Nyílt súlyú kódolómodellt adott ki a Nanbeige, 512K-s kontextussal
A 33,1 milliárd paraméteres modell tömörítve 24 GB-os kártyán is futhat, de nem a teljes kontextussal; eredményeit még nem ellenőrizték függetlenül.
▶ 30 MÁSODPERCBEN
- MI TÖRTÉNT
- A kínai Nanbeige október 24-én kiadta a 33,1 milliárd paraméteres, kódolásra és eszközhasználatra szánt Nanbeige4.3-33B modellt Apache 2.0 licenccel.
- MIÉRT FONTOS
- A helyben futtatható AI-t kereső fejlesztőknek érdekes lehet, de a kedvező teljesítményadatok a készítők saját mérései, és a teljes kontextushoz jelentős memória kell.
- MI JÖN MOST
- A modellkártya egy kisebb Nanbeige4.3-3B változatot is megnevez, de az még nem jelent meg, és megjelenési időpontja sem ismert.
Egyetlen 24 GB-os gyorsítókártyán is futhat a Nanbeige új kódolómodellje a Startup Fortune szerint — de ez nem jelenti az 524 288 tokenes teljes kontextus kihasználását. A Nanbeige4.3-33B 2026. október 24-én jelent meg a Hugging Face-en, Apache 2.0 licenccel. Nyílt súlyú modell, vagyis a működését meghatározó súlyok letölthetők, és saját hardveren is futtatható.
A csapat a BOSS Zhipin állásplatform mögött álló Kanzhunhoz tartozik. Korábbi, 3 milliárd paraméteres Nanbeige4 sorozata 2025 decemberében indult, majd 4.1-es és 4.2-es változatot kapott. Most a Nanbeige4.3-33B mellett a Nanbeige4.3-33B-Base alapváltozat is felkerült a Hugging Face-re.
A saját teszteken többnyire megelőzi a Qwent
A Nanbeige saját méréseiben az Alibaba Qwen3.8-27B a fő összehasonlítási alap. A DeepSWE kódolási teszten 65,5–42,5, a Terminal-Bench 2.1-en 80,9–73,0 az eredmény a Nanbeige javára. Az Automation Bench teszten 54,2–38,3, a JobBench esetében 44,8–34,5 pontot közöl a labor.
Nem minden mérésben vezet az új modell: az AIME 2026-on 95,2–94,5-re előzi meg a Qwent, de a SWE-Bench Pro teszten 60,3–61,7-re, a GDPval esetében 84,8–86,4-re alulmarad. A GPQA Diamond teszten elért 89,5 pontja a Google Gemma4-31B 91,3 pontja alatt marad. Ezek mind a Nanbeige által közölt eredmények.
Az OrcaRouter az augusztus 25-én megjelent IBM Granite 4.2 30B modelljével is összevetette a Nanbeigét: az IBM saját Terminal-Bench 2.1 eredménye 29,24 pont. A különbség azonban nem tiszta modell-összehasonlítás: a Nanbeige Terminus 2 futtatókeretet használt, az IBM modellkártyája pedig nem nevezi meg a sajátját.
A 24 GB-os kártya nem jelent teljes kontextust
Pillitteri szerint BF16 formátumban nagyjából 66 GB memória kell a modellhez, négybites kvantálással körülbelül 20 GB, és ehhez adódik a kontextus memóriaigénye. Egy 24 GB-os kártyán így csak néhány tízezer tokennyi gyorsítótárnak marad hely, nem a meghirdetett 524 288 tokennek. A helyi futtathatóságot ezért külön kell kezelni a maximális kontextustól.
A hardverigény azért is fontos, mert drágult a felhős kapacitás: a Startup Fortune által idézett SemiAnalysis szerint az egyéves H100-bérlés óradíja GPU-nként mintegy 1,70 dollárról 2,35 dollárra nőtt 2025 októbere és 2026 márciusa között. Az Nvidia pénzügyi vezetője, Colette Kress májusban az év elejéhez képest 20 százalékos H100-bérletidíj-emelkedésről beszélt.
Eszközöket hívhat, kisebb társa még nincs
A modell XML és JSON strukturált formátumban is támogatja a külső eszközök meghívását; a modellkártya az XML-t ajánlja. Ez az ágensként működő, eszközökkel feladatokat végrehajtó alkalmazásoknál lényeges. A labor egy tervezett modellcsalád vezető tanítómodelljeként írja le a 33B változatot; a megnevezett kisebb tanulómodell, a Nanbeige4.3-3B még nem érhető el.
TECH-SZÓTÁR
- Kontextusablak
- Az egyszerre kezelhető szöveg mennyisége tokenekben, vagyis kisebb szövegegységekben megadva.
- Kvantálás
- A modell számainak kisebb pontosságú tárolása a memóriaigény csökkentésére.
- BF16
- A modell súlyainak tárolására is használt, 16 bites számformátum.
- Ágens
- Olyan AI-rendszer, amely eszközöket használva több lépésben hajt végre feladatokat.
» Követett téma: AI · régió: KÍNA · kulcsszó: nyílt súlyú modellek, kódolóágensek