原题：Nanbeige/Nanbeige4.3-33B
Nanbeige4.3 系列的旗舰“教师模型”：作者的路线是先做一个能力强的智能体模型，再把智能体能力蒸馏进小模型（例如之后的 Nanbeige4.3-3B）。主打复杂编码和专业办公（cowork）任务，支持 512K 上下文；聊天模板可开关推理（enable_thinking），可选是否在多轮中保留之前的推理（preserve_thinking），传 tools 时启用工具调用模板（推荐 xml 格式，也支持 json）。基于 Nanbeige4.3-33B-Base，10 月 24 日建仓，前几期没有收录。
上升分 78.5 · 点赞 1050 · 下载量 19178
理由
- 作者称在约 30B 级开源模型里智能体成绩领先：和 Qwen3.8-27B、Muse-Glimmer-30B、Gemma4-31B 用同一框架、最高推理档对比，Terminal-Bench 2.1 80.9（Qwen3.8-27B 73.0）、DeepSWE 65.5（42.5）、Automation Bench 54.2（38.3）、DeepPlanning 63.3（49.2）。
- 不只编码：作者称 JobBench 覆盖的 35 个职业里多数超过基线；表里 SWE-Bench Pro 60.3、GDPval 84.8 略低于 Qwen3.8-27B 的 61.7 和 86.4，作者没有隐去。
- Apache-2.0；Transformers、SGLang、vLLM 都给了启动命令。抱脸点赞 1050（只代表关注度）。
用法
- vLLM：vllm serve <本地路径> --tensor-parallel-size 4 --gpu-memory-utilization 0.8 --enable-auto-tool-choice --reasoning-parser qwen3 --tool-call-parser qwen3_coder；SGLang 用 python -m sglang.launch_server --model-path <路径> --tp-size 4 --reasoning-parser qwen3 --tool-call-parser qwen3_coder。Transformers 需要 trust_remote_code 和 use_fast=False 的分词器。
- 参数：智能体 / 工具调用 temperature 1.0、top_p 0.95、最多 65,536 新 token，并开 preserve_thinking；推理和聊天 temperature 0.6、top_p 0.95、最多 262,144 新 token，preserve_thinking 关。
风险
- 成绩全是作者自评，对比只选了三款同级模型；卡里没有写模型结构、训练数据，也没说明是否从零训练。
- 卡里没有给显存需求，官方启动命令都是 4 卡张量并行；需要 trust_remote_code。