Nanbeige4.3-33B

размышляющая
русскоязычная
для кодинга

Nanbeige4.3-33B — это открытая плотная языковая модель с 33,1 млрд параметров, разработанная лабораторией Nanbeige и выпущенная под лицензией Apache 2.0. С технической точки зрения это классический декодер на базе архитектуры `LlamaForCausalLM`, включающий в себя 52 слоя со скрытой размерностью 7168. В основе механизма внимания лежит Grouped-Query Attention (GQA) с 56 головами запросов и 8 головами ключей/значений. Модель использует активацию SwiGLU в MLP-слоях, словарь на 166 912 токенов и контекстное окно в 524 288 токенов (512K).

Разработчики сознательно отказались от использования гибридных типов внимания и собственно инновационной разработки - архитектуры Looped Transformer, которая была внедрена в предыдущей версии Nanbeige4.2-3B. Дело в том, что циклическая архитектура отлично подходит для компактных моделей, так как позволяет найти баланс между качеством и вычислительными затратами за счет повторного использования слоев. Однако для 33B-модели этот метод не подходит и ставка была сделана на классический плотный Transformer с GQA. Это решение обеспечивает гораздо большую стабильность выводов и предсказуемость рассуждений, что является критически важным свойством, поскольку данная модель позиционируется как «учитель» (teacher model). Ее ответы и траектории рассуждений могут использоваться для дистилляции знаний в меньшие системы, поэтому архитектурная простота и надежность здесь важнее экспериментов с разреженным вниманием.

Уникальность Nanbeige4.3-33B заключается не только в размере, но и в ее специализации. В отличие от предыдущих версий 4.0, 4.1 и 4.2 (это модели с 3B параметров), эта модель изначально спроектирована для решения агентных задач и автоматизации. Она поддерживает гибкое управление режимом размышления через параметры `enable_thinking` и `preserve_thinking`, что позволяет модели явно выстраивать цепочку рассуждений и сохранять ее в истории диалога для многошаговых сценариев.

Согласно приведенным бенчмаркам, Nanbeige4.3-33B демонстрирует впечатляющие результаты в агентных задачах, уверенно обгоняя таких конкурентов, как Qwen3.8-27B и Gemma4-31B. Например, в тесте Terminal-Bench 2.1 (проверяющем способность агента работать в командной строке) модель набирает 80,9 балла против 73,0 у Qwen3.8-27B. В бенчмарке DeepSWE (решение сложных инженерных задач) она достигает 65,5 балла, более чем в полтора раза превосходя Qwen3.8-27B (42,5), а в Automation Bench (автоматизация офисных процессов) — 54,2 балла против 38,3. При этом объективности ради стоит отметить, что в некоторых тестах конкуренты все же превосходят Nanbeige4.3-33B (Qwen3.8-27B немного лучше в SWE-Bench Pro со счетом 61,7 против 60,3, а Gemma4-31B лидирует в GPQA Diamond — 91,3 против 89,5).

Nanbeige4.3-33B идеально подходит для создания автономных агентов-программистов, способных писать код, отлаживать его и управлять репозиториями прямо из терминала. Сильные показатели в Automation Bench и JobBench делают ее отличным ядром для цифровых помощников в офисной работе (Agentic Cowork), способных выполнять многошаговые задачи и вызывать внешние инструменты. Контекст в 512K токенов позволяет использовать модель для анализа внушительных массивов данных. И, конечно, главное предназначение модели — выступать в роли генератора высококачественных данных (teacher model) для обучения компактных версий.


Дата анонса: 24.10.2026
Параметров: 34B
Контекст: 525K
Слоев: 52
Тип внимания: Full Attention
Разработчик: Nanbeige
Версия Transformers: 4.51.1
Версия vLLM: >=0.17.0
Лицензия: Apache 2.0

Публичный эндпоинт

Воспользуйтесь нашими готовыми публичными эндпоинтами бесплатно для теста инференса и знакомства с Nanbeige4.3-33B. Получить токен для доступа к API вы можете на странице управления токенами после регистрации и верификации.
Наименование модели Контекст Тип GPU Статус Ссылка

API доступ к Nanbeige4.3-33B эндпоинтам

Для данной модели пока нет публичных эндпоинтов.

Частный эндпоинт

Эндпоинт — это сервер с предустановленным программным обеспечением, с помощью которого автоматически скачиваются веса нейросети и запускается OpenAI-совместимый API для обращений к серверу.

Частный эндпоинт создается в проекте пользователя, принадлежит пользователю монопольно и тарифицируется за каждую конфигурацию сервера в соответствии с нашими инфраструктурными тарифами.

Мы рекомендуем создание частных эндпоинтов в случаях, если необходимо:

  • получить максимальную производительность эндпоинта,
  • получить полный контекст для обработки больших запросов и диалогов,
  • обеспечить максимальную безопасность, для обработки данных в выделенном изолированном пространстве.

Рекомендуемые конфигурации сервера для создания частного эндпоинта для инференса Nanbeige4.3-33B

Цены:
Наименование GPU Цена, час TPS Параллельность (макс.)
rtx3090-4.16.96.320
262 144
tensor
4 264,96 ₽ 1,00 Запустить
rtx3090-4.16.128.160.nvlink
262 144
tensor
4 269,04 ₽ 1,00 Запустить
h100nvl-1.16.96.160
262 144
1 367,41 ₽ 1,18 Запустить
rtx5090-3.16.96.160
262 144
pipeline
3 387,41 ₽ 1,01 Запустить
teslaa100-2.24.96.160.nvlink
262 144
tensor
2 411,81 ₽ 2,27 Запустить
teslaa100-2.24.128.160.nvlink
524 288
tensor
2 417,44 ₽ 1,13 Запустить
h200-1.16.128.160
524 288
1 423,04 ₽ 1,00 Запустить
teslaa100-2.24.256.160
524 288
tensor
2 439,97 ₽ 1,13 Запустить
rtx5090-4.16.128.160
262 144
tensor
4 513,04 ₽ 1,55 Запустить
rtx4090-6.44.256.160
262 144
pipeline
6 520,97 ₽ 1,62 Запустить
dedicated-rtx3090-8.64.128.960-1
524 288
tensor
8 539,21 ₽ 1,20 Запустить
rtx4090-8.44.256.160
524 288
tensor
8 670,97 ₽ 1,20 Запустить
h100-2.24.256.160
524 288
tensor
2 699,97 ₽ 1,13 Запустить
h100nvl-2.24.192.240
524 288
tensor
2 729,47 ₽ 1,38 Запустить
rtx5090-6.44.256.160
524 288
pipeline
6 790,97 ₽ 1,21 Запустить
h200-2.24.256.160.nvlink
524 288
tensor
2 839,97 ₽ 2,21 Запустить
rtx5090-8.44.256.160
524 288
tensor
8 1 030,97 ₽ 1,75 Запустить
Цены:
Наименование GPU Цена, час TPS Параллельность (макс.)
teslaa100-2.24.96.160.nvlink
262 144
tensor
2 411,81 ₽ 2,04 Запустить
h200-1.16.128.160
262 144
1 423,04 ₽ 1,77 Запустить
teslaa100-2.24.192.160.nvlink
524 288
tensor
2 428,70 ₽ 1,02 Запустить
teslaa100-2.24.256.160
524 288
tensor
2 439,97 ₽ 1,02 Запустить
rtx5090-4.16.128.160
262 144
tensor
4 513,04 ₽ 1,32 Запустить
rtx4090-6.44.256.160
262 144
pipeline
6 520,97 ₽ 1,39 Запустить
dedicated-rtx3090-8.64.128.960-1
262 144
tensor
8 539,21 ₽ 2,17 Запустить
rtx4090-8.44.256.160
524 288
tensor
8 670,97 ₽ 1,08 Запустить
h100-2.24.256.160
524 288
tensor
2 699,97 ₽ 1,02 Запустить
h100nvl-2.24.192.240
524 288
tensor
2 729,47 ₽ 1,26 Запустить
rtx5090-6.44.256.160
524 288
pipeline
6 790,97 ₽ 1,09 Запустить
h200-2.24.256.160
524 288
tensor
2 839,97 ₽ 2,09 Запустить
h200-2.24.256.160.nvlink
524 288
tensor
2 839,97 ₽ 2,09 Запустить
rtx5090-8.44.256.160
524 288
tensor
8 1 030,97 ₽ 1,64 Запустить
Цены:
Наименование GPU Цена, час TPS Параллельность (макс.)
h200-1.16.128.240
262 144
1 423,81 ₽ 1,22 Запустить
teslaa100-2.24.256.240
262 144
tensor
2 440,74 ₽ 1,49 Запустить
teslaa100-2.24.256.320.nvlink
262 144
tensor
2 441,52 ₽ 1,49 Запустить
dedicated-rtx3090-8.64.128.960-1
262 144
tensor
8 539,21 ₽ 1,62 Запустить
teslaa100-3.32.384.240
524 288
pipeline
3 657,66 ₽ 1,34 Запустить
rtx4090-8.44.256.240
262 144
tensor
8 671,74 ₽ 1,62 Запустить
h100-2.24.256.240
262 144
tensor
2 700,74 ₽ 1,48 Запустить
h100nvl-2.24.192.240
262 144
tensor
2 729,47 ₽ 1,98 Запустить
rtx5090-6.44.256.240
262 144
pipeline
6 791,74 ₽ 1,64 Запустить
teslaa100-4.16.256.240
524 288
tensor
4 816,34 ₽ 2,08 Запустить
h200-2.24.256.240
524 288
tensor
2 840,74 ₽ 1,81 Запустить
h200-2.24.256.240.nvlink
524 288
tensor
2 840,74 ₽ 1,81 Запустить
teslaa100-4.32.384.320.nvlink
524 288
tensor
4 848,44 ₽ 2,08 Запустить
rtx5090-8.44.256.240
524 288
tensor
8 1 031,74 ₽ 1,36 Запустить
h100-3.32.384.240
524 288
pipeline
3 1 047,66 ₽ 1,34 Запустить
h100nvl-3.24.384.480
524 288
pipeline
3 1 105,60 ₽ 1,69 Запустить
h100-4.16.256.240
524 288
tensor
4 1 336,34 ₽ 2,08 Запустить
h100nvl-4.32.384.320
524 288
tensor
4 1 448,44 ₽ 2,57 Запустить

Связанные модели

Остались вопросы?

Свяжитесь с нашей специализированной группой поддержки по нейросетям support@immers.cloud или отправьте ваш запрос в отдел продаж sale@immers.cloud.

Мы используем файлы cookie и сервисы веб-аналитики для обеспечения работы сайта, анализа посещаемости и улучшения качества наших услуг.
Продолжая использовать сайт, вы соглашаетесь с Политикой конфиденциальности и даете согласие на обработку cookie-файлов и технических данных.