成本約 104 GiB——這是警訊，不是賣點，但這也意味著模型卡所承諾的內容與模型實際行為之間，不存在隱藏的近似。

決策真正落定的地方

如果你的工作是多模態的，那麼在查閱任何基準測試之前，Qwen 3.6 35B-A3B 就是答案。Nanbeige4.3-33B 僅支援文字，而一個每 token 價格只要四分之一、就能讀取圖像的 3B 活化模型，對於截圖處理流程而言，並不是差一點點的次選。

如果你的工作是長時間跨度的終端自動化，而且手上有四張 GPU，那麼 Nanbeige4.3-33B 在 Terminal-Bench 4.0 上拿下 29.8%，就是這對組合中已公布的最強外部成績；而該模型 81.8% 的非幻覺率，正是讓代理迴圈不至於信心滿滿地連續二十分鐘做錯事的關鍵特質。那是實實在在的優勢，而且代價並不便宜。

對所有介於兩者之間的人而言，實際的答案就是：Qwen 3.6 35B-A3B 是你今天下午就能評估的模型，而 Nanbeige4.3-33B 則是你買了硬體之後才評估的模型。Qwen 3.6 35B-A3B 已收錄於 OrcaRouter 目錄中，價格如上，且與其餘 200 多個模型使用同一把金鑰，具備跨上游供應商的自動容錯移轉，以及路由 DSL；如果你想在它與第二個模型之間分流，又不想另外寫一個用戶端，就能派上用場。Nanbeige4.3-33B 不在目錄中——我們不託管它，本文也沒有任何內容聲稱我們有託管。

這種不對稱，就是對整個比較最誠實的總結。這些模型裡，有一個是可以計量、而且能在一個下午內切換離開的服務。另一個則是你會採用的檢查點。Nanbeige 刻意打造第二種：它是教師模型，它的模型卡也這麼寫，而真正會讓它發揮關鍵作用的 3B 學生模型尚未推出。