编者摘要：Nanbeige（南北极）是看准科技（Kanzhun，BOSS 直聘团队）推出的大模型系列，Nanbeige4.3-33B 为本系列旗舰教师模型，核心目标是打造高性能 Agent 底座，后续蒸馏出 Nanbeige4.3-3B 等轻量化小模型，推动轻量智能体落地。该模型参数量约 33B，上下文窗口支持最高 512K token，在同 30B 级别开源模型中 Agent 能力突出，对标 Qwen3.8-27B、Muse-Glimmer-30B、Gemma4-31B。

模型优势集中在智能体编码与专业协同办公两大方向，覆盖代码工程、自动化任务、岗位实操、复杂规划、工具调用等场景，JobBench 评测覆盖 35 类职业任务，多数岗位基线领先；在 YC-bench 创业模拟评测中得分大幅领先竞品。纯数学与科学推理能力稳健，和竞品互有胜负。

模型内置专为推理、工具调用设计的对话模板，提供enable_thinking、preserve_thinking两个关键开关，工具调用优先推荐 XML 格式，兼容 JSON。官方给出两套推理参数，区分 Agent 工具任务与普通推理对话场景。支持 Transformers、SGLang、vLLM 主流部署框架。

评测采用统一框架与推理配置，使用 Terminal-Bench、SWE-Bench Pro、Claw-Eval、DeepPlanning 等大量 Agent 专项基准，区别于传统静态推理榜单。团队开放合作，欢迎共建行业垂直智能体，可通过仓库 Issue 或邮箱沟通。该模型既可直接落地企业 Agent 业务，也承担教师模型职责，是一套 “大模型蒸馏小 Agent” 技术路线的核心底座。（全文 496 字）

10 个关键问题Q&A

Q1：Nanbeige 属于哪家团队？ A1：看准科技（Kanzhun，BOSS 直聘）团队。

 Q2：Nanbeige4.3-33B 核心定位是什么？ A2：Nanbeige4.3 系列旗舰教师模型，用于后续蒸馏轻量化 Agent 小模型。 Q3：上下文最大支持多少 token？ A3：最高 524288 tokens，即 512K 上下文。 

Q4：它对比的竞品有哪些？ A4：Qwen3.8-27B、Muse-Glimmer-30B、Gemma4-31B。 

Q5：模型能力强项是什么？ A5：Agent 编码、工具调用、协同办公、复杂任务规划、多行业岗位任务。 Q6：preserve_thinking 参数作用是什么？ A6：控制多轮对话是否保留历史思考内容，工具 / 代码 Agent 场景建议开启。 

Q7：工具调用优先哪种格式？ A7：XML 格式效果最优，同时兼容 JSON。

 Q8：支持哪些主流部署引擎？ A8：Transformers、SGLang、vLLM。

 Q9：YC-bench 这个评测代表什么？ A9：创业模拟智能体评测，以虚拟创业收益作为打分指标。

 Q10：这个模型只能用来做蒸馏吗？ A10：不是，本身性能优异，可直接部署用于企业 Agent 业务。

Nanbeige（南北极，Kanzhun/BOSS 直聘团队），Nanbeige4.3-33B 是 Nanbeige4.3 系列的旗舰教师模型，定位：面向轻量智能体（Lightweight Agent）蒸馏的大教师模型，主打智能体编码、多角色协同办公 Agent 能力，上下文 512K。

1. 简介

在 Nanbeige4.3 版本中，我们向着拓展轻量化智能体的能力边界迈出关键一步。整体路线是：先训练一个高能力的教师智能体，再基于它做蒸馏，把高阶 Agent 能力迁移到更小模型上。

为此，我们推出 Nanbeige4.3-33B，作为 Nanbeige4.3 系列旗舰教师模型。在同量级（~30B）开源模型里，它取得顶尖的智能体能力表现，擅长复杂代码任务与专业协同办公任务。它既可以直接落地部署、具备高性价比；同时也作为底座，支撑后续小模型蒸馏管线（例如 Nanbeige4.3-3B）。

2. 模型性能

我们将 Nanbeige4.3-33B 和同期 30B 左右前沿模型对比：Qwen3.8-27B、Muse-Glimmer-30B、Gemma4-31B。所有模型均开启最高思考强度评估；同一评测集，统一推理超参、统一评测框架。

评测注释：

1. Nanbeige4.3-33B 评测时 chat template 开启 preserve_thinking=true
2. Terminal-Bench 2.1 使用 Terminus 2；Terminal-Bench4、DeepSWE、SWE-Atlas-QnA 使用 mini-swe-agent v2.4.6
3. SWE-Atlas-QnA 共 1304 条任务评分标准，GPT-6 Sol 作为裁判，中等思考强度
4. NL2Repo 使用 Claude Code 评测框架
5. Automation Bench v1.0.6，600 个公开任务
6. JobBench：Claude Code 框架 + 搜索工具
7. GDPval 使用新版评分标准
8. Claw-Eval：仅通用子集，157 条单轮交互任务
9. Toolathlon-Verified：单轮生成无 max_tokens 上限
10. YC-bench：每轮调用只保留最近 10 轮对话上下文
11. DeepPlanning、EnterpriseOps-Gym、Tau3-Bench 使用官方仓库评测

小结：Nanbeige4.3-33B 在绝大多数智能体评测上领先，尤其 Agent 编码、Agent 办公协同优势明显；覆盖大量行业岗位场景（JobBench 35 个职业评测集，多数岗位基线领先）；纯数学科学推理上和竞品互有胜负。

3. 快速上手 Quickstart

Tokenizer 内置可配置对话模板，专门适配推理、工具调用场景：

• enable_thinking
  控制是否输出思考过程，默认开启；普通问答可设为 False（无思考模式）
• preserve_thinking
  多轮对话里是否保留上一轮模型输出的思考内容
• ✅ 普通闲聊问答：推荐 False
• ✅ 多轮工具调用、办公任务、代码智能体流程：推荐 True
• 传入 tools参数开启工具调用模板；推荐 tool_call_format="xml"效果最优，同时兼容 json 格式

上下文窗口：最高 524,288 token（512K）

推荐推理参数：

支持 Transformers / SGLang /vLLM 三种部署方式，原文代码我一并保留：

Transformers

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 启动

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 启动

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

4. 联系

如有问题，可以在仓库提 issue，或发邮件：nanbeige@kanzhun.com欢迎合作共建垂直行业、领域专属智能体，包括数据与联合训练项目。

5. 引用格式

@misc{nanbeige43chat2026,
  title        = {Nanbeige4.3-33B},
  author       = {Nanbeige Team},
  year         = {2026},
  publisher    = {Hugging Face},
  howpublished = {\url{https://huggingface.co/Nanbeige/Nanbeige4.3-33B}}
}