10月23日（太平洋时间），BOSS直聘旗下的Nanbeige LLM Lab在Hugging Face上传了Nanbeige4.3-33B，Apache 2.0许可，330亿参数稠密结构，上下文窗口524288个词元，推理默认开启。这次它没有先去刷一个小模型的性价比榜单，而是先放出教师，计划中的3B学生模型之后从它蒸馏。
过去两年开源社区的惯常顺序是先出小模型抢性价比，再用大模型补旗舰位置。这次反过来。模型卡把33B定义为4.3系列的旗舰教师，任务是把智能体能力蒸馏到更小的模型里，第一个目标是Nanbeige4.3-3B。实验室此前做的是4.1-3B、4.2-3B这类小模型，路径依赖很清楚。
权重是BF16，约66GB。官方给出的SGLang与vLLM配方用4路张量并行，也就是说它不是一张消费级显卡能跑的模型。Hugging Face页面上已经出现40多个社区量化版本与5个第三方微调，架构标签写的是Llama，这降低了存量工具链的适配成本。
Base检查点与instruct检查点同时发布，前者留给需要自己后训练的人。这种教师加底座的组合，实际是在卖一条蒸馏流水线的上游：企业可以先拿33B做业务验证，再把能力压到能塞进内网小机器的尺寸。
实验室给出的对照是三款同量级开源模型：Qwen3.8-27B、Muse-Glimmer-30B、Gemma4-31B，统一使用各家最高思考强度、同一套评测框架与推理参数。Terminal-Bench 2.1上，Nanbeige4.3-33B得80.9，三家分别是73.0、61.8、47.2。
差距在更难的版本上拉得更开：Terminal-Bench 4.0拿到23.8，对手是6.3、1.6、0.0；DeepSWE是65.5对42.5、4.4、2.7。这几个基准测的是多轮命令行操作、仓库级修改与工具调用，考的是能不能把一件长任务拆开做完，而不是单题推理有多聪明。
办公场景那一半的分数同样偏向它：AutomationBench 54.2对38.3，JobBench 44.8对34.5，模型卡称在评估的35个职业里多数超过基线；DeepPlanning 63.3对49.2，Toolathlon-Verified 70.4对68.5，YC-bench按模拟美元计为1025437对641290。这一半比编程榜更能反映它能不能当办公助手。
表里也写了不利的数据：SWE-Bench Pro 60.3，低于Qwen3.8-27B的61.7；GDPval 84.8，低于86.4；GPQA Diamond 89.5，低于Gemma4-31B的91.3。纯推理的差距很小，AIME 2026是95.2对94.5，SciCode 52.6与AA-LCR 84.0则是全表最高。
这组分布说明训练重心压在把活干完上，而不是把题答对。对做智能体的人来说，这个取舍有意义：终端里一条命令失败，重试成本远高于选择题错一个。反过来，如果业务是知识问答或考试型任务，它的优势就没那么明显。
需要提醒的是，所有数字都是自报，实验室没有引用第三方复现；对照模型也是自己挑的，没有和更大的开源MoE或闭源前沿模型比。SWE-Atlas-QnA一项由GPT-6 Sol按1304条任务细则打分，评委本身也是模型，这类评测的说服力要打折。
524288个词元的上下文，官方建议智能体与工具调用场景温度1.0、最多生成65536个词元，推理与聊天场景温度0.6、最多262144个词元。对话模板支持enable_thinking与preserve_thinking，后者让推理过程跨轮保留，实验室明确推荐在工具调用时打开。
工具调用可以写成XML，这是推荐格式，也兼容JSON。长上下文配合保留思考，解决的是多轮任务里上一轮为什么这么改的遗忘问题，代价是KV缓存占用随轮次上涨，长会话的显存压力会先于上下文上限到来。
66GB权重加4路并行，意味着它的目标客户是有几张卡的工作室与中型团队，不是个人开发者。这与开放权重并不矛盾：开放的是可审计与可私有化，不是可随身携带。真正决定它能不能落地的，是客户有没有能跑4路并行的机器，以及有没有人愿意为微调付工时。
今年下半年，30B上下这个区间挤进了Qwen3.8-27B、Muse-Glimmer-30B、Gemma4-31B，现在又多了一个33B稠密模型。这一档的共同点是单机多卡可部署、微调成本可控、能在企业内网跑，正好卡在云端接口太贵与7B太弱的中间地带。
另一个变化是发布方式：先给教师、再蒸馏学生，等于把能力配方一起开源。对使用方是好事，对同行的定价是压力，因为客户会拿33B的效果去压小模型的价格。
这也解释了为什么它把办公场景的分数摆在编程分数旁边。编程是智能体的样板间，办公才是付费场景，一个人一天要开的会、要填的表、要核的数，比要写的代码多得多。把这两块绑在同一次发布里，是在提前回答买它做什么用。
对国内团队来说，这个模型提示了一件事：智能体的竞争力越来越取决于长任务稳定性与工具生态适配，而不是参数规模。模型能不能把终端里的一条命令跑对，比在榜上多两分更值钱。