Nanbeige4.3-33B против Granite 4.2 30B: претензии к соблюдению требований

Выбор между Nanbeige4.3-33B и Granite 4.2 30B будет сделан на совещании по закупкам, а не по таблице лидеров. Обе модели представляют собой плотные модели примерно с 30 миллиардами параметров под лицензией Apache 2.0, обе доступны для скачивания на этой неделе, и обе заявляют предел в 512K токенов. Но одна продается IBM с подписанными артефактами и договором на поддержку, а другая представляет собой двухдневный репозиторий от китайской лаборатории, которая даже не опубликовала анонс о запуске. Granite 4.2 30B от IBM появилась 25 августа 2026 года; Nanbeige4.3-33B появилась на Hugging Face 24 октября 2026 года. На самом деле они не являются конкурентами в борьбе за одну и ту же покупку, и именно поэтому данное сравнение заслуживает тщательного рассмотрения.

Ниже не будет выявлен победитель. Это логика формирования шорт-листа: четыре вопроса, которые действительно разделяют эти модели, с доказательствами, на которых основывается каждый ответ, и местами, где эти доказательства выглядят слабее, чем кажутся.

Два продукта с одинаковым количеством параметров

Granite 4.2 30B — это вершина линейки Granite 4.2 от IBM, включающей модели на 3B, 8B и 30B, все из которых являются плотными. Она построена на базе Granite-4.1-30B-Base, предварительно обученной примерно на 15 триллионах токенов, включая около триллиона синтетических токенов кода, после чего для версий 8B и 30B был пройден этап агентского обучения с подкреплением. Она поставляется с тремя режимами рассуждений (с размышлением, без размышления, с низкими затратами ресурсов), нативной поддержкой вызова инструментов в формате OpenAI, а также сборками в FP8 и 4-бит. IBM заявляет о нативной поддержке vLLM и SGLang, включая granite_thinking_parser.

Nanbeige4.3-33B — это единая плотная контрольная точка от Nanbeige LLM Lab, AI-команды компании Kanzhun, стоящей за BOSS Zhipin. Ее карточка необычно конкретна в отношении развертывания: 33,1 млрд параметров, контекст 524 288 токенов, английский и китайский языки, режим размышлений по умолчанию, XML-формат вызова инструментов, рекомендуемый вместо JSON, и флаг preserve_thinking, нацеленный на многошаговое использование инструментов. Она явно позиционируется как учитель для меньшего собрата, Nanbeige4.3-3B, который еще не выпущен.

Разница в намерениях имеет значение. Granite — это линейка продуктов с возможностью корпоративной поддержки. Nanbeige4.3-33B — это исследовательский артефакт, выпущенный для создания основы семейства. Одна создана для покупки; другая создана для дистилляции.

Единственная строка, которую действительно запустили обе лаборатории

В карточке Nanbeige сравнивает себя с Qwen3.8-27B, Muse-Glimmer-30B и Gemma 4 31B. Материалы IBM Granite вообще не упоминают Nanbeige. Таким образом, в обеих карточках есть ровно один общий бенчмарк, где прямое сопоставление вообще номинально возможно: Terminal-Bench 2.1.

• Terminal-Bench 2.1 — Nanbeige4.3-33B 80,9 (данные из карточки Nanbeige) против Granite 4.2 30B 29,24 (данные из карточки IBM). Разрыв в 51,7 балла в пользу Nanbeige.

Это самое большое заявленное различие между таблицами двух вендоров во всем сравнении, и оно требует трех оговорок, прежде чем обретет какой-либо смысл. Во-первых, оба показателя заявлены самими производителями. во-вторых, в карточке Nanbeige указано, что при тестировании Terminal-Bench 2.1 использовался Terminus 2; в карточке IBM каркас (scaffold) не указан. В-третьих, терминальный бенчмарк измеряет модель плюс агентский цикл (loop), и разрыв в 51 балл может объясняться циклом с тем же успехом, что и весами. Модель с хорошо настроенной обвязкой и модель со стандартной будут расходиться на десятки баллов на одном и том же номинальном бенчмарке.

Следующая по близости общая строка — GPQA Diamond: Nanbeige сообщает о 89,5, IBM — о 66,41. Это реальный разрыв на бенчмарке знаний, и он достаточно велик, чтобы пережить различия в обвязке, но он также измеряет нечто иное, чем агентское кодирование — научные вопросы уровня аспирантуры, а не использование инструментов на больших интервалах планирования. Согласно этим данным, Nanbeige является более сильным рассуждателем из двух моделей. Но это не значит, что она является более сильным агентом.

Все остальное несравнимо. Nanbeige сообщает о SWE-Bench Pro на уровне 60,3; IBM сообщает о SWE-Bench Verified на уровне 57,00 — разные варианты, разная сложность. Nanbeige сообщает об AIME 2026 на уровне 95,2; IBM сообщает об AIME25 на уровне 89,17 — разные годы. Nanbeige сообщает о JobBench и DeepPlanning; IBM сообщает о τ³-bench 62,00, BFCL v4 61,39, MMLU-Pro 77,60, LiveCodeBench v6 75,77 и RULER 128K 81.38. Ни у одного из них нет аналога у Nanbeige.

Два утверждения о 512K, которые не являются одним и тем же

Обе модели заявляют предел в 512K. Они достигают его по-разному, и эта разница проявляется в том, что каждый вендор был готов опубликовать.

• Нативное окно — Nanbeige4.3-33B: 524 288 токенов, нативно. Granite 4.2 30B: 131 072 токена, нативно.

• Расширенный предел — Granite 4.2 30B предлагает расширение длинного контекста до 512K. Nanbeige оно не нужно; 512K — это обученное окно.

• Данные по длинному контексту — IBM публикует RULER на 128K: 81,38. Nanbeige публикует AA-LCR на 84,0 — бенчмарк рассуждений на длинном контексте, но не бенчмарк извлечения информации (recall) на заявленной глубине.

• Вывод — карточка Nanbeige рекомендует до 262 144 новых токенов для рассуждений и чата, и 65 536 для агентской работы и работы с инструментами. Рекомендуемое IBM значение max_new_tokens составляет 8192 в режиме размышлений и 2048 в режиме без размышлений.

Последняя строчка — самая практичная. Окно ввода на 512K в сочетании с рекомендацией по выводу на 8K — это модель, созданная для того, чтобы читать много и отвечать кратко. Окно на 512K в сочетании с бюджетом генерации на 262K — это модель, созданная для создания длинных артефактов. Если ваша задача — «проглотить репозиторий, написать миграцию», они не являются эквивалентными продуктами даже при одинаковой номинальной длине контекста.

Вызовы инструментов, режимы рассуждений и налог на интеграцию

Вызовы инструментов у Granite реализованы в формате OpenAI и являются нативными, причем показатель BFCL v4 составляет 61,39 по собственной оценке IBM. Это означает, что она встраивается в стандартный клиент вызова функций без пользовательского парсера. IBM также публикует парсер размышлений для vLLM, благодаря чему цепочки рассуждений четко отделяются от ответа.

Nanbeige4.3-33B применяет противоположный подход: она рекомендует tool_call_format="xml" для лучшей производительности, поставляет шаблон в стиле ChatML и просит использовать парсер рассуждений Qwen3 и парсер инструментов Qwen3-Coder в vLLM или SGLang. Это не изъян — многие сильные агентские модели используют вызовы инструментов XML, — но это работа по интеграции. Если ваш стек использует JSON для инструментов от OpenAI, Nanbeige потребует либо слоя трансляции, либо своего режима JSON, который, судя по карточке, поддерживается, но не является предпочтительным.

Это тот самый налог, который таблицы бенчмарков никогда не показывают. Модель, которая на 20 баллов лучше на обвязке, которую вам приходится перестраивать, не станет на 20 баллов лучше во вторник. Преимущество Granite здесь заключается не в возможностях; а в том, что схема подключений задокументирована, стандартна и поддерживается вендором с трекером багов.

Линия соответствия требованиям

IBM поставляет Granite с криптографическими подписями, сертификацией ISO и отчетами о прозрачности. Для регулируемого покупателя это не маркетинг — это разница между моделью, которая может пройти процесс утверждения, и моделью, которая не может. IBM также является контрагентом: есть контракт, путь поддержки и компания, которая все еще будет существовать в рамках цикла закупок.

Nanbeige4.3-33B распространяется под лицензией Apache 2.0, которая юридически разрешительна и допускает коммерческое использование. У нее нет контракта на корпоративную поддержку, программы подписанных артефактов или опубликованного отчета о происхождении данных, помимо карточки модели. Лаборатория входит в состав Kanzhun, публичной китайской компании, а модель является двуязычной (английский и китайский). Ничто из этого ее не дисквалифицирует. Однако все это относится к вопросам, которые обязательно возникнут на проверке безопасности, и честный ответ на сегодняшний день таков: доказательная база со стороны Nanbeige существенно слабее.

Для команды, не связанной жесткими регуляторными требованиями, этот раздел не имеет значения, и его можно пропустить. Для команды внутри регулируемого контура он может решить исход выбора еще до того, как будут изучены бенчмарки.

Сколько стоит токен и сколько стоит GPU

Granite 4.2 30B доступна как управляемый API по цене $0,16 за миллион входных токенов и $0,65 за миллион выходных, со скидкой 75% на кэширование, скоростью около 47,5 выходных токенов в секунду и временем до первого токена 0,82 секунды. Artificial Analysis оценивает ее стоимость примерно в $0,07 за задачу Intelligence Index. Веса также доступны для скачивания — около 60 ГБ в формате BF16 или 30 ГБ в 8-битном формате, что позволяет развернуть модель на одном GPU.

У Nanbeige4.3-33B нет опубликованной цены за токен, поскольку ее никто не хостит. В карточке прямо указано, что ни один инференс-провайдер не развертывает эту модель. Самостоятельный хостинг означает около 66 ГБ в BF16 или примерно 20 ГБ в 4-битном формате, причем собственные рецепты разработчика используют тензорный параллелизм размера 4. Это четыре GPU, которые остаются занятыми независимо от того, идет ли трафик.

Если честно сопоставить обе цифры, сравнение сведется к выбору между тарификацией по факту использования, начинающейся с нуля, и капитальными затратами, которые начинаются с четырех GPU. При небольшом объеме Granite дешевле на порядок. При стабильно высоком объеме self-hosted модель на 33B может оказаться выгоднее — но только если утилизация достаточно высока для амортизации оборудования, и только если вы оцениваете инженерное время в ноль. Большинство команд быстро обнаруживают, что оно далеко не нулевое.

Ни одной из этих моделей нет в нашем роутере, и об этом стоит сказать прямо

OrcaRouter на сегодняшний день не поддерживает ни Nanbeige4.3-33B, ни Granite 4.2 30B. Мы не собираемся делать вид, что это не так, ведь пользователь, зарегистрировавшийся в расчете на одну из этих моделей, потеряет день, прежде чем обнаружит, что ее нет в каталоге.

Однако слой маршрутизации все равно делает остальную часть решения дешевле. Если вы уже используете текущую модель через наш эндпоинт, добавление самостоятельно размещенной Nanbeige под тем же ключом и отправка на нее доли трафика — это просто изменение конфигурации, а не повторная интеграция. Наша модель с наценкой 0% (трансляция прайс-листа провайдера без изменений) также означает, что когда IBM или другой хостинг меняет цену на Granite, отображаемая вами цифра меняется вслед за ней, а не запаздывает из-за маржи реселлера. Это не делает модели доступными по умолчанию. Это делает проведение экспериментов с ними более дешевым.

Шорт-лист, а не победитель

• Если вам нужны контракт, подписи и гарантированная поддержка: Granite 4.2 30B, и разрыв в бенчмарках перестает иметь значение.

• Если вам нужна максимальная заявленная производительность агентного кодинга в этом весовом классе: Nanbeige4.3-33B, с оговоркой, что ее результат 80,9 на Terminal-Bench 2.1 никем не был воспроизведен за пределами ее собственной карточки.

• Если вам нужен нативный контекст 512K на входе с длинным выходом: Nanbeige4.3-33B. Granite достигает 512K за счет расширения и рекомендует вывод до 8K.

• Если вам нужен китайский язык: он заявлен у обеих моделей. В карточке Granite китайский указан в числе 12 языков; у Nanbeige перечислены английский и китайский. Язык здесь не является решающим фактором.

• Если вам нужно начать прямо сегодня без собственных GPU: Granite 4.2 30B через API IBM. У Nanbeige хостинг-опций нет вовсе.

Неутешительный вывод заключается в том, что эти модели достаточно близки по классу, поэтому решение будет определяться внешними ограничениями (закупки, развертывание, язык, модальность), а не строкой с отрывом в 51 балл. Эта строка вполне может быть реальной. Но это также наименее проверяемое утверждение во всей статье, и оно должно быть последней причиной для выбора модели, а не первой.