Nanbeige4.3-33Bを解説：512Kコンテキスト対応の公開ウェイトモデル、コーディングと業務エージェントの実力

Nanbeige4.3-33Bは、複数ターンで推論し、ツールを呼び出し、成果物を完成させるエージェント業務を重視したモデルです。公式比較では端末操作、コーディング、業務自動化で注目すべき結果を示しています。ただし、すべての項目で首位というわけではなく、一般的なGPUで512Kを簡単に使い切れることも意味しません。

本記事は2026年10月26日時点で確認できる公式モデルカードと設定ファイルに基づきます。スコアは開発元の報告値で、TboxIOの独立実測ではありません。メモリ計算も理論上の見積もりです。

まず教師モデルを強化し、その後小型モデルへ

Nanbeige4.3-33Bはシリーズの旗艦教師モデルです。約30Bクラスでコーディングと専門的な共同作業の能力を高め、その能力を小型モデルに蒸留する方針です。公式は将来のNanbeige4.3-3Bに言及していますが、今回同時に公開済みとは限らず、33Bの成績を将来の3Bに当てはめることもできません。

質問への回答だけでなく、タスクの理解、リポジトリの操作、ツール実行、フィードバックの読み取り、解決策の修正を重視しています。自社運用の開発支援や業務アシスタントを検討するチームにとって、評価候補となります。

項目	公式情報と解釈
モデル	Nanbeige4.3-33B
規模・構造	約33Bパラメータ、LlamaForCausalLMの密モデル構成
最大コンテキスト	524,288 tokens、512K
公開ウェイト	BF16
ライセンス	Apache 2.0
主な用途	コーディングエージェント、ツール利用、専門的業務
公式実行例	Transformers、SGLang、vLLM
思考モード	標準で有効、チャットテンプレートで変更可能

密な33Bモデルは、トークンごとに一部の専門家だけを動かすMoEモデルとは計算コストの捉え方が異なります。512Kは容量の上限であり、すべての長さ・タスク・機器で品質や速度が一定という保証ではありません。

公式スコア：強いエージェント性能にも例外がある

比較対象はQwen3.8-27B、Muse-Glimmer-30B、Gemma4-31Bです。公式によると全モデルを最大の思考強度で評価し、各ベンチマーク内では推論ハイパーパラメータとハーネスを揃えています。以下は代表的な項目の原数値です。

ベンチマーク	Nanbeige4.3-33B	Qwen3.8-27B	Muse-Glimmer-30B	Gemma4-31B
Terminal-Bench 2.1	80.9	73.0	61.8	47.2
Terminal-Bench 4.0	23.8	6.3	1.6	0.0
DeepSWE	65.5	42.5	4.4	2.7
SWE-Bench Pro	60.3	61.7	36.9	51.2
SWE-Atlas-QnA	50.8	41.9	17.7	3.3
NL2Repo	53.0	48.3	27.4	33.8
SkillsBench	61.1	56.4	39.7	28.9
Automation Bench	54.2	38.3	15.2	9.7
JobBench	44.8	34.5	16.6	9.0
GDPval	84.8	86.4	75.8	71.4
Claw-Eval pass^3	78.3	75.2	57.3	44.2
Toolathlon-Verified	70.4	68.5	47.2	27.8
GPQA Diamond	89.5	89.2	83.5	91.3
AIME 2026	95.2	94.5	94.7	89.2
AA-LCR	84.0	82.0	83.3	72.0

• 端末・開発タスクが目立ちます。Qwenとの差はTerminal-Bench 2.1で7.9ポイント、DeepSWEで23.0ポイント。ただしTerminal-Bench 4.0の23.8は、難しいタスクに失敗の余地が大きいことも示します。
• 業務タスクではAutomation Benchで15.9ポイント、JobBenchで10.3ポイント上回ります。指定された評価環境での結果であり、企業の実業務の自動化成功率ではありません。
• Qwenが優位な項目もあります。SWE-Bench Proは60.3対61.7、GDPvalは84.8対86.4で、Nanbeigeが下回っています。
• 一般推論も全面勝利ではありません。GPQA Diamondは89.5でQwenの89.2をわずかに上回る一方、Gemma4-31Bの91.3には届きません。0.3ポイント差を安定した総合優位と捉えるべきではありません。

これは同じ表内の差であり、前世代Nanbeigeからの改善率ではありません。引用したカードには前世代との完全な同条件比較がありません。以前のDeepSeek、MiniMax、Kimi、Raonの記事と比べる際も、基準の版、エージェント構成、推論予算を揃える必要があります。

数字と一緒に読むべき評価条件

結果にはモデルだけでなく、ツール、実行環境、コンテキスト管理、再試行予算も影響します。公式脚注の重要点は次の通りです。

1. Nanbeigeは preserve_thinking=true で評価されています。過去ターンの思考を削除する実装では、複数ターンの挙動が変わる可能性があります。
2. Terminal-Bench 2.1はTerminus 2、Terminal-Bench 4とDeepSWEはmini-swe-agent v2.4.6を使用します。異なる版のTerminal-Benchを同一ランキングに混ぜないでください。
3. SWE-Atlas-QnAはmini-swe-agent v2.4.6を使い、GPT-6 Solのmedium reasoning effortで1,304のタスク固有ルーブリックに基づき採点します。NL2RepoはClaude Code、JobBenchは検索ツール付きClaude Codeハーネスです。
4. Automation Bench v1.0.6は公開600タスク。Claw-Evalは単一ターン157タスクのGeneralサブセットのみで、指標はpass^3です。この限定を省略できません。
5. GDPvalは修正版ルーブリックのスコアであり、84.8はEloではありません。Toolathlon-Verifiedには単一リクエストのmax_tokens制限がないため、コスト比較には実消費トークンも必要です。

YC-benchでは1,025,437米ドルと報告されています。これはベンチマーク内のドル建て結果で、API料金、実際の売上、利用者の収益保証ではありません。百分率型のスコアと混ぜて平均する数値でもありません。

思考とツール利用：2つの設定を区別する

enable_thinkingは現在の回答で推論を生成するかを制御し、標準で有効です。Falseにすると非思考モードになります。preserve_thinkingは過去のアシスタントの思考を保持するかを制御します。公式は一般チャット・質疑応答ではFalse、複数ターンのツール利用、業務、コードエージェントではTrueを推奨しています。

ツール形式はtool_call_format="xml"が推奨で、互換性のためjsonも利用可能です。テンプレート、ツールパーサー、過去の思考の保存方法を整合させる必要があります。モデル名だけの差し替えでは公式条件を再現できません。

用途	Temperature	Top_p	推奨Max New Tokens
エージェント・ツール利用	1.0	0.95	65,536
推論・チャット	0.6	0.95	262,144

Max New Tokensは出力予算、512Kはコンテキストの上限です。入力、過去の思考、ツール結果、新しい出力の全体がサーバー設定の制限内に収まる必要があります。大きな上限が毎回その長さの生成を意味するわけではありません。

導入：BF16ウェイト約66GBにキャッシュが加わる

公式ファイル一覧の合計は約66.3GBで、BF16 Safetensorsウェイトが公開されています。33Bに1パラメータ2バイトを掛けると、ウェイトだけで十進単位の約66GBです。KVキャッシュ、実行バッファ、フレームワークの負荷は別に必要です。リポジトリ容量と実行時VRAM総量は同じではありません。

公式設定は52層、KVヘッド8、head_dim 128です。単純なBF16 KVキャッシュで1系列の524,288トークンを満たすと、KとVを合わせて約 104GiB と見積もれます。これは設定からの理論計算であり、公式ハードウェア実測ではありません。精度、並列分割、オフロード、実行方式によって実占有量は変わります。

512K対応は、一般的な1枚のGPUでフルコンテキストを容易に扱えることを意味しません。量子化はウェイト負荷を下げられますが、変換品質、互換性、長文での性能を確認する必要があります。TboxIOは量子化版、Mac、消費者向けGPUの生成速度を実測していません。

SGLangとvLLMの公式例は4-way tensor parallelism、qwen3 reasoning parser、qwen3_coder tool-call parserを使います。これは例であり、すべての導入に必要な最小GPU枚数ではありません。入力長、同時実行数、最初のトークンまでの遅延、出力速度を測って容量を決めましょう。

どんな用途で評価するべきか

自社運用の開発エージェント、ツール付き業務フロー、小型モデルへの蒸留研究には検討する理由があります。Apache 2.0は明確な利用基盤となりますが、配布時は対応する条件に従う必要があります。

日常チャット、低遅延、小容量VRAMが中心なら密33Bの負荷を慎重に見積もるべきです。モデルカードには商用予算に直結する公式API単価や統一スループット試験はありません。公開ウェイトでもGPU、ストレージ、保守コストは発生します。

自分たちのリポジトリと業務タスクで小規模評価を行い、完了率、ツールエラー、消費トークン、遅延、人手の修正回数を記録してください。ファイル更新や業務システム操作を行うツールは、まず隔離したテスト環境で評価できます。

TboxIOの評価：魅力は、強い開発・業務エージェント能力を自社運用可能な33Bモデルで試せる点です。公式結果は評価候補に入れる根拠になりますが、全タスク最強や必ず低コストという結論にはなりません。

出典

• 公式モデルカード：位置付け、スコア、脚注、実行ガイド
• 公式config.json：構造、層数、KVヘッド、コンテキスト
• 公式ファイル一覧：BF16ウェイトと容量