Nanbeige4.3-33B 解析：33B 教師模型，離可靠辦公 Agent 還差什麼？（2026）

2026 年 10 月 24 日，Nanbeige 在 Hugging Face 上傳了 Nanbeige4.3-33B 的模型權重；翌日更新的官方模型卡，把它定位成程式與辦公 Agent 的「教師模型」。這次發布值得追問的地方，是團隊為什麼選擇先做一個 33B 的大老師，再走向更小的 Agent。

先看原文承諾，再讀跑分背後的條件，最後判斷它適合進入哪一種試驗。目前可評估的是 33B 教師模型；小模型能保留多少能力，要等對應版本與證據交付。

Nanbeige4.3-33B 的主線：小模型之前，先養好老師

building a high-capacity teacher agent first

中文：先打造能力更強的教師 Agent。

Nanbeige 團隊，Nanbeige4.3-33B 模型卡

這個短句抓住了發布的重心。團隊希望先讓 33B 模型學好複雜程式任務與專業辦公工作，再把能力蒸餾到後續小模型；模型卡把 Nanbeige4.3-3B 列為未來例子。這是一條訓練路線的承諾，不能把老師的成績提前記到學生名下。

蒸餾可以先想成「讓學生從老師示範的做法學習」。真正困難的部分，是把適當的工具選擇、錯誤後的修正、長任務中的取捨都學進去。一個最後答案正確的例子，未必展示了老師中途如何辨識失敗。因此，教師模型表現好，是值得測學生的理由；學生在有限容量內能學到什麼，仍須另交成績單。

發布時間也要分清：儲存庫歷史記錄 10 月 24 日建立與權重上傳，10 月 25 日仍有模型卡更新。本文以這些可查的檔案時間描述發布進程，不把某一篇轉載的日期當成精確公告時刻。官方模型卡標示的授權為 Apache-2.0。

跑分看起來很強，但先讀比較的範圍

All models are evaluated at their highest thinking effort.

中文：所有模型都以最高推理投入設定評估。

Nanbeige 團隊，Nanbeige4.3-33B 模型卡

團隊把它與 Qwen3.8-27B、Muse-Glimmer-30B、Gemma4-31B 比較，並稱同一 benchmark 內使用相同推論超參數與 Harness。以下都是Nanbeige 團隊自報，不是 AlphaLab 實測，也不應直接視為第三方獨立榜單。

原圖和文字表的差異，值得在讀分數之前先停一下：Muse-Glimmer 的 JobBench，圖中是 18.3，文字表是 16.6；Gemma 的 NL2Repo 則分別是 33.7 與 33.8。這裡能確認的是來源存在兩套不同數字，不能替團隊猜哪個才是正確跑分。下表只摘錄 10 月 25 日文字表中的 Nanbeige 與 Qwen，並保留原本的自報性質。

測試	Nanbeige 33B	Qwen 27B	這一列應如何讀
Terminal-Bench 2.1	80.9	73.0	終端任務；團隊列明 Terminus 2。
Terminal-Bench 4.0	23.8	6.3	新版題組，且改用 mini-swe-agent；別與上一列當成同一把尺。
JobBench	44.8	34.5	工作成果的 rubric 評分，不能換算成職業取代率。
SWE-Bench Pro	60.3	61.7	這一列 Qwen 較高；比跨站結果前先核對版本與協定。
GDPval	84.8	86.4	這一列 Qwen 較高，且原文明列採用修訂後評分規準。

這張表同時呈現優勢與反例。選定測試、選定對照模型、選定推理設定下的領先，值得把模型放進候選清單；「全面超越」則超出了資料本身。GPQA 那一列也由 Gemma 得到較高分。更實際的下一問，是在你能接受的等待時間與資源預算下，這些優勢還剩多少。

三個容易讀錯的地方：職業、重跑與測試版本

JobBench 44.8，不是 44.8% 的工作可以交出去

JobBench 的原始評測程式將各任務依加權 rubric 計分，再彙整表現。它評的是給定任務產物符合哪些要求，而「某個職業能否被取代」還包含責任、例外處理、組織協作與持續可靠性。把數字直接接到就業替代率，中間跳過了這些變數。

原文在職業分組圖強調跨領域能力，這可以支持「值得挑不同工作類型來測」；它不能代替你對一份預算表、研究簡報或專案交付的驗收。尤其 JobBench 這組結果由帶搜尋工具的 Claude Code Harness 運行，成績屬於模型與工具環境的組合。想先分清這幾個角色，可接著讀Agent Harness 是什麼。

Claw-Eval 的 pass³，與「三次只要成功一次」不同

模型卡列的 Claw-Eval pass³ 為 78.3，限於團隊採用的 157 題 General 子集。Claw-Eval 原始定義的 pass³ 要求三次都成功；常見的 pass@3 則關心三次中至少一次成功。少看一個符號，就可能把可靠性解讀反過來。這一列也不能代表完整評測所有類型的任務。

SWE-Bench Pro 的名字相同，也要先對齊題組

Scale 的 SWE-Bench Pro V2 公告記錄 2026 年 9 月 22 日更新：修訂題目與驗證流程，並限制 Agent 執行時的網路存取。這說明比較分數之前，版本、可用工具與驗證環境都屬於分數的定義。

Nanbeige 表格的這一列只標 SWE-Bench Pro，無法據此對齊為 V2 的同一套協定。因此本文保留它在團隊內部表格的比較意義，不拿 60.3 去拼接另一個版本的排行榜。這也不是對模型作弊的指控；測試條件不同，本來就可能測到不同的能力。

Nanbeige4.3-33B 的部署含義：33B 與 512K 都要付出資源

可下載權重讓你有機會控制部署位置、模型版本與測試方式。它並不自動回答電腦是否裝得下，或每份合格成果是否更便宜。依官方設定檔，模型採 BF16，宣告最大位置長度為 524,288 tokens，也就是 512K。

用約 330 億個參數、每參數 2 bytes 粗算，BF16 權重本身約為 66 GB，採十進位計算。這只是紙上容量估算，還未加上執行期間的快取、中間張量與服務額外空間；不是某張顯示卡的實測需求。量化會改變容量與數值精度，評估時也要把量化版本當作自己的測試對象。

Transformers 的 KV cache 文件解釋，快取會占用記憶體，長上下文尤其容易受到容量限制；卸載或量化快取又有速度上的取捨。所以 512K 表示模型宣告的長度上限，是否適合你的任務，還要同時看實際可用容量、回應時間與長文件答案品質。

模型卡另把「保留先前思考內容」設為工具與多輪 Agent 場景的建議。這提示了另一個成本來源：工作愈長，要帶進下一輪的歷史也可能愈多。把長上下文與長思考全部打開，再只比較模型參數量，很容易低估整條工作流。需要先練習把容量與 Runtime 分開看，可參考Raon-1 mini 本機部署教學；那篇的硬體路徑不應直接套到 Nanbeige。

AlphaLab 的判讀：老師值得測，學生要另驗收

我同意：先做強教師，讓後續小模型有更好的學習目標

如果目標是讓小模型處理有工具、有檔案、有多輪修正的任務，先建立較強教師有合理性。它可以產出供訓練與分析的行為範例，也讓團隊觀察哪些失敗值得補資料。這次發布的價值，在於把教師候選交到外部手上，讓讀者能提出自己的題目來檢驗。

但好的示範仍要挑選。老師若在某些環境只學會迎合評分器，學生也可能學到同樣捷徑；若老師依賴大量搜尋或很長的推理，壓到小模型與短時間預算後，能力還要重新測。下一個值得追蹤的證據，是在相同任務、工具與預算下，學生相對教師保留多少品質，哪些錯誤反而變多。

我存疑：把最高推理投入的分數，直接換成便宜又可靠

原文的比較設計有助於問「給足推理空間時誰更會做」，商業部署問的卻常是「時間內交得出、交錯時收得回嗎」。兩個問題相關，但不等價。一次 Agent 任務可能多次呼叫模型、工具失敗後重試，最後還需要驗收；只算單次推論價格會漏掉重做與檢查。

我會用每份合格成果的總成本做決策：把整批測試的推論、工具與驗收成本相加，再除以合格成果數。這裡是建議的記帳方式，沒有代入虛構實測。當兩個模型達到相近品質，再比較完成時間、成本與最糟情況，才比較接近日常工作的選擇。

下一步：先拿一份真實工作，寫清楚怎樣才算完成

如果你正在選本機 Agent 模型，先挑一件可檢查、可回復的工作，例如從公開資料整理一份附有原始數字的報表。固定輸入、工具與截止時間，事先列出必要欄位、數字一致性、檔案是否真的產出，以及失敗時應如何結束。先用副本與非敏感資料，完成一輪後再擴大。

保存模型與量化版本、Harness、提示、思考保留設定、每輪工具結果、總耗時與最後產物。至少把「產出格式正確」「內容正確」「能連續穩定完成」分成三項。需要評分模板，可用本機 LLM 測量評分卡；若發現答案錯在證據交接，RAW-RAG 記憶診斷能幫你把 Reader 與記憶管線分開。

對 Nanbeige4.3-33B，我的結論是：它是有明確 Agent 企圖、值得加入評估的開放權重教師模型。目前這組發布證據，適合用來設計試題，還不足以替你的工作流做驗收。後續小模型若能在相同限制下保留能力、降低每份合格成果成本，那才是這條路線最有份量的下一張成績單。