摘要

看准网（BOSS 直聘，母公司 Kanzhun）旗下 Nanbeige LLM Lab 开源 33B 稠密智能体模型 Nanbeige4.3-33B，采用 Apache 2.0 许可，上下文窗口达 524,288 token（约 512K），默认开启推理，主打智能体编程与办公协作（Agentic Cowork）。该模型在 Terminal-Bench 2.1 取得 80.9 分，高于 Qwen3.8-27B 的 73.0；在 DeepSWE 取得 65.5（Qwen 42.5）。它是 4.3 系列的"旗舰教师模型"，计划据此蒸馏出 Nanbeige4.3-3B 学生模型。仓库于 10 月 23~24 日上传 Hugging Face，权重以 BF16 提供。

正文（译文）

Nanbeige4.3-33B：开源教师模型，Terminal-Bench 2.1 得分 80.9 开放权重发布的新范式是先放出教师模型。Nanbeige 没有先推出小模型去冲榜，而是发布了一个 33B 稠密模型，作为 4.3 系列的旗舰教师，后续计划从中蒸馏出更小的模型（如计划中的 Nanbeige4.3-3B）。这颠倒了通常先发小模型、比拼性价比的发布顺序。

这就是教师模型的真实模样。模型卡将 Nanbeige4.3-33B 描述为一个 Apache 2.0 许可下的稠密模型，Hugging Face 元数据约 331 亿参数，BF16 权重约 66GB，上下文窗口 524,288 token（512K），支持中英双语。指令检查点与 Base 检查点同时发布，Hugging Face 页面已有 44 个社区量化版本与 5 个第三方微调。Nanbeige 此前做过 4.1-3B、4.2-3B 等小模型，这一次明确把 33B 作为旗舰教师，小模型蒸馏流程在其下游。

排行榜：长程任务大幅领先，三处落败 厂商的对比集合为 Qwen3.8-27B、Muse-Glimmer-30B 与 Gemma4-31B，均在最高推理强度、相同推理超参与基准 harness 下运行。关键行：Terminal-Bench 2.1（Terminus 2 harness）80.9，对比 73.0 / 61.8 / 47.2；Terminal-Bench 4.0（mini-swe-agent v2.4.6）23.8，对比 6.3 / 1.6 / 0.0；DeepSWE（mini-swe-agent v2.4.6）65.5，对比 42.5 / 4.4 / 2.7；SWE-Bench Pro 60.3，低于 Qwen3.8-27B 的 61.7；GDPval 84.8，低于 86.4；GPQA Diamond 89.5，低于 Gemma4-31B 的 91.3。差距的分布比单个数更有意思：在长程智能体任务上，领先幅度达十几到二十几分（Terminal-Bench 4.0 为 23.8 对 6.3）；而在纯推理上差距几乎消失（AIME 2026 为 95.2 对 94.5，GPQA Diamond 89.5 对 89.2）。厂商把三处落败也列进了表，比多数发布日的基准表更坦诚。

Agentic Cowork 一半可能更重要 比编程排行榜更有意思的是表中标为 Agentic Cowork 的一半：Automation Bench 54.2 对 38.3，JobBench 44.8 对 34.5（模型卡称在 35 个被测职业中的大多数战胜基线），以美元计价的 YC-bench 为 1,025,437 对 641,290，Toolathlon-Verified 70.4 对 68.5，Claw-Eval 78.3，Tau3-Bench 48.8 对 48.5，DeepPlanning 63.3 对 49.2，EnterpriseOps-Gym 41.0 对 40.2。这一半测试的是模型能否像办公助手一样跨业务工具完成多步工作，而非解编程题。它也更易碎：这些套件高度依赖 harness、暴露了哪些工具以及谁来评分。

Base 检查点也值得一提：它同样是这一发布的一部分。模型卡未披露训练数据来源、训练方法与算力。Nanbeige 描述这次 33B 发布为 4.3 系列的"旗舰教师模型"，其职责是将智能体能力锚定下来，向下蒸馏到更小模型，从计划中的 Nanbeige4.3-3B 开始。