ナンベイジ、エージェント型AI「4.3-33B」公開

中国のナンベイジLLM研究所は24日、コーディングや業務自動化を行うエージェント型AIモデル「ナンベイジ4.3-33B」をHugging Faceで公開しました。中国の大手求人プラットフォーム、BOSS Zhipinが運営する同研究所によると、モデルは330億パラメーターを持つオープンソースで、AlibabaのQwen3.8-27Bなど同規模のモデルより、複数のコーディング・事務作業ベンチマークで高い点数を記録しました。英語と中国語に対応し、商用利用と研究を認めるApache 2.0ライセンスを採用しています。重みの変更や再配布、モデルを基にした製品開発も可能です。

ナンベイジ4.3-33Bは、混合専門家モデル（入力に応じて一部の専門家を使う方式）ではなく、密結合型アーキテクチャを採用しました。入力トークンの処理時に全パラメーターが動作します。同研究所は、実行構造が比較的単純なため配備環境を予測しやすいと説明しています。一方、混合専門家モデルと比べて、より多くの計算資源を使う可能性があります。同研究所は、約300億パラメーター規模のオープンモデルの中でもエージェント作業の性能が高いモデルの一つとし、主要なエージェント実行環境と組み合わせれば実作業を費用効率よく処理できると主張しました。

研究所独自のベンチマークでは、ナンベイジ4.3-33BはQwen3.8-27B、MetaのMuse-Glimmer-30B、GoogleのGemma 4-31Bと比べた20項目の評価のうち17項目で最高点を記録しました。難度の高い評価では、全モデルに「最高推論努力（Highest thinking effort）」設定と同じ推論ハイパーパラメーターを適用したとしています。Terminal-Bench 2.1では80.9点で、Qwen3.8-27Bの73.0点を上回りました。DeepSWEでは65.5点対42.5点、業務自動化評価のAutomation Benchでは54.2点対38.3点、JobBenchでは44.8点対34.5点でした。YC-Benchの仮想スタートアップシミュレーション収益は102万5437ドルで、Qwen3.8-27Bの64万1290ドルを上回りました。

すべての項目で優位だったわけではありません。SWE-Bench Proでは60.3点で、Qwen3.8-27Bの61.7点を下回り、GDPvalでも84.8点と86.4点を下回りました。AIME 2026は95.2点、AA-LCRは84.0点でした。比較表の一部は競合他社の公表値と異なり、ナンベイジの表にあるGemma 4-31BのGPQA Diamondは89.5点ですが、Googleの公表値は84.3点です。評価環境や実行ツールが結果に影響するため、独自評価だけでモデル間の優劣を確定するのは困難です。

モデルは最大52万4288トークンのコンテキストウィンドウに対応します。モデルカードにはTransformers、SGLang、vLLMで実行する方法が記載されています。BF16精度の重みだけで約66GBのメモリーを必要とし、長い文脈の処理にはさらにメモリーが必要なため、複数GPUを搭載したサーバーでの配備が適していると記事は伝えています。同研究所は、小型モデル開発向けの教師モデルとしても活用し、学習データとエージェント能力を移す知識蒸留パイプラインを構築する計画です。後継モデルのナンベイジ4.3-3Bも準備しています。

中国のナンベイジLLM研究所は24日、コーディングや業務自動化を行うエージェント型AIモデル「ナンベイジ4.3-33B」をHugging Faceで公開しました。中国の大手求人プラットフォーム、BOSS Zhipinが運営する同研究所によると、モデルは330億パラメーターを持つオープンソースで、AlibabaのQwen3.8-27Bなど同規模のモデルより、複数のコーディング・事務作業ベンチマークで高い点数を記録しました。英語と中国語に対応し、商用利用と研究を認めるApache 2.0ライセンスを採用しています。重みの変更や再配布、モデルを基にした製品開発も可能です。

ナンベイジ4.3-33Bは、混合専門家モデル（入力に応じて一部の専門家を使う方式）ではなく、密結合型アーキテクチャを採用しました。入力トークンの処理時に全パラメーターが動作します。同研究所は、実行構造が比較的単純なため配備環境を予測しやすいと説明しています。一方、混合専門家モデルと比べて、より多くの計算資源を使う可能性があります。同研究所は、約300億パラメーター規模のオープンモデルの中でもエージェント作業の性能が高いモデルの一つとし、主要なエージェント実行環境と組み合わせれば実作業を費用効率よく処理できると主張しました。

研究所独自のベンチマークでは、ナンベイジ4.3-33BはQwen3.8-27B、MetaのMuse-Glimmer-30B、GoogleのGemma 4-31Bと比べた20項目の評価のうち17項目で最高点を記録しました。難度の高い評価では、全モデルに「最高推論努力（Highest thinking effort）」設定と同じ推論ハイパーパラメーターを適用したとしています。Terminal-Bench 2.1では80.9点で、Qwen3.8-27Bの73.0点を上回りました。DeepSWEでは65.5点対42.5点、業務自動化評価のAutomation Benchでは54.2点対38.3点、JobBenchでは44.8点対34.5点でした。YC-Benchの仮想スタートアップシミュレーション収益は102万5437ドルで、Qwen3.8-27Bの64万1290ドルを上回りました。

すべての項目で優位だったわけではありません。SWE-Bench Proでは60.3点で、Qwen3.8-27Bの61.7点を下回り、GDPvalでも84.8点と86.4点を下回りました。AIME 2026は95.2点、AA-LCRは84.0点でした。比較表の一部は競合他社の公表値と異なり、ナンベイジの表にあるGemma 4-31BのGPQA Diamondは89.5点ですが、Googleの公表値は84.3点です。評価環境や実行ツールが結果に影響するため、独自評価だけでモデル間の優劣を確定するのは困難です。

モデルは最大52万4288トークンのコンテキストウィンドウに対応します。モデルカードにはTransformers、SGLang、vLLMで実行する方法が記載されています。BF16精度の重みだけで約66GBのメモリーを必要とし、長い文脈の処理にはさらにメモリーが必要なため、複数GPUを搭載したサーバーでの配備が適していると記事は伝えています。同研究所は、小型モデル開発向けの教師モデルとしても活用し、学習データとエージェント能力を移す知識蒸留パイプラインを構築する計画です。後継モデルのナンベイジ4.3-3Bも準備しています。