南贝 4.3-33B 开源：512K 上下文，Terminal-Bench 2.1 自报 80.9

南贝 10 月 25 日在 Hugging Face 发布 Nanbeige4.3-33B，采用 Apache 2.0，33B 参数，支持 524,288 token 上下文，默认开启推理模式。模型卡自报 Terminal-Bench 2.1 80.9、DeepSWE 65.5、Scicode 52.6，均高于对比的 Qwen3.8-27B；SWE-Bench Pro 为 60.3，略低于 Qwen 的 61.7；AIME 2026 95.2，GPQA Diamond 89.5，低于 Gemma4-31B 的 91.3。官方把它定位为 4.3 系列的“教师模型”，后续会蒸馏出更小的 3B 版本。

规格

33B 参数，BF16，Hugging Face 上约 66.3GB；
524,288 token 上下文；
默认开启 reasoning，可用 enable_thinking=False 关闭；
多轮工具调用建议 preserve_thinking=True；
Apache 2.0，可商用。

跑分

模型卡给出的对比对象是 Qwen3.8-27B：Terminal-Bench 2.1 为 80.9 对 73.0，DeepSWE 为 65.5 对 42.5，Scicode 为 52.6 对 46.7；SWE-Bench Pro 则是 60.3 对 61.7，南贝在这一项落后。推理侧 AIME 2026 为 95.2，Qwen 为 94.5；GPQA Diamond 为 89.5，Gemma4-31B 为 91.3。

这些数字没有附独立复现。模型卡还提到 JobBench 的 35 个职业任务里多数优于基线，但同样属于自报。

怎么部署

官方给了 Transformers、SGLang 和 vLLM 三种方式。工具调用建议用 XML 格式，JSON 也支持但效果略差；agent 场景推荐温度 1.0、top_p 0.95、最大输出 65,536；纯推理对话可以用温度 0.6、最大输出 262,144。SGLang / vLLM 的示例使用 tensor-parallel size 4，说明 33B 全精度并不是单卡能轻松吃下的规模。

局限

第一，评测是自报，且对比基线的版本、prompt、工具集没有完全公开；第二，512K 上下文是上限，不代表在这个长度下还能保持同样的检索和推理质量；第三，33B BF16 约 66GB，量化后能降到单机范围，但量化对工具调用稳定性的影响需要自己测；第四，它被定位为“教师模型”，真正适合日常跑的小模型还没放出来。

开源 33B 的价值不在榜单第一，而在你能把它放在自己的机器上，用自己的数据测。