Nanbeige4.3-33B alcanza a Qwen3.8 27B en el índice y gana en Terminal-Bench: 30% frente a 6%

Al elegir un modelo abierto solemos guiarnos por una sola cifra de un ranking, y esa cifra puede engañar bastante. Imagine que construye un agente que lanza scripts por sí mismo en la consola y elige un modelo con una puntuación general alta, pero que rinde mal justo con la línea de comandos. El último análisis de Artificial Analysis muestra un caso así: Nanbeige4.

3-33B y Qwen3.8 27B obtuvieron 20 puntos cada uno en el índice compuesto Intelligence Index v5 (que agrupa nueve pruebas), pero en Terminal-Bench 4.0, donde el modelo resuelve tareas en un terminal, Nanbeige logra 30% y Qwen solo 6%.

En las preguntas de nivel experto, en cambio, ocurre lo contrario. La conclusión práctica: no hay que fijarse en la puntuación global, sino en la prueba que más se parezca a su tarea.

Qué es este modelo

Nanbeige es el equipo de investigación de BOSS Zhipin, una plataforma china de búsqueda de empleo que desarrolla la empresa Kanzhun. Nanbeige4.3-33B es un modelo denso (dense) con razonamiento y 33 mil millones de parámetros. Tiene licencia Apache 2.0, admite únicamente texto tanto en la entrada como en la salida y ofrece una ventana de contexto de 524 mil tokens. Según Artificial Analysis, el modelo es lo bastante compacto como para ejecutarse localmente en un portátil, aunque en la práctica probablemente harán falta compresión de pesos (cuantización) y suficiente memoria.

A modo de comparación: Muse Glimmer (high, 30B) obtuvo en el mismo índice solo 6 puntos. Nanbeige4.3-33B y Qwen3.8 27B, ambos densos, marcan un nuevo óptimo de Pareto en las coordenadas «puntuación del índice frente a número de parámetros»: con este tamaño, por ahora no hay mejor equilibrio. Pero los modelos con arquitectura MoE (en los que solo una parte de los parámetros trabaja para cada token) siguen por delante: DeepSeek V4.1 Flash 1017 (max) alcanzó 33 puntos con 552 mil millones de parámetros en total y 16 mil millones activos por token.

La misma puntuación, fortalezas distintas

Lo más relevante del informe es la dispersión entre pruebas concretas. Nanbeige va por delante en estas:

• Terminal-Bench 4.0 (tareas en la línea de comandos): 30% frente a 6% de Qwen;
• CritPt v2, parte difícil (problemas de física): 16% frente a 4%;
• AutomationBench-AA (automatización de procesos de trabajo): 53% frente a 48%.

Qwen lidera donde se necesitan conocimientos y un trabajo cuidadoso con código y documentos:

• AA-Briefcase v1.1: 1391 Elo de Qwen frente a 1162 de Nanbeige;
• FrontierCode 2.0: 15% frente a 11%;
• HLE-Diamond (preguntas de nivel experto): 15% frente a 7%.

El resultado es que Nanbeige se parece más a un ejecutor para el terminal y la automatización, mientras que Qwen se asemeja a un interlocutor más erudito.

Un modelo cauto y el precio en tokens

En la prueba AA-Omniscience v1.1, que mide conocimientos y tendencia a inventar, Nanbeige obtuvo −4 puntos y Qwen −6. Alucina claramente menos: 18% frente a 29%. El motivo es sencillo: el modelo solo se atreve a responder el 29% de las preguntas (Qwen, el 43%) y se niega a contestar el 71% restante. Por eso acierta menos: 12% frente a 17%.

Si en su producto una respuesta falsa sale más cara que el silencio (soporte, búsqueda en documentos internos, borradores jurídicos), este comportamiento puede ser una ventaja. Si el usuario espera algún tipo de respuesta, es más bien un inconveniente.

También hay un inconveniente de coste. En cada tarea del índice, Nanbeige gasta de media 158 mil tokens de salida frente a 110 mil de Qwen, un 44% más con la misma puntuación general. El cálculo incluye tanto la respuesta como el razonamiento, además de los pasos del agente con llamadas a herramientas. En una ejecución local, esto supone una espera más larga; con pago por tokens, una factura más alta.

Qué hacer con esto

En primer lugar, el modelo aún no tiene API pública: ni del propio equipo ni de proveedores externos. Solo se puede probar en hardware propio, de modo que su público son los entusiastas y los equipos con infraestructura propia.

En segundo lugar, si desarrolla un agente para la consola, scripts y automatización de tareas rutinarias, merece la pena probar Nanbeige4.3-33B con sus propias tareas. Si necesita un asistente para código complejo o para preguntas en las que importa la erudición, Qwen3.8 27B parece más fiable.

En tercer lugar, calcule de antemano el presupuesto de tokens y las latencias, y decida qué hacer cuando el modelo se niegue a responder: repetir la pregunta, pasarla a otro modelo o derivarla a una persona. La licencia Apache 2.0, por su parte, permite el reentrenamiento y el uso comercial sin condiciones especiales.