原題：Nanbeige/Nanbeige4.3-33B
Nanbeige4.3 シリーズのフラッグシップ「教師モデル」：作者のロードマップは、まず強力なエージェントモデルを開発し、その後エージェント能力を小規模モデル（例えば後続の Nanbeige4.3-3B）へ蒸留するというものです。複雑なコーディングや専門的なオフィス（cowork）タスクを主軸としており、512K コンテキストに対応しています。チャットテンプレートでは推論のオン/オフ切り替え（enable_thinking）が可能で、マルチターン会話において以前の推論を保持するかどうか（preserve_thinking）を選択できます。tools を渡すとツール呼び出しテンプレートが有効になります（xml 形式を推奨、json もサポート）。Nanbeige4.3-33B-Base をベースとしており、10 月 24 日にリポジトリが作成されましたが、以前の号では取り上げられていません。
上昇スコア 78.5 · いいね 1050 · ダウンロード数 19178
理由
- 作者は、約 30B クラスのオープンソースモデルの中でエージェント性能がリードしていると主張しています。Qwen3.8-27B、Muse-Glimmer-30B、Gemma4-31B と同じフレームワーク、最高推論設定で比較した結果、Terminal-Bench で 2.1 80.9（Qwen3.8-27B は 73.0）、DeepSWE で 65.5（42.5）、Automation Bench で 54.2（38.3）、DeepPlanning で 63.3（49.2）となっています。
- コーディングだけでなく：作者は、JobBench がカバーする 35 件の職業の多くでベースラインを上回ると主張しています。表では、SWE-Bench Pro の 60.3、GDPval の 84.8 が Qwen3.8-27B の 61.7 および 86.4 よりわずかに低いですが、作者はこれを隠していません。
- Apache-2.0；Transformers、SGLang、vLLM ともに起動コマンドが提供されています。いいね数は 1050（注目度のみを示します）。
使い方
- vLLM：vllm serve <ローカルパス> --tensor-parallel-size 4 --gpu-memory-utilization 0.8 --enable-auto-tool-choice --reasoning-parser qwen3 --tool-call-parser qwen3_coder；SGLang は python -m sglang.launch_server --model-path <パス> --tp-size 4 --reasoning-parser qwen3 --tool-call-parser qwen3_coder を使用します。Transformers では trust_remote_code と use_fast=False のトークナイザーが必要です。
- パラメータ：エージェント / ツール呼び出しでは temperature 1.0、top_p 0.95、最大 65,536 新トークンとし、preserve_thinking を有効にします。推論およびチャットでは temperature 0.6、top_p 0.95、最大 262,144 新トークンとし、preserve_thinking を無効にします。
リスク
- 成績はすべて作者による自己評価であり、比較対象は同クラスの3モデルのみが選ばれています。カードにはモデル構造や訓練データが記載されておらず、ゼロから訓練されたかどうかも説明されていません。
- カードにはメモリ要件が記載されておらず、公式の起動コマンドはすべて 4 カードのテンソル並列を前提としています。trust_remote_code が必要です。