เจาะ Nanbeige4.3-33B: โมเดลเปิดน้ำหนักบริบท 512K สำหรับ Agent เขียนโค้ดและงานสำนักงาน

สรุปคะแนนทางการของ Nanbeige4.3-33B เทียบ Qwen3.8-27B และโมเดลใกล้เคียง การตั้งค่าการคิดและเรียกเครื่องมือ พร้อมต้นทุนหน่วยความจำของบริบท 512K

โมเดลใหม่กองบรรณาธิการ TboxIOเผยแพร่
Nanbeigeโมเดลเปิดน้ำหนักAgentเขียนโค้ดงานสำนักงานเบนช์มาร์ก

Nanbeige4.3-33B เน้นงาน Agent ที่ต้องคิดหลายรอบ เรียกใช้เครื่องมือ และส่งมอบผลงาน คะแนนที่ผู้พัฒนารายงานด้านเทอร์มินัล การเขียนโค้ด และงานสำนักงานน่าสนใจ แต่ไม่ได้แปลว่าชนะทุกด้าน หรือใช้งานบริบท 512K เต็มความจุบน GPU ทั่วไปได้อย่างสบาย

บทความนี้อ้างอิงโมเดลการ์ดและไฟล์ตั้งค่าทางการที่ตรวจสอบได้ ณ 26 ตุลาคม 2026 คะแนนทั้งหมดเป็นผลที่ผู้พัฒนารายงาน ไม่ใช่การทดสอบอิสระของ TboxIO ส่วนตัวเลขหน่วยความจำเป็นการประมาณเชิงทฤษฎี ไม่ใช่ผลทดสอบฮาร์ดแวร์

เริ่มจากโมเดลครู แล้วจึงกลั่นความสามารถลงโมเดลเล็ก

Nanbeige4.3-33B เป็นโมเดลครูหลักของซีรีส์ เป้าหมายคือสร้าง Agent ระดับประมาณ 30B ที่เก่งด้านโค้ดและงานร่วมกันในวิชาชีพ ก่อนนำความสามารถไปกลั่นลงโมเดลขนาดเล็ก เอกสารพูดถึง Nanbeige4.3-3B ในอนาคต จึงไม่ควรเข้าใจว่า 3B เปิดตัวพร้อมกันแล้ว หรือจะได้คะแนนเท่ากับรุ่น 33B

ความสำคัญอยู่ที่การเข้าใจโจทย์ จัดการรีโพซิทอรี เรียกเครื่องมือ อ่านผลตอบกลับ และแก้แนวทางต่อเนื่อง มากกว่าตอบคำถามเพียงครั้งเดียว จึงเป็นตัวเลือกสำหรับทีมที่ต้องการโฮสต์ผู้ช่วยเขียนโค้ดหรืองานสำนักงานเอง

รายการ ข้อมูลทางการและความหมาย
โมเดล Nanbeige4.3-33B
ขนาดและโครงสร้าง ประมาณ 33B พารามิเตอร์ โครงสร้างแบบ dense ตาม LlamaForCausalLM
บริบทสูงสุด 524,288 tokens หรือ 512K
น้ำหนักที่เผยแพร่ BF16
สัญญาอนุญาต Apache 2.0
จุดเน้น Agent เขียนโค้ด เรียกเครื่องมือ และงานวิชาชีพ
ตัวอย่างรันทางการ Transformers, SGLang, vLLM
โหมดคิด เปิดเป็นค่าเริ่มต้น ปรับผ่าน chat template ได้

โมเดล dense 33B มีภาระต่างจาก MoE ที่เปิดใช้ผู้เชี่ยวชาญเพียงบางส่วนต่อ token จึงไม่ควรประเมินต้นทุนแบบเดียวกัน ส่วน 512K เป็นขีดจำกัดความจุ ไม่ใช่คำรับรองว่าคุณภาพและความเร็วจะเท่ากันในทุกความยาว งาน และอุปกรณ์

คะแนนทางการ: เด่นด้าน Agent แต่มีข้อยกเว้น

ผู้พัฒนาเทียบกับ Qwen3.8-27B, Muse-Glimmer-30B และ Gemma4-31B โดยระบุว่าใช้ระดับการคิดสูงสุดของแต่ละโมเดล และใช้พารามิเตอร์อนุมานกับ harness เดียวกันภายในแต่ละเบนช์มาร์ก ตารางนี้คัดคะแนนต้นฉบับที่สำคัญมาแสดง

เบนช์มาร์ก 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
  • งานเทอร์มินัลและโค้ดโดดเด่น: สูงกว่า Qwen 7.9 คะแนนใน Terminal-Bench 2.1 และ 23.0 คะแนนใน DeepSWE แต่คะแนน 23.8 ของ Terminal-Bench 4.0 ก็สะท้อนว่างานยากยังล้มเหลวได้มาก
  • งานสำนักงานน่าติดตาม: นำ 15.9 คะแนนใน Automation Bench และ 10.3 ใน JobBench ตัวเลขนี้เป็นผลงานภายใต้ขั้นตอนประเมินเฉพาะ ไม่ใช่อัตราทำงานจริงของบริษัทได้สำเร็จโดยอัตโนมัติ
  • Qwen ยังนำบางด้าน: SWE-Bench Pro ของ Nanbeige คือ 60.3 เทียบ 61.7 และ GDPval คือ 84.8 เทียบ 86.4
  • การให้เหตุผลไม่ได้ชนะทุกโมเดล: GPQA Diamond 89.5 สูงกว่า Qwen 89.2 เพียงเล็กน้อย แต่ต่ำกว่า Gemma4-31B 91.3 ส่วนต่าง 0.3 คะแนนไม่ควรขยายความเป็นความเหนือกว่าโดยรวมที่แน่นอน

ทั้งหมดเป็นส่วนต่างในตารางเดียวกัน ไม่ใช่อัตราพัฒนาจาก Nanbeige รุ่นก่อน โมเดลการ์ดที่อ้างอิงไม่มีผลรุ่นก่อนแบบครบถ้วนภายใต้เงื่อนไขเดียวกัน หากเทียบกับบทความ DeepSeek, MiniMax, Kimi หรือ Raon ของเรา ต้องตรวจเวอร์ชันเบนช์มาร์ก harness และงบการคิดก่อน

เงื่อนไขทดสอบสำคัญพอ ๆ กับคะแนน

ผล Agent ขึ้นกับเครื่องมือ สภาพแวดล้อม กลยุทธ์บริบท และงบลองใหม่ด้วย หมายเหตุทางการที่ต้องอ่านร่วมกันมีดังนี้

  1. ประเมิน Nanbeige ด้วย preserve_thinking=true หากระบบที่นำไปใช้ลบการคิดของรอบก่อน พฤติกรรมหลายรอบอาจเปลี่ยนไป
  2. Terminal-Bench 2.1 ใช้ Terminus 2 ส่วน Terminal-Bench 4 และ DeepSWE ใช้ mini-swe-agent v2.4.6 ไม่ควรนำคะแนนคนละเวอร์ชันมาจัดอันดับรวมกัน
  3. SWE-Atlas-QnA ใช้ mini-swe-agent v2.4.6 และ GPT-6 Sol ที่ medium reasoning effort ตัดสินตามเกณฑ์เฉพาะงาน 1,304 ข้อ NL2Repo ใช้ Claude Code ส่วน JobBench ใช้ Claude Code harness พร้อมเครื่องมือค้นหา
  4. Automation Bench v1.0.6 มีงานสาธารณะ 600 งาน Claw-Eval ใช้เฉพาะ General subset จำนวน 157 งานโต้ตอบรอบเดียว และรายงานตัวชี้วัด pass^3 จึงต้องคงชื่อและขอบเขตนี้ไว้
  5. GDPval ใช้เกณฑ์ที่ปรับปรุงแล้ว คะแนน 84.8 ไม่ใช่ Elo ส่วน Toolathlon-Verified ไม่จำกัด max_tokens ของคำขอแต่ละครั้ง การเทียบต้นทุนจึงต้องดู token ที่ใช้จริงด้วย

ผู้พัฒนารายงาน YC-bench ที่ 1,025,437 ดอลลาร์ แต่นี่คือผลลัพธ์ที่คิดเป็นเงินภายในเบนช์มาร์ก ไม่ใช่ราคา API รายได้จริง หรือการรับประกันรายได้ของผู้ใช้ และไม่ควรนำไปเฉลี่ยกับคะแนนลักษณะเปอร์เซ็นต์

การคิดและการเรียกเครื่องมือเป็นคนละสวิตช์

enable_thinking ควบคุมการสร้างเหตุผลในคำตอบปัจจุบัน เปิดโดยปริยาย และตั้ง False เพื่อใช้แบบไม่คิดได้ preserve_thinking ควบคุมว่าจะเก็บเหตุผลจากคำตอบก่อนหน้าหรือไม่ ผู้พัฒนาแนะนำ False สำหรับแชตทั่วไปและถามตอบ และ True สำหรับงานเรียกเครื่องมือหลายรอบ งานสำนักงาน และ Agent โค้ด

รูปแบบเครื่องมือที่แนะนำคือ tool_call_format="xml" และรองรับ json เพื่อความเข้ากันได้ chat template, tool parser และการเก็บเหตุผลเดิมต้องสอดคล้องกัน เปลี่ยนเพียงชื่อโมเดลไม่ได้แปลว่าจำลองเงื่อนไขทางการแล้ว

สถานการณ์ Temperature Top_p Max New Tokens ที่แนะนำ
Agent และงานเครื่องมือ 1.0 0.95 65,536
การให้เหตุผลและแชต 0.6 0.95 262,144

Max New Tokens เป็นงบเอาต์พุต แต่ 512K เป็นขีดจำกัดบริบท อินพุต เหตุผลเก่า ผลเครื่องมือ และคำตอบใหม่ต้องรวมอยู่ในข้อจำกัดของระบบเสิร์ฟ การอนุญาตเอาต์พุตยาวไม่ได้หมายความว่าทุกคำขอจะสร้างยาวถึงเพดาน

การติดตั้ง: น้ำหนัก BF16 ราว 66GB และยังมีแคช

รายการไฟล์ทางการมีขนาดรวมประมาณ 66.3GB และเผยแพร่ BF16 Safetensors หากคิด 33B พารามิเตอร์ที่ 2 ไบต์ต่อพารามิเตอร์ น้ำหนักอย่างเดียวอยู่ที่ราว 66GB แบบฐานสิบ ยังไม่รวม KV cache บัฟเฟอร์ขณะรัน และค่าใช้จ่ายหน่วยความจำของเฟรมเวิร์ก ขนาดรีโพซิทอรีจึงไม่เท่ากับ VRAM รวมที่ต้องใช้จริง

ไฟล์ตั้งค่าระบุ 52 ชั้น, 8 KV heads และ head_dim 128 หากใช้ BF16 KV cache แบบตรงไปตรงมา สำหรับหนึ่งลำดับที่เต็ม 524,288 tokens จะต้องใช้แคช K และ V รวมประมาณ 104GiB นี่เป็นการคำนวณเชิงทฤษฎีจากโครงสร้าง ไม่ใช่ผลทดสอบทางการ ความละเอียดแคช การแบ่งขนาน การ offload และกลยุทธ์รันมีผลต่อปริมาณจริง

การรองรับ 512K จึงไม่ได้แปลว่า GPU ทั่วไปใบเดียวจะรันเต็มบริบทได้ง่าย การ quantize อาจลดหน่วยความจำน้ำหนัก แต่ต้องตรวจคุณภาพการแปลง ความเข้ากันได้ และผลในบริบทยาว บทความนี้ไม่ได้ทดสอบรุ่น quantized, Mac หรือความเร็ว token ต่อวินาทีบน GPU ผู้ใช้ทั่วไป

ตัวอย่าง SGLang และ vLLM ทางการใช้ tensor parallelism 4 ทาง พร้อม qwen3 reasoning parser และ qwen3_coder tool-call parser เป็นเพียงตัวอย่าง ไม่ใช่จำนวน GPU ขั้นต่ำของทุกระบบ ควรประเมินตามความยาวอินพุต จำนวนคำขอพร้อมกัน เวลาถึง token แรก และความเร็วเอาต์พุตที่ต้องการ

ใครควรนำไปประเมิน

ทีมที่สร้าง Agent โค้ดแบบโฮสต์เอง งานสำนักงานที่ใช้เครื่องมือ หรืองานวิจัยกลั่นโมเดลครูสู่โมเดลเล็ก มีเหตุผลที่จะใส่ไว้ในรายชื่อทดสอบ Apache 2.0 ให้ฐานสิทธิ์ใช้งานที่ชัดเจน โดยการแจกจ่ายยังต้องทำตามเงื่อนไข

หากเน้นแชตทั่วไป ความหน่วงต่ำ หรือ VRAM น้อย ต้องพิจารณาต้นทุน dense 33B ให้ดี โมเดลการ์ดไม่มีราคา API ทางการต่อหน่วยหรือผล throughput มาตรฐานที่นำไปตั้งงบธุรกิจได้ทันที เปิดน้ำหนักไม่ได้หมายความว่ารันฟรี ยังมีต้นทุน GPU ที่เก็บข้อมูล และการดูแล

เริ่มด้วยรีโพซิทอรีและงานสำนักงานจริงในวงเล็ก แล้วบันทึกอัตราสำเร็จ ข้อผิดพลาดเครื่องมือ จำนวน token ความหน่วง และจำนวนครั้งที่คนต้องแก้ไข เครื่องมือที่เปลี่ยนไฟล์หรือทำงานกับระบบธุรกิจควรเริ่มทดสอบในสภาพแวดล้อมแยก

มุมมองของ TboxIO: จุดน่าสนใจคือความสามารถ Agent ด้านโค้ดและสำนักงานในโมเดล 33B ที่โฮสต์เองได้ ผลทางการสนับสนุนว่า “ควรนำมาประเมิน” แต่ยังไม่รองรับคำกล่าวว่าเก่งที่สุดทุกงานหรือใช้งานได้ถูกกว่าเสมอ

แหล่งอ้างอิง

แหล่งข้อมูล

แยกแยะประกาศทางการ การทดสอบจากบุคคลที่สาม และการทดสอบของเว็บไซต์

← กลับไปที่ข่าว AI