AI News
Alle Meldungen
Berichtet

Nanbeige veröffentlicht offenes 33B-Modell mit 20 Punkten im Artificial-Analysis-Index

Das dichte Modell Nanbeige4.3-33B erscheint unter Apache 2.0 und erreicht 20 Punkte im Artificial Analysis Intelligence Index, gleichauf mit Qwen3.8 27B.

Modelle · · 2 Min. Lesezeit

Nanbeige, das Forschungsteam für Foundation Models bei BOSS Zhipin, der von Kanzhun Limited betriebenen chinesischen Recruiting-Plattform, hat Nanbeige4.3-33B als Open-Weights-Modell unter der Apache-2.0-Lizenz veröffentlicht. Artificial Analysis sieht es in seinem Intelligence Index v5 bei 20 Punkten, gleichauf mit Qwen3.8 27B (xhigh) und deutlich vor Muse Glimmer (high, 30B) mit 6. Das Modell ist dicht aufgebaut: Alle 33B Parameter kommen bei jedem Token zum Einsatz. Artificial Analysis stellt es neben DeepSeek V4.1 Flash 1017 (max), das 33 Punkte erreicht, aber insgesamt 552B Parameter hat und auf eine Mixture-of-Experts-Architektur setzt, die pro Token nur 16B aktiviert. Laut Artificial Analysis markiert Nanbeige4.3-33B einen neuen Pareto-optimalen Punkt für den Intelligence Index im Verhältnis zur Gesamtzahl der Parameter.

Der Intelligence Index setzt sich aus neun v5-Evaluierungen zusammen. Als relative Stärke nennt Artificial Analysis die Arbeit im Terminal. Auf Terminal-Bench 4.0, der agentisches Coding und Arbeit im Terminal prüft, erreicht das Modell 30 %, Qwen3.8 27B dagegen 6 %. Im Hard Subset von CritPt v2, einem Test für physikalisches Schlussfolgern, kommt es auf 16 % gegenüber 4 % für Qwen3.8 27B. Die Model Card von Nanbeige weist auf Terminal-Bench 4.0 einen Wert von 23,8 gegenüber 6,3 für Qwen3.8-27B aus, ermittelt mit mini-swe-agent v2.4.6 bei höchster Thinking-Stufe. Diese Werte der Model Card weichen von den Zahlen von Artificial Analysis ab, die beiden Datensätze sollten daher nicht vermischt werden.

Das Modell liegt nicht durchgehend vor Qwen3.8 27B. Laut Artificial Analysis schlägt Nanbeige4.3-33B es auf AutomationBench-AA mit 53 % zu 48 %. Zurück liegt es auf AA-Briefcase v1.1 (1162 zu 1391 Elo), FrontierCode 2.0 (11 % zu 15 %) und HLE-Diamond (7 % zu 15 %).

Auf AA-Omniscience v1.1 erreicht Nanbeige4.3-33B -4 Punkte, Qwen3.8 27B -6. Laut der Methodik auf der Modellseite von Artificial Analysis belohnt der Nettowert richtige Antworten, bestraft Halluzinationen und lässt Verweigerungen unbestraft. Die Halluzinationsrate des Modells liegt bei 18 % gegenüber 29 %, es beantwortet aber weniger Fragen richtig (12 % gegenüber 17 %) und lehnt 71 % der Fragen ab. Seine Antwortquote beträgt 29 % gegenüber 43 %. Artificial Analysis führt die niedrigere Halluzinationsrate auf selektives Antworten zurück.

Auch der Token-Verbrauch ist hoch. Nanbeige4.3-33B benötigte pro Aufgabe im Intelligence Index 158K Output-Token, Qwen3.8 27B 110K, also rund 44 % mehr, obwohl beide 20 Punkte erreichen. Laut Artificial Analysis handelt es sich um einen gewichteten Durchschnitt aus Antwort- und Reasoning-Token über die neun Evaluierungen, einschließlich agentischer Tool-Use-Runden. Die Modellseite stuft das Modell als sehr wortreich ein: 160M Output-Token im Intelligence Index gegenüber einem Median von 77,7M bei vergleichbaren Open-Weights-Modellen.

Öffentliche APIs sind bisher nicht bestätigt. Artificial Analysis zufolge gibt es weder vom Anbieter selbst noch von Dritten bestätigte öffentliche APIs, die Modellseite nennt keine Kosten pro Aufgabe. Die Gewichte liegen auf Hugging Face. Die Model Card enthält dort Anleitungen für Transformers, vLLM und SGLang und gibt eine Kontextlänge von 524.288 Token an, die sie als 512K bezeichnet, während Artificial Analysis 524K nennt.

Die Model Card positioniert das Modell als Flaggschiff-Lehrermodell für eine geplante Distillation-Pipeline und beschreibt es als führend bei der agentischen Leistung unter offenen Modellen der Klasse um 30B Parameter. Die Modellseite von Artificial Analysis nennt als Veröffentlichungsdatum den 25. Oktober 2026, der Artikel ist auf den 5. November 2026 datiert.

Was sich ändert

Art: Neue Funktion · Betrifft: Nanbeige4.3-33B

Warum es wichtig ist

Teams, die ein kleines offenes Modell lokal oder selbst gehostet betreiben wollen, haben auf diesem Leistungsniveau nun eine weitere Option, mit einem klaren Zielkonflikt zwischen Stärke im Terminal und Faktenwissen. Der höhere Token-Verbrauch pro Aufgabe wirkt sich zudem auf die Inferenzkosten aus.

Was Sie tun können

Testen Sie das Modell vor dem Einsatz mit Ihren eigenen Terminal- und Wissensaufgaben, denn Stärken und Schwächen hängen von der jeweiligen Aufgabe ab.

Originalquelle

Weitere Berichte

Wo wir es gesehen haben

1 Quelle

Artificial Analysis

Artificial AnalysisBOSS ZhipinNanbeige

KI hat diese Zusammenfassung aus den genannten Quellen geschrieben und ins Deutsche übersetzt. Niemand hat sie vor der Veröffentlichung einzeln geprüft. Bitte prüfen Sie die Originalquelle, bevor Sie sich darauf verlassen. So funktioniert es