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.
| Наименование модели | Контекст | Тип | GPU | Статус | Ссылка |
|---|
Для данной модели пока нет публичных эндпоинтов.
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:
| Наименование | GPU | TPS | Параллельность (макс.) | |||
|---|---|---|---|---|---|---|
262 144 tensor |
4 | 264,96 ₽ | 1,00 | Запустить | ||
262 144 tensor |
4 | 269,04 ₽ | 1,00 | Запустить | ||
262 144 |
1 | 367,41 ₽ | 1,18 | Запустить | ||
262 144 pipeline |
3 | 387,41 ₽ | 1,01 | Запустить | ||
262 144 tensor |
2 | 411,81 ₽ | 2,27 | Запустить | ||
524 288 tensor |
2 | 417,44 ₽ | 1,13 | Запустить | ||
524 288 |
1 | 423,04 ₽ | 1,00 | Запустить | ||
524 288 tensor |
2 | 439,97 ₽ | 1,13 | Запустить | ||
262 144 tensor |
4 | 513,04 ₽ | 1,55 | Запустить | ||
262 144 pipeline |
6 | 520,97 ₽ | 1,62 | Запустить | ||
524 288 tensor |
8 | 539,21 ₽ | 1,20 | Запустить | ||
524 288 tensor |
8 | 670,97 ₽ | 1,20 | Запустить | ||
524 288 tensor |
2 | 699,97 ₽ | 1,13 | Запустить | ||
524 288 tensor |
2 | 729,47 ₽ | 1,38 | Запустить | ||
524 288 pipeline |
6 | 790,97 ₽ | 1,21 | Запустить | ||
524 288 tensor |
2 | 839,97 ₽ | 2,21 | Запустить | ||
524 288 tensor |
8 | 1 030,97 ₽ | 1,75 | Запустить | ||
| Наименование | GPU | TPS | Параллельность (макс.) | |||
|---|---|---|---|---|---|---|
262 144 tensor |
2 | 411,81 ₽ | 2,04 | Запустить | ||
262 144 |
1 | 423,04 ₽ | 1,77 | Запустить | ||
524 288 tensor |
2 | 428,70 ₽ | 1,02 | Запустить | ||
524 288 tensor |
2 | 439,97 ₽ | 1,02 | Запустить | ||
262 144 tensor |
4 | 513,04 ₽ | 1,32 | Запустить | ||
262 144 pipeline |
6 | 520,97 ₽ | 1,39 | Запустить | ||
262 144 tensor |
8 | 539,21 ₽ | 2,17 | Запустить | ||
524 288 tensor |
8 | 670,97 ₽ | 1,08 | Запустить | ||
524 288 tensor |
2 | 699,97 ₽ | 1,02 | Запустить | ||
524 288 tensor |
2 | 729,47 ₽ | 1,26 | Запустить | ||
524 288 pipeline |
6 | 790,97 ₽ | 1,09 | Запустить | ||
524 288 tensor |
2 | 839,97 ₽ | 2,09 | Запустить | ||
524 288 tensor |
2 | 839,97 ₽ | 2,09 | Запустить | ||
524 288 tensor |
8 | 1 030,97 ₽ | 1,64 | Запустить | ||
| Наименование | GPU | TPS | Параллельность (макс.) | |||
|---|---|---|---|---|---|---|
262 144 |
1 | 423,81 ₽ | 1,22 | Запустить | ||
262 144 tensor |
2 | 440,74 ₽ | 1,49 | Запустить | ||
262 144 tensor |
2 | 441,52 ₽ | 1,49 | Запустить | ||
262 144 tensor |
8 | 539,21 ₽ | 1,62 | Запустить | ||
524 288 pipeline |
3 | 657,66 ₽ | 1,34 | Запустить | ||
262 144 tensor |
8 | 671,74 ₽ | 1,62 | Запустить | ||
262 144 tensor |
2 | 700,74 ₽ | 1,48 | Запустить | ||
262 144 tensor |
2 | 729,47 ₽ | 1,98 | Запустить | ||
262 144 pipeline |
6 | 791,74 ₽ | 1,64 | Запустить | ||
524 288 tensor |
4 | 816,34 ₽ | 2,08 | Запустить | ||
524 288 tensor |
2 | 840,74 ₽ | 1,81 | Запустить | ||
524 288 tensor |
2 | 840,74 ₽ | 1,81 | Запустить | ||
524 288 tensor |
4 | 848,44 ₽ | 2,08 | Запустить | ||
524 288 tensor |
8 | 1 031,74 ₽ | 1,36 | Запустить | ||
524 288 pipeline |
3 | 1 047,66 ₽ | 1,34 | Запустить | ||
524 288 pipeline |
3 | 1 105,60 ₽ | 1,69 | Запустить | ||
524 288 tensor |
4 | 1 336,34 ₽ | 2,08 | Запустить | ||
524 288 tensor |
4 | 1 448,44 ₽ | 2,57 | Запустить | ||
Свяжитесь с нашей специализированной группой поддержки по нейросетям support@immers.cloud или отправьте ваш запрос в отдел продаж sale@immers.cloud.