Nanbeige4.3-33B mise sur les agents pour préparer une nouvelle génération de petits modèles

Nanbeige publie un modèle ouvert de 33 milliards de paramètres, spécialisé dans le développement logiciel et les tâches agentiques professionnelles.

Pour développer des agents d'intelligence artificielle plus compacts, le laboratoire Nanbeige a choisi de commencer par un modèle nettement plus grand. Nanbeige4.3-33B, doté de 33 milliards de paramètres, a été conçu pour accomplir des tâches complexes de programmation, utiliser des outils et intervenir dans des environnements de travail professionnels. Il servira également de modèle enseignant pour transmettre une partie de ses capacités à des systèmes plus légers, dont un futur Nanbeige4.3-3B.

Ses poids sont accessibles sur Hugging Face sous licence Apache 2.0. Le laboratoire publie des résultats comparatifs face à Qwen3.8-27B, Muse-Glimmer-30B et Gemma4-31B, avec plusieurs avances notables dans les benchmarks consacrés aux agents de développement logiciel et à l'automatisation. Un modèle de 33 milliards de paramètres pensé pour agir

Nanbeige4.3-33B est un modèle de langage dense, dans lequel les paramètres participent au calcul, contrairement aux architectures à mélange d'experts qui n'en activent qu'une partie pour chaque token. Il s'appuie sur une architecture de type Llama et dispose d'une fenêtre de contexte maximale de 524 288 tokens, soit 512K.

Cette capacité permet de traiter des volumes importants d'informations au sein d'une même requête ou conversation. Elle peut notamment servir à examiner de vastes dépôts de code, à conserver l'historique d'une succession d'opérations ou à manipuler des documents et des instructions associés à une tâche professionnelle. La taille du contexte ne garantit cependant pas une compréhension uniforme de toutes les informations qu'il contient.

Le modèle prend en charge les modes de raisonnement et les appels d'outils. Sa configuration permet également de conserver les traces de raisonnement des tours précédents dans les conversations longues, une option recommandée par le laboratoire pour certains workflows agentiques.

Nanbeige fournit des instructions de déploiement avec Transformers, SGLang et vLLM. Ces environnements permettent d'intégrer le modèle à des systèmes existants sans dépendre exclusivement d'un service d'inférence propriétaire. Des performances élevées dans les tâches de programmation

Le laboratoire a comparé son modèle à trois concurrents de taille voisine, en appliquant les mêmes paramètres d'inférence et les mêmes environnements d'exécution pour chaque évaluation.

Sur Terminal-Bench 2.1, qui mesure la capacité des agents à résoudre des tâches dans un terminal, Nanbeige4.3-33B atteint 80,9, contre 73,0 pour Qwen3.8-27B, 61,8 pour Muse-Glimmer-30B et 47,2 pour Gemma4-31B.

Sur DeepSWE, consacré au développement logiciel agentique, il obtient 65,5, devant Qwen3.8-27B à 42,5. L'écart est également marqué sur Terminal-Bench 4.0, où les résultats publiés atteignent respectivement 23,8 et 6,3.

Les comparaisons ne sont toutefois pas uniformément favorables à Nanbeige. Sur SWE-Bench Pro, Qwen3.8-27B conserve une légère avance avec 61,7 contre 60,3. Cette différence rappelle que les performances peuvent varier selon la nature des tâches et l'environnement dans lequel les modèles interviennent.

Au total, Nanbeige4.3-33B arrive en tête de 17 des 20 évaluations présentées dans sa fiche technique. Ces chiffres proviennent des tests publiés par le laboratoire et ne constituent pas, à ce stade, une validation indépendante. Les choix d'environnements agentiques, de paramètres de raisonnement et de méthodes de notation influencent également les résultats. L'automatisation professionnelle au-delà du code

Nanbeige ne limite pas ses expérimentations au développement logiciel. Sa campagne d'évaluation comprend également des tâches de planification, d'utilisation d'outils, d'automatisation et de travail professionnel, regroupées sous le terme agentic cowork.

Sur Automation Bench, le modèle affiche un score de 54,2, contre 38,3 pour Qwen3.8-27B. Il atteint également 44,8 sur JobBench, une évaluation portant sur des tâches associées à 35 professions, contre 34,5 pour son concurrent.

Les résultats sur DeepPlanning donnent une autre indication de ses capacités à gérer des opérations structurées : Nanbeige obtient 63,3 contre 49,2 pour Qwen. Sur Toolathlon-Verified, destiné à évaluer l'utilisation d'outils, l'écart se resserre à 70,4 contre 68,5.

En revanche, sur GDPval, Qwen3.8-27B obtient 86,4, devant Nanbeige à 84,8. Les performances ne suivent donc pas une hiérarchie identique d'un environnement professionnel à l'autre.

Ces benchmarks cherchent à mesurer autre chose que la qualité d'une réponse textuelle isolée. Un agent doit parfois lire plusieurs ressources, décider quelle opération effectuer, appeler un outil, vérifier son résultat et poursuivre jusqu'à la résolution du problème. La réussite dépend alors du modèle, mais aussi des logiciels et des mécanismes de contrôle mis à sa disposition. Construire un grand modèle pour en entraîner de plus petits

La stratégie annoncée par Nanbeige repose sur l'enseignement entre modèles, généralement désigné par le terme distillation. Un système plus performant est utilisé pour produire des exemples, des trajectoires de résolution ou des signaux d'entraînement destinés à améliorer les capacités d'un modèle plus compact.

Nanbeige4.3-33B constitue le modèle enseignant de cette nouvelle famille. Le premier système plus léger évoqué est Nanbeige4.3-3B, qui devrait reprendre une partie des capacités agentiques développées à plus grande échelle.

Cette direction répond à des contraintes concrètes. Un modèle de quelques milliards de paramètres peut nécessiter moins de mémoire et de puissance de calcul qu'un modèle de 33 milliards, ce qui facilite certains déploiements locaux ou les services traitant un volume élevé de requêtes.

Nanbeige ne présente toutefois pas encore de résultats détaillés pour Nanbeige4.3-3B. Les performances du modèle enseignant ne permettent donc pas de déterminer à quel niveau ses compétences pourront être conservées après distillation. Une publication ouverte pour le développement d'agents

Les poids de Nanbeige4.3-33B