开放权重这一轮的新玩法，是先把「老师」放出来。最近一个例子来自 Nanbeige 实验室：他们没有直接扔出小模型冲榜，而是先发了一个 33B 的稠密模型当 4.3 系列的教师模型，打算之后再把能力蒸馏进一个 3B 版本。这跟行业里常见的「先发小模型冲性价比」顺序正好相反。

先看这个教师模型是什么。模型卡显示，Nanbeige4.3-33B 是 Apache 2.0 许可的稠密模型，Hugging Face 元数据显示约 331 亿参数，BF16 权重约 66GB，上下文做到 524,288 tokens（512K），中英文双语。指令版和 Base 版权重同期放出，HF 页面上已经出现 44 个社区量化版本和 5 个二次微调版本，架构标签是 Llama。Nanbeige 之前做的是 4.1-3B、4.2-3B 这类小模型，这次 33B 的定位写得很直白：它是「旗舰教师」，小模型蒸馏管线在它的下游。

榜单：赢在长程，输在三处

厂商的对比组是 Qwen3.8-27B、Muse-Glimmer-30B 和 Gemma4-31B，全部拉到最高思考强度，同一套推理超参与 harness。几个关键行：

  • Terminal-Bench 2.1（Terminus 2 harness）：80.9，对手 73.0 / 61.8 / 47.2
  • Terminal-Bench 4.0（mini-swe-agent v2.4.6）：23.8，对手 6.3 / 1.6 / 0.0
  • DeepSWE（mini-swe-agent v2.4.6）：65.5，对手 42.5 / 4.4 / 2.7
  • SWE-Bench Pro：60.3，反而低于 Qwen3.8-27B 的 61.7
  • GDPval：84.8，低于 86.4
  • GPQA Diamond：89.5，低于 Gemma4-31B 的 91.3

差距的分布比单个数字更有意思：长程 agent 任务上被拉开十几到二十几分，Terminal-Bench 4.0 甚至是 23.8 对 6.3；而在纯推理侧，AIME 2026 是 95.2 对 94.5，GPQA Diamond 89.5 对 89.2，几乎贴脸。厂商把输的三项都摆进了表里，这比大多数发布会表格诚实。

Cowork 那半张表可能更值钱

比编程榜单更值得看的，是被标成 Agentic Cowork 的那一半：Automation Bench 54.2 对 38.3，JobBench 44.8 对 34.5（模型卡说 35 个职业里多数领先），YC-bench 上按美元计价是 1,025,437 对 641,290，Toolathlon-Verified 70.4 对 68.5，Claw-Eval 78.3（只算 157 道单轮任务），Tau3-Bench 48.8 对 48.5，DeepPlanning 63.3 对 49.2，EnterpriseOps-Gym 41.0 对 40.2。

这半张表测的是「像办公助理一样跨工具干活」，而不是刷代码题。但它也更脆：这些基准高度依赖 harness、暴露了哪些工具、用谁来当评委——SWE-Atlas-QnA 一项就是由 GPT-6 Sol 按 1,304 条任务级 rubric 判分（50.8 对 41.9）。而且对手是厂商自己挑的，模型卡没跟更大的开源 MoE 比，更没跟闭源前沿比。

别忘了基座版：Nanbeige4.3-33B-Base 在八项基座基准上全面压过 Gemma4-31B-Base，MMLU-Pro 66.9 对 59.3，GPQA 62.0 对 41.5。

跑起来：66GB 权重和 512K 上下文的现实

BF16 权重约 66GB，单张 80GB 卡塞进 512K 上下文的 KV cache 后相当紧张，官方示例是四卡张量并行，SGLang 和 vLLM 都直接给了命令（--tp-size 4、--reasoning-parser qwen3、--tool-call-parser qwen3_coder）。chat template 有两个关键开关：enable_thinking 默认打开；preserve_thinking 官方建议在多轮工具调用、办公任务和 code agent 场景保留，普通问答关掉；工具调用格式推荐 xml，json 作为兼容选项。参数建议分两档：agent 与工具类任务用 temperature 1.0、top_p 0.95、max_new_tokens 65,536；推理与闲聊用 temperature 0.6、top_p 0.95、max_new_tokens 262,144。另外 Transformers 示例带 trust_remote_code=True，在放密钥的机器上跑之前值得先扫一遍仓库代码。

所以呢

先把话说清楚：这张表里的每一个数字都是厂商自测，目前没有第三方复现，几个转述站点也都把它标注为厂商自报结果。评测口径对 agent 榜单的影响尤其大——换 harness 数字就会动。

那它值不值得试？我的建议是别拿公开榜单当结论，挑自己两三个重复出现的任务（工单分拣、从表格起草报告），在你自己用的 harness 里跑一遍，比的是「每个完成任务的成本」而不是分数。分数高五分但重试次数翻倍，未必更便宜。

更根本的问题是：这条「先立教师、再压学生」的路线，成败其实不在这个 33B 有多强，而在那个还没发布的 Nanbeige4.3-3B 能不能把老师的东西学个七七八八。33B 是手段，3B 才是目的。