南北閣（Nanbeige LLM Lab）已在 Hugging Face 上以 Apache 2.0 許可證釋出 Nanbeige4.3-33B。該實驗室隸屬招聘平臺 BOSS 直聘，此次釋出的 Nanbeige4.3-33B 是一款 330 億引數（33B）的稠密語言模型，主打智慧體程式設計（agentic coding）以及辦公類“協同工作”（cowork）任務。與此同時，團隊還發布了 Nanbeige4.3-33B-Base，供開發者進行自定義後訓練使用。該模型支援 524,288 token 的上下文視窗。在實驗室自己公佈的對比表中，它面對三款 30B 左右的開放模型時，在 20 項基準中領先 17 項。
【核心要點】
規模：33B 引數，稠密架構（非 MoE），524,288 token（512K）上下文，BF16 權重。
執行環境：面向多 GPU 伺服器。模型卡中的 SGLang 與 vLLM 配方均採用 4 路張量並行。按我們的推算，BF16 權重約需 66 GB 視訊記憶體。目前列出一個社群量化版本。
效能：在南北閣自己的對比中，面對 Qwen3.8-27B、Muse-Glimmer-30B 和 Gemma4-31B，它在 20 行對比中領先 17 行。
最佳成績：Terminal-Bench 2.1 上取得 80.9，而 Qwen3.8-27B 為 73.0。
最差成績：Terminal-Bench 4.0 上僅 23.8（其最低分）。在 SWE-Bench Pro 上也不及 Qwen3.8-27B，為 60.3 對 61.7。
【Nanbeige4.3-33B 是什麼】
Nanbeige4.3-33B 是 Nanbeige4.3 系列的旗艦“教師”模型。實驗室公開的策略是先構建一個強教師模型，再計劃把智慧體能力蒸餾到更小的模型中，首個目標便是即將推出的 Nanbeige4.3-3B。
【Nanbeige4.3-33B 如何構建】
其 config.json 宣告採用標準的 LlamaForCausalLM 架構。由於沒有專家路由，33B 引數在生成每個 token 時都會全部參與計算。
具體配置：52 層，隱藏維度 7,168；56 個查詢頭與 8 個鍵值頭（分組查詢注意力，GQA），頭維度 128；FFN 中間維度 22,016，詞表大小 166,912 token；RoPE theta 為 120,000,000，最大位置數為 524,288。
其聊天模板提供三項控制項：enable_thinking 用於開關推理，預設開啟；preserve_thinking 用於保留此前輪次的推理內容，南北閣建議在多輪工具呼叫和程式碼智慧體場景中使用；傳入 tools 即可啟用工具呼叫，並推薦使用 XML 呼叫格式。
【基準測試表現】
南北閣將其與 Qwen3.8-27B、Muse-Glimmer-30B 和 Gemma4-31B 進行對比。所有模型均以最高思考強度執行，並共享超引數與評測框架。本節所有分數均為自報資料。
智慧體程式設計：Terminal-Bench 2.1 得分 80.9，Qwen3.8-27B 為 73.0。DeepSWE 差距最大：65.5 對 42.5。在 Terminal-Bench 4.0 上得分為 23.8，而 Gemma4-31B 為 0.0。
智慧體協同工作：Automation Bench 得分 54.2，對手為 38.3；JobBench 得分 44.8，對手為 34.5。在 YC-bench 上，模擬營收達到 1,025,437 美元，對手為 641,290 美元。
推理：AIME 2026 報告 95.2，AA-LCR 為 84.0。
它在 20 行中輸掉 3 行。Qwen3.8-27B 在 SWE-Bench Pro（61.7 對 60.3）和 GDPval（86.4 對 84.8）上領先。Gemma4-31B 在南北閣表格中的 GPQA Diamond 上領先，為 91.3 對 89.5。
Base 模型在全部 8 項報告的任務上均優於 Gemma4-31B-Base，例如 MMLU-Pro（66.9 對 59.3）和 GPQA（62.0 對 41.5）。
【與競品官方模型卡的對比】
規格對比（Nanbeige4.3-33B / Qwen3.8-27B / Muse-Glimmer-30B / Gemma 4 31B）：
開發者：南北閣 LLM Lab（BOSS 直聘）/ Qwen（阿里巴巴）/ Meta Superintelligence Lab / Google DeepMind。
引數量：33B 稠密 / 27B 稠密語言模型加視覺編碼器 / 約 29.6B 稠密（含約 1.8B 視覺編碼器）/ 30.7B 稠密。
上下文：524,288 / 原生 262,144，最高可擴充套件至 1M / 131,072 以上 / 256K。
輸入模態：文本 / 文本、影像、影片 / 文本、影像 / 文本、影像。
許可證：均為 Apache 2.0。
Terminal-Bench 2.1：80.9* / 73.0 / 51.7 / 未披露。
SWE-Bench Pro：60.3* / 61.7 / 51.2 / 未披露。
GPQA Diamond：89.5* / 89.2 / 83.5（AA）/ 84.3。
AIME 2026：95.2* / 未披露 / 94.7 / 89.2。
本地硬體建議：4 GPU 張量並行配方 / 未披露 / 約 4-bit 量化下需 24 GB 或 32 GB 視訊記憶體 / 消費級 GPU 與工作站。
（* 為南北閣自報資料。競品數值來自各實驗室自己的 Hugging Face 模型卡。）
南北閣表格中部分競品數值與那些實驗室公開發布的資料存在差異：
Meta 報告 Muse-Glimmer-30B 在 SWE-Bench Pro 上為 51.2，Gemma4-31B 為 36.9，而南北閣的表格正好相反。
Google 列出 Gemma 4 31B 在 GPQA Diamond 上為 84.3，南北閣表格顯示為 91.3。
Meta 報告 Muse-Glimmer-30B 在 Terminal-Bench 2.1 上為 51.7，南北閣測得 61.8。
評測框架不同可以解釋部分差距，但 SWE-Bench Pro 那一對看起來是數值對調了。在出現獨立復現之前，這些行應視為暫定資料。
【如何部署 Nanbeige4.3-33B】
模型卡提供了 Transformers、SGLang 和 vLLM 配方。其伺服器示例使用 4 路張量並行，並搭配 Qwen3 的推理與工具呼叫解析器。推薦的智慧體設定為 temperature 1.0、top_p 0.95、最大新生成 token 65,536；推理與聊天場景則使用 temperature 0.6、最大新生成 token 262,144。
根據 config.json 推算，BF16 權重約需 66 GB 視訊記憶體。BF16 下 KV 快取每 token 約增加 208 KiB，因此完整的 524,288 token 序列大約需要 112 GB 的 KV 快取。截至釋出時，尚無 Hugging Face Inference Provider 託管該模型。
【關鍵結論】
33B 稠密、Apache 2.0、512K 上下文、純文本。
自報 Terminal-Bench 2.1 達 80.9，DeepSWE 達 65.5。
在南北閣自己的表格中 20 行領先 17 行。
多個競品數值與官方模型卡存在衝突。
定位為即將推出的 Nanbeige4.3-3B 的教師模型。
可檢視模型權重、Base 模型以及 X 上的釋出帖。該文章最初發表於 MarkTechPost。