Nanbeige4.3-33B 對比 Xing 4.0 29B-A4B：23 分的終端差距與 16 分的逆轉

Nanbeige4.3-33B與Xing 4.0 29B-A4B是同樣的賣點，從相反方向傳達。第一個是來自BOSS直聘Nanbeige LLM Lab的330億參數稠密模型，於2026年10月24日以Apache 2.0授權發布，具備524,288個token的上下文，以及假設使用四張GPU的推論服務配置。第二個是來自中國電信TeleAI的290億參數混合專家模型，權重自2026年9月16日起公開，每個token約激活40億參數，其自家模型卡聲稱在4位元量化下可放入單張24GB消費級顯卡。兩者都針對代理式編程與長時間工具迴圈。兩者都提供開放權重。尚未有人讓兩者正面交鋒，包括它們自家的實驗室——Nanbeige的模型卡以Qwen3.8-27B、Muse-Glimmer-30B和Gemma4-31B為基準；Xing的模型卡則以Gemma4-26B-A4B和Qwen3.6-35B-A3B為基準。它們從未提及彼此。

那不是能用比較表掩蓋的落差，因為兩張廠商表格採用不同的測試框架、不同的取樣方式和不同的競爭對手組合。你能做的更狹窄，但也更有用：找出兩家實驗室恰好共有的資料列，讀懂決定這些資料列是否有意義的註腳，然後把那個已由未受聘進行測量的人測量過的模型，與那個尚未如此的模型區分開來。

330 億稠密參數對上 40 億活躍參數，而這還是在任何基準測試開跑之前。

架構差異不是空泛的論點。它體現在帳單、延遲和部署計畫上，而且在任一模型回答哪怕一個提示之前，就已經決定了。

Nanbeige4.3-33B 是標準的稠密解碼器——LlamaForCausalLM，52 層，隱藏層大小 7,168，採用分組查詢注意力，56 個查詢頭與 8 個 KV 頭。每生成一個 token 都要付出全部 331 億個參數的代價。BF16 檢查點為 66.3 GB，分佈於十四個 safetensors 分片，而儲存庫中的 vLLM 與 SGLang 配方都指定張量平行度為 4，這說明預定的機器是四 GPU 節點，而非工作站。

Xing 4.0 29B-A4B 是稀疏模型：檢查點中有 290 億個參數，64 個路由專家，其中 4 個啟用，外加一個共享專家，40 層，隱藏層大小為 3,584，其模型卡稱其架構為 mHC + MLA + MTP。每個 token 的運算量取決於啟用的 40 億個參數，而不是儲存的 290 億個參數。廠商聲稱 4 位元量化約需 15 GB 的 VRAM，這意味著它可運行於 RTX 3090 或 4090 上——在你圍繞此購買硬體之前，這個說法值得對照實際的量化檔案加以核實，因為該儲存庫回報完整檢查點的張量大小為 31B 參數，這兩個數字放在一起顯得不太一致。

其餘一切皆由那個分野而來。

• 上下文 — Nanbeige4.3-33B 原生支援 524,288 個 token，方案中未採用 YaRN 擴展；Xing 4.0 29B-A4B 原生支援 262,144 個 token，並被描述為可擴展至 512K，不過並未發布擴展方案。

• 最小實際佔用——Nanbeige4.3-33B 在 KV 快取之前有 66.3 GB 的 BF16 權重，採四路張量平行；Xing 4.0 29B-A4B 依廠商自身說法，4 位元下約 15 GB，單卡。

• 訓練技術棧——Nanbeige4.3-33B 沒有詳細文件說明；Xing 4.0 29B-A4B 則是在昇騰 910C 叢集上，使用 MindSpore 與 MindFormers 端到端訓練而成，並宣稱相較於廠商自身的開箱即用基準，吞吐量提升了 96%。這是基於內部基準的說法，沒有公開參照點，因此外界無法驗證，但它是這兩項發布中更有意思的工程表述。

• 授權 — 兩者皆採用 Apache 2.0，這使得兩者的下載價格都為零，並將爭論完全轉移到硬體和 token 上。

兩個實驗室都跑過的五列，以及結果不一致的那兩列

兩份模型卡共用五個基準名稱：Terminal-Bench 2.1、Tau3-Bench、Claw-Eval、AIME2026 和 AA.LCR。交叉對照這兩份模型卡，是唯一可得的定量比較；而腳註正是這項比較站得住腳、或站不住腳的地方。

• Terminal-Bench 2.1 — Nanbeige4.3-33B 80.9，Xing 4.0 29B-A4B 57.5。兩家實驗室都表示他們是在 Terminus 2 中執行這項測試，這使得它成為兩張表中任何一張裡最接近共同量測工具的東西。這仍然不是同一個實驗：Xing 的卡片指定 temperature 0.8、top-p 0.95、最大 64K tokens、24 小時逾時，以及三次執行的平均值；Nanbeige 的卡片只列出測試框架，其他什麼都沒說。在幾乎相同的測試框架下出現 23 分的差距，是這項比較中最強烈的單一訊號，而且它仍然只是訊號，而非測量結果。

• Tau3-Bench — Nanbeige4.3-33B 48.8，Xing 4.0 29B-A4B 64.63。這是一次逆轉，而且幅度很大。Xing 在工具使用對話上以近 16 分的優勢勝出，而這正是最直接測試多輪函式呼叫的基準系列。但需留意指標定義：Xing 回報的是在官方 tau-bench 測試框架上四次執行取平均的 pass^1；Nanbeige 表示使用了官方儲存庫，但未說明彙總方式，且將該列歸在代理式編碼而非工具使用之下。

• Claw-Eval — Nanbeige4.3-33B 在 pass^3 下為 78.3，Xing 4.0 29B-A4B 為 76.55。這一項應該直接捨棄，而不是拿來解讀。Nanbeige 的註腳說它只評估了 Claw-Eval General 子集，共 157 個單輪任務；Xing 的註腳則沒有指明子集。同一個基準的兩個未具名版本之間相差 1.75 分，這只是披著結果外衣的雜訊。

• AIME2026 — Nanbeige4.3-33B 95.2，Xing 4.0 29B-A4B 90.0。競賽數學，Xing 方面取五次執行平均，最大 131,072 個 token；Nanbeige 的取樣設定再次未說明。兩者都很強，排序與最終結果一致，而這兩個數字都無法讓你了解任一模型實際任務的表現。

• AA.LCR — Nanbeige4.3-33B 84.0，Xing 4.0 29B-A4B 61.0。長上下文推理，以及在 Terminal-Bench 之後最大的比例差距。值得指出的是，這是 Artificial Analysis 的基準測試，由兩家廠商各自執行，因此這兩個數字都不是 Artificial Analysis 的數字。

五個中有四個偏好 Nanbeige4.3-33B。唯一得出相反結論的，是關於依序呼叫工具的那一項，而這正是代理整天在做的事。這個矛盾是兩張卡片上最有用的資訊，而兩家實驗室都尚未處理它。

在 Terminal 列上，有一項可信度註記對 Nanbeige 有利。其自家卡宣稱 Terminal-Bench 4.0 為 23.8；Artificial Analysis 以其自有測試框架測得 29.8。外部測量比廠商自身宣稱高出六個百分點，這與通常方向相反，並暗示此處的廠商表格並未膨風。Xing 4.0 29B-A4B 沒有對應的查核。

這些模型中，只有一個擁有沒有人付費的號碼。

Nanbeige4.3-33B 已獲得評分。Artificial Analysis 在 Intelligence Index v5.0.1 上給它打了 20 分——在其開放權重對比類別中，於九款模型裡排名第一，該類別的中位數為 10，並在全模型榜單上位列第 76。各項子分數比綜合分數更能說明問題：Terminal-Bench 4.0 為 29.8%，FrontierCode 2.0 為 10.7%，非幻覺率為 81.8%，是該網站第七高的數字。它會拒答許多問題。對於一個明確作為蒸餾教師模型而構建的模型來說，這是一項特性。

Xing 4.0 29B-A4B 在 Artificial Analysis 上沒有收錄條目。不是評價很差——而是根本沒有。該網站對這個模型的 slug 在兩種可能拼寫下都回傳 404，而且在那個榜單上任何地方都找不到它的綜合評分、子項分數、價格或速度數據。

這種不對稱性決定了比較文章所能誠實主張的一切。這兩個模型可以依廠商表格來比較，並附上上述註腳但書。但它們無法用那個兩家實驗室都無法控制的唯一工具來比較，因為只有其中一個模型採用該工具。任何在中立基礎上將這兩者相互排名的文章，都是在憑空發明那個中立基礎。

法案實際分歧之處

如果你要在它們之間做選擇，每個 token 的價格並不是決定性的數字——完成一項任務的成本才是，而且有三個各自獨立的乘數會在 Nanbeige 這一邊疊加。

首先是密度：每個輸出 token 需讀取 330 億個參數，相較之下約為 40 億個。無論你擁有什麼硬體，在考慮其他因素之前，這在每個 token 的運算量上都是很大的倍數。

第二個是冗長度，而這是實測而非假設。{{1}}Artificial Analysis{{/1}} 報告指出，{{2}}Nanbeige4.3-33B{{/2}} 在其 Intelligence Index 測試運行中產生了 1.6 億個輸出 token，而同級中位數為 7,770 萬個——是中位數的 2.06 倍，在該網站的冗長度排名中位列八個模型中的第八。該模型自己的模型卡解釋了部分原因：思考功能預設開啟，而推理工作的建議上限是 262,144 個 token。任何被告知可以思考 25 萬個 token 的模型，都會用掉其中一些。

把這兩件事放在一起看，一個同時輸出量多一倍的稠密模型，每完成一項任務的執行成本並不是兩倍，而是接近一個數量級。這才是 33B 與 4B 活躍參數比較的真正內涵，而它在兩張基準測試表中都完全沒有出現。

第三點未知，而它僅在預設情況下對 Xing 有利。沒有人公布過 Xing 4.0 29B-A4B 的冗長度數據，因此一個 4B 活躍參數、又沒有 token 效率測量的模型，可能每項任務確實便宜，也可能產生足夠多的 token，抵銷掉部分優勢。你是在拿一個已測量的昂貴模型，去比一個未測量的便宜模型。

你今天可以稱為什麼

這兩個模型都不是以一般意義上的方式託管，而它們之間的差異比發布報導所暗示的還要小。

Nanbeige4.3-33B 完全沒有 API。它的 Hugging Face 頁面指出，該模型未由任何推論供應商部署，而 Artificial Analysis 也未記錄任何公開可用的 API，並將價格欄位留空。若要使用，意味著必須下載 66 GB 的權重，並在你擁有或租用的硬體上執行。

Xing 4.0 29B-A4B 自 9 月 16 日起已釋出權重，而一條計量付費路由則在 10 月中旬出現：第三方市集將其列為每百萬輸入 token 0.22 美元、每百萬輸出 token 0.90 美元，同一端點的免費促銷版本也與之並列列出。Hugging Face 的推論供應商面板仍為空白，因此託管路徑是透過市集而非供應商來運作，而促銷層級並不是你應該用來編列預算的價格。

直接說明我們自己的立場：這兩個模型目前都不在 OrcaRouter 的目錄中，所以我們不是通往其中任何一個的路由，下文也沒有任何內容假裝不是如此。在這樣的決策裡，路由器之所以能佔有一席之地，是因為它可作為對照組。要弄清楚一個自架的 33B 稠密模型是否值得用四張 GPU，最便宜的方法就是把它放在一個可按 token 呼叫的模型旁邊，並用自己的任務衡量兩者——而這裡顯而易見的對照組，正是 Nanbeige 自家模型卡拿來當基準比較的模型。 Qwen3.8-27B 在我們的目錄中，每百萬輸入 token 為 $0.33，每百萬輸出 token 為 $2.40，Artificial Analysis 給它 20.1 分，Nanbeige 則是 20 分，而且它與目錄其餘模型使用同一把金鑰 ，供應商定價原樣轉嫁、不加價。這讓這項比較成為一條路由規則，而不是第二份合約。

誰該選哪個

一旦你接受這是能力與成本的取捨，而非能力與能力之間的較量，這種分歧就說得通了。

當終端機工作本身就是產品時，Nanbeige4.3-33B 就是首選。在近乎共用的 Terminus 2 測試框架上領先 23 分、同級中最高的非幻覺指標、原生 512K 視窗，以及獨立評分高於廠商自家宣稱——如果你的工作負載是長時程的程式碼與 shell 作業，而且能吸收約為同級中位數兩倍的 token 費用，那這就是值得動用四張 GPU 的模型。

Xing 4.0 29B-A4B 是在只有一張顯示卡、且採按用量計費帳單的限制下的首選。它在 Tau3-Bench 上領先 16 分，廠商稱其記憶體佔用可容納於 24GB 顯示卡，每 token 運算量僅為 Nanbeige 的四分之一，而且是兩者中唯一無須購買硬體就能負擔價格的模型。不過，在兩套測試框架最接近相符的那一列上，它也是較弱的模型，因此選擇它的理由在於經濟與營運層面，而非能力。

有兩件事能釐清目前仍未定的部分。對 Xing 4.0 29B-A4B 跑一次 Artificial Analysis，就能把不對稱的比較變成對稱的比較；而 Nanbeige 若給出 Tau3-Bench 分數並說明聚合方式，就能告訴你那個 16 分的反轉究竟是工具使用上真實的弱點，還是兩個同名但不同的指標所造成的假象。在這兩者任一出現之前，誠實的總結是：就現有證據而言，Nanbeige4.3-33B 是較強的模型，而 Xing 4.0 29B-A4B 是你負擔得起實際跑起來的那一個——至於這個取捨有多大，取決於你的任務組合，而不是這兩張卡本身。