「Nanbeige4.3-33B」コーディング・エージェント向け33Bモデル:必要VRAM 12GB〜・GGUF版あり

基本情報
| 項目 | 内容 |
|---|---|
| リポジトリ | Nanbeige/Nanbeige4.3-33B |
| まとめページ | Nanbeige4.3 のまとめ(記事1本) |
| 公開日 | 2026-10-24 |
| ライセンス | apache-2.0 |
| 配布形式 | safetensors |
| 出典の種類 | 公開元の一次情報(HuggingFace公式リポジトリが一次情報) |
情報を集めた時点で、当サイトのコードが確定させた値です。日付はJSTで表示しています。
概要
Nanbeige4.3-33Bが公開されました。本モデルは、Nanbeige4.3シリーズにおけるフラグシップのティーチャーモデルとして位置づけられており、同規模のオープンモデルにおいて最先端のエージェント性能を提供することを目指して開発されています。
複雑なコーディングタスクや専門的な協調作業(cowork tasks)に優れており、高機能なエージェントとしての単体運用だけでなく、将来的に展開予定の小型モデル(Nanbeige4.3-3Bなど)へ高度なエージェント機能を蒸留するための基盤として機能します。
スペック
- アーキテクチャ:LlamaForCausalLM (llama)
- コンテキスト長:最大524,288トークン (512K)
性能
モデルカードで公開されている、同規模(約30Bパラメータ帯)の主要なオープンモデル(Qwen3.8-27B、Muse-Glimmer-30B、Gemma4-31B)との比較結果は以下の通りです。測定はいずれも各モデルの最高思考エフォート(highest thinking effort)で実行されています。
→ 横にスクロールできます
| Category | Benchmark | Nanbeige4.3-33B | Qwen3.8-27B | Muse-Glimmer-30B | Gemma4-31B |
|---|---|---|---|---|---|
| Agentic Coding | Terminal-Bench 2.1 | 80.9 | 73.0 | 61.8 | 47.2 |
| Agentic Coding | Terminal-Bench 4.0 | 23.8 | 6.3 | 1.6 | 0.0 |
| Agentic Coding | DeepSWE | 65.5 | 42.5 | 4.4 | 2.7 |
| Agentic Coding | SWE-Bench Pro | 60.3 | 61.7 | 36.9 | 51.2 |
| Agentic Coding | SWE-Atlas-QnA | 50.8 | 41.9 | 17.7 | 3.3 |
| Agentic Coding | NL2Repo | 53.0 | 48.3 | 27.4 | 33.8 |
| Agentic Coding | Scicode | 52.6 | 46.7 | 44.9 | 45.5 |
| Agentic Coding | SkillsBench | 61.1 | 56.4 | 39.7 | 28.9 |
| Agentic Cowork | Automation Bench | 54.2 | 38.3 | 15.2 | 9.7 |
| Agentic Cowork | JobBench | 44.8 | 34.5 | 16.6 | 9.0 |
| Agentic Cowork | GDPval | 84.8 | 86.4 | 75.8 | 71.4 |
| Agentic Cowork | Claw-Eval pass^3 | 78.3 | 75.2 | 57.3 | 44.2 |
| Agentic Cowork | Toolathlon-Verified | 70.4 | 68.5 | 47.2 | 27.8 |
| Agentic Cowork | DeepPlanning | 63.3 | 49.2 | 21.4 | 19.4 |
| Agentic Cowork | EnterpriseOps-Gym | 41.0 | 40.2 | 30.5 | 27.3 |
| Agentic Cowork | YC-bench | $1,025,437 | $641,290 | $513,978 | $265,152 |
| Agentic Cowork | Tau3-Bench | 48.8 | 48.5 | 33.7 | 18.6 |
| Reasoning | GPQA Diamond | 89.5 | 89.2 | 83.5 | 91.3 |
| Reasoning | AIME 2026 | 95.2 | 94.5 | 94.7 | 89.2 |
| Reasoning | AA-LCR | 84.0 | 82.0 | 83.3 | 72.0 |
モデルカードの測定結果によれば、Nanbeige4.3-33Bは多くの評価項目において他モデルを大きく引き離しています。特に「Agentic Coding」の領域では、ターミナル上で実際にコマンドを実行し作業を遂行する能力を測る Terminal-Bench 2.1 で 80.9、難度の高い Terminal-Bench 4.0 で 23.8 を記録しており、比較対象のモデルに対して高い優位性を示しています。また「Agentic Cowork」分野の Automation Bench や JobBench、DeepPlanning などでも高い数値を残しており、エージェントによる業務支援や自動化タスクにおいて強みを持つことがわかります。
一方で、実在のGitHub issueをリポジトリ編集によって修正する能力を測る SWE-Bench Pro では 60.3 となり、Qwen3.8-27B の 61.7 にわずかに及んでいません。同様に GDPval や、博士課程レベルの科学問題を扱う GPQA Diamond においても Gemma4-31B(91.3)や Qwen3.8-27B(86.4)が最高値を占めており、特定の推論や評価指標においては他モデルに譲る場面も見られます。
なお、本モデルのベースモデルである Nanbeige4.3-33B-Base に関しても、モデルカード上で Gemma4-31B-Base との比較結果が公開されています。MMLU-Pro(66.9 vs 59.3)、GPQA(62.0 vs 41.5)、GSM8K(92.9 vs 88.9)、MBPP(74.6 vs 72.5)など、STEM推論・数学・コーディング・一般知識の各ベンチマークにおいて Gemma4-31B-Base を一貫して上回るスコアが示されています。
得意なこと・想定用途
Nanbeige4.3-33Bは、複雑なコーディングおよび多岐にわたる専門業務をこなすエージェントとしての活用に特化しています。モデルカードによると、本モデルは幅広い業界や職業を想定したエージェントタスクに強みを持っており、JobBenchで評価された35職種の大部分において既存のベースラインを上回る実績を示しています。
具体的には、以下のような用途や運用環境に適しています。
- 自律型コーディングエージェント:ターミナル操作やリポジトリの解析・修正、複数ステップにおよぶ開発ワークフローの実行に向いています。
- 専門業務・オフィス作業の協調タスク:マルチターンの対話を通じて外部ツールを呼び出し、業務の自動化やプランニングを支援する用途に適合します。
- 小型エージェントモデルの蒸留基盤:Nanbeige4.3シリーズにおけるフラグシップのティーチャーモデルとして位置づけられており、Nanbeige4.3-3Bといった今後の小型エージェントへ高度な能力を蒸留する用途が明記されています。
また、本モデルのトークナイザーには推論機能とツール呼び出しに対応したチャットテンプレートが組み込まれており、用途に応じた柔軟な設定が可能です。
enable_thinking:現在の応答において推論プロセス(思考)を出力するかどうかを制御します(デフォルトは有効)。通常の応答が必要な場合はFalseに設定します。preserve_thinking:マルチターンの会話履歴において、直前までの思考ログを保持するかどうかを指定します。一般的なチャットやQAではFalseが推奨されますが、マルチターンでのツール呼び出し、オフィス業務、コードエージェントなどのワークフローではTrueの指定が推奨されています。- ツール呼び出し:引数に
toolsを渡すことでツール利用テンプレートが有効化されます。ツール呼び出し形式にはxml(最も推奨)およびjsonが利用可能です。
対応言語としては英語および中国語のタグが付与されており、最大512K(524,288トークン)のロングコンテキストを活用した長文解析や長期的なタスク追従にも対応しています。
推論設定に関しては、モデルカードにてタスクの種類に応じた推奨ハイパーパラメータが示されています。
- エージェントおよびツール利用タスク:Temperature 1.0、Top_p 0.95、Max New Tokens 65,536
- 推論および対話タスク:Temperature 0.6、Top_p 0.95、Max New Tokens 262,144
動作環境
動作環境の目安(Local Model Watch 算出) — パラメータ数 33.1B
| 手持ちのVRAM | 選べる量子化 | ファイルサイズ | 必要メモリの目安 |
|---|---|---|---|
| RTX 4070 / 3060 12GB など 12GB | IQ2_XS | 9.9GB | 11.9GB |
| RTX 5060 Ti 16GB / 4060 Ti 16GB など 16GB | Q2_K | 12.6GB | 15.1GB |
| RTX 4090 / 3090 など 24GB | Q4_1 | 19.7GB | 23.7GB |
| RTX 5090 など 32GB | Q6_K_S | 25.8GB | 31.0GB |
| RTX 6000 Ada / A6000 など 48GB | Q8_0 | 32.8GB | 39.3GB |
| A100 / H100 80GB クラス | BF16 | 61.7GB | 74.0GB |
推論エンジンの対応状況(各プロジェクトのソースにあるモデル登録表とアーキテクチャ名を当サイトが機械的に照合。2026-11-17 時点): llama.cpp: 登録あり、vLLM: 登録あり、MLX (mlx-lm): 登録あり。
必要メモリは配布ファイルの実サイズに実行時のオーバーヘッド(KVキャッシュ等)を20%見込んだ概算で、文脈長・バッチサイズ・推論エンジンによって増減します。公開元の公称値ではなく、当サイトがファイルサイズから機械的に算出した値です。 ファイルサイズは変換版 bartowski/Nanbeige_Nanbeige4.3-33B-GGUF の配布ファイルの実測値です。 他のモデルとの比較はVRAM別の早見表を参照してください。 量子化の名前の読み方は用語集にあります。
手元で動かせるか
Ollama・LM Studio・llama.cpp で動かせます(変換版を利用)。
公開元の配布は safetensors ですが、bartowski/Nanbeige_Nanbeige4.3-33B-GGUF が GGUF版を公開しているため、そちらを使えば手元で動きます。
ライセンス apache-2.0(商用利用可): 商用利用を含めて自由に利用・改変・再配布できます。再配布時にライセンス文と変更点の告知が必要で、特許の許諾条項があります。
量子化の圧縮率: IQ2_XS は実測 2.57 bit/weight で、元の16bitの重みの約16%のサイズです(配布ファイルの実サイズから当サイトが算出)。
配布形式・当サイトが見つけた変換版・各推論エンジンの登録表を突き合わせた判定です。「確認できていない」は当サイトが見つけていないという意味で、存在しないことの断定ではありません。ライセンスの要約は法的助言ではないため、実際の利用にあたっては公開元の原文を確認してください。
同クラスの既報モデル
当サイトが最近取り上げた、パラメータ数 15〜40B のモデルを、比較のために記事ログからコードが並べたものです。VRAM階層は当サイトの概算、ライセンスはモデルカードの記載です。
→ 横にスクロールできます
| モデル | パラメータ数 | 最小のVRAM階層 | ライセンス | 記事 |
|---|---|---|---|---|
| LiquidAI/LFM2.5-24B-A2B-Base | 24.0B | 80GB | lfm1.0 | LiquidAI、超軽量推論モデル「LFM2.5-24B-A2B」を公開(2026-11-17) |
| LiquidAI/LFM2.5-24B-A2B-FP8 | 24.0B | 32GB | lfm1.0 | 「LFM2.5-24B-A2B-FP8」FP8量子化済みのエージェント向けMoEモデル:必要VRAM 32GB〜(2026-11-17) |
| LiquidAI/LFM2.5-24B-A2B-MLX-bf16 | 24.0B | 80GB | lfm1.0 | 「LFM2.5-24B-A2B-MLX-bf16」Apple Silicon向け推論モデル:必要VRAM 80GB〜(2026-11-17) |
| LiquidAI/LFM2.5-24B-A2B-MLX-8bit | 24.0B | 32GB | lfm1.0 | 「LFM2.5-24B-A2B-MLX-8bit」ツール呼び出しに強い推論特化のMoEモデル:必要VRAM 32GB〜(2026-11-17) |
| LiquidAI/LFM2.5-24B-A2B | 24.0B | 12GB | lfm1.0 | 「LFM2.5-24B-A2B」エージェント特化のMoE推論モデル:必要VRAM 12GB〜・GGUF版あり(2026-11-17) |
入手方法
Nanbeige4.3-33BはHugging FaceにてApache 2.0ライセンスのもとで公開されており、safetensors形式の重みが直接ダウンロード可能です。利用にあたってのゲート申請や事前同意手続きは必要ありません。
推論エンジンとしては、Transformers、SGLang、vLLMに対応しています。
Transformersでの実行例
from transformers import AutoModelForCausalLM, AutoTokenizer
model_id = 'Nanbeige/Nanbeige4.3-33B'
tokenizer = AutoTokenizer.from_pretrained(
model_id,
use_fast=False,
trust_remote_code=True
)
model = AutoModelForCausalLM.from_pretrained(
model_id,
torch_dtype='auto',
device_map='auto',
trust_remote_code=True
)
messages = [{'role': 'user', 'content': 'Which number is bigger, 9.11 or 9.8?'}]
inputs = tokenizer.apply_chat_template(
messages,
add_generation_prompt=True,
return_tensors='pt'
).to(model.device)
output_ids = model.generate(inputs, max_new_tokens=1024)
response = tokenizer.decode(output_ids[0][inputs.shape[-1]:], skip_special_tokens=True)
print(response)
SGLangでの起動例
MODEL_PATH=/path/to/your/Nanbeige4.3-33B
python -m sglang.launch_server \
--model-path ${MODEL_PATH} \
--host 0.0.0.0 \
--port 8000 \
--tp-size 4 \
--mem-fraction-static 0.8 \
--reasoning-parser qwen3 \
--tool-call-parser qwen3_coder
vLLMでの起動例
MODEL_PATH=/path/to/your/Nanbeige4.3-33B
vllm serve ${MODEL_PATH} \
--host 0.0.0.0 \
--port 8000 \
--tensor-parallel-size 4 \
--gpu-memory-utilization 0.8 \
--enable-auto-tool-choice \
--reasoning-parser qwen3 \
--tool-call-parser qwen3_coder
SGLangやvLLMで推論サーバーを立ち上げる際は、パーサーオプションとして --reasoning-parser qwen3 および --tool-call-parser qwen3_coder を指定することが案内されています。
派生版・量子化版
→ 横にスクロールできます
| 追記日 | 配布元 | 形式 | リポジトリ | 最小のVRAM階層(量子化・必要メモリの目安) |
|---|---|---|---|---|
| 2026-11-17 | bartowski | GGUF(imatrix) | bartowski/Nanbeige_Nanbeige4.3-33B-GGUF | IQ2_XS 11.9GB(12GB VRAMで動作) |
| 2026-11-17 | mradermacher | GGUF(imatrix) | mradermacher/Nanbeige4.3-33B-i1-GGUF | IQ2_XS 11.4GB(12GB VRAMで動作) |
| 2026-11-17 | Nanbeige | INT4 | Nanbeige/Nanbeige4.3-33B-INT4 | – |
| 2026-11-17 | Nanbeige | FP8 | Nanbeige/Nanbeige4.3-33B-FP8 | FP8 39.7GB(48GB VRAMで動作) |
| 2026-11-17 | Nanbeige | INT8 | Nanbeige/Nanbeige4.3-33B-INT8 | INT8 40.2GB(48GB VRAMで動作) |
各リポジトリの量子化とファイルサイズ:
- bartowski/Nanbeige_Nanbeige4.3-33B-GGUF の量子化: IQ2_XXS 9.4GB / IQ2_XS 9.9GB / IQ2_S 10.4GB / IQ2_M 11.4GB / Q2_K 12.6GB / IQ3_XXS 13.5GB / Q3_K_S 14.2GB / IQ3_XS 14.2GB / Q3_K_M 14.8GB / Q3_K_L 16.1GB / IQ3_M 16.6GB / IQ4_XS 17.4GB / Q4_0 18.0GB / Q4_K_S 18.4GB / Q4_K_M 19.4GB / IQ4_NL 19.4GB / Q4_1 19.7GB / Q4_K_L 20.8GB / Q5_K_S 22.0GB / Q5_K_M 23.4GB / Q6_K_S 25.8GB / Q6_K 27.0GB / Q6_K_L 28.3GB / Q8_0 32.8GB / BF16 61.7GB
- mradermacher/Nanbeige4.3-33B-i1-GGUF の量子化: IQ1_S 7.1GB / IQ1_M 7.7GB / IQ2_XXS 8.7GB / IQ2_XS 9.5GB / IQ2_S 10.1GB / IQ2_M 10.9GB / Q2_K_S 11.0GB / Q2_K 11.8GB / IQ3_XXS 12.2GB / IQ3_XS 13.1GB / Q3_K_S 13.7GB / IQ3_S 13.7GB / IQ3_M 14.2GB / Q3_K_M 15.1GB / Q3_K_L 16.4GB / IQ4_XS 16.8GB / Q4_0 17.7GB / Q4_K_S 17.8GB / Q4_K_M 18.7GB / Q4_1 19.5GB / Q5_K_S 21.4GB / Q5_K_M 21.9GB / Q6_K 25.3GB
- Nanbeige/Nanbeige4.3-33B-FP8 の量子化: FP8 33.1GB
- Nanbeige/Nanbeige4.3-33B-INT8 の量子化: INT8 33.5GB
このほか、上記以外の投稿者による変換版が 42 件あります(当サイトは公開元自身と、実績のある量子化担当の配布だけを表に載せています)。
この節は、記事公開後に見つかった変換版を当サイトが機械的に追記したものです。必要メモリは配布ファイルのサイズから算出した概算です。 量子化の名前の読み方は用語集にあります。
関連記事
- 「Mage-VL-Cowork」GUI操作とコード実行をこなす4Bの視覚言語モデル:必要VRAM 12GB〜
- 「Youtu-Parsing-Omni」オムニモーダル解析モデル:必要VRAM 12GB〜
- 「Hemmingway-1」日常文章特化の言語モデル:必要VRAM 12GB〜・GGUF版あり
- 「ZoomGain-4B」微細視覚認識特化型の視覚言語モデル:必要VRAM 4GB〜・GGUF版あり
次に読むなら
- GPUのVRAMから探す(このモデルは12GBの階層から動きます) → 12GBのGPUで動くほかのモデル
- 同じモデル系統を調べる → Nanbeige4.3 系統のまとめ(記事1本・変換版5件)
- このモデルを動かすエンジンを調べる → llama.cpp / Ollama / vLLM
- 入手できる形式と、表に出てくる IQ2_XS・Q2_K・Q4_1 の意味を知る → GGUF形式の解説と対応モデル / FP8形式の解説と対応モデル / 量子化・モデル形式の用語集
- 同じ用途の他のモデルを探す → テキスト生成のモデル一覧
出典
更新履歴
- 2026-11-17: 変換版を「派生版・量子化版」に追記しました: bartowski/Nanbeige_Nanbeige4.3-33B-GGUF, mradermacher/Nanbeige4.3-33B-i1-GGUF, Nanbeige/Nanbeige4.3-33B-INT4, Nanbeige/Nanbeige4.3-33B-FP8, Nanbeige/Nanbeige4.3-33B-INT8
- 2026-11-17: 動作環境の表を bartowski/Nanbeige_Nanbeige4.3-33B-GGUF の実ファイルサイズで更新しました。
- 2026-11-17: タイトルを、記事で分かる内容(必要VRAM・配布ファイル等)を示す形に変更しました。

