BOSS 直聘南北阁实验室开源 Nanbeige4.3-33B：33B 稠密模型、512K 上下文、Apache 2.0，官方称 Terminal-Bench 2.1 达 80.9 超过 Qwen3.8-27B

核心背景与行业痛点

30B 左右的开源模型是很多团队本地部署和私有化 Agent 的主力尺寸，但这个尺寸在终端操作、长链路编码和办公自动化这类 Agent 任务上一直明显落后于闭源大模型。BOSS 直聘（看准科技）旗下的南北阁大模型实验室此前以 Nanbeige4.2-3B 等小模型为主，这次在 UTC 10-25 12:11 通过官方账号发布 Nanbeige4.3-33B（原帖），思路是先做一个强的「教师模型」，再把 Agent 能力蒸馏到更小的模型里。

架构亮点与底层机制

根据 Hugging Face 模型卡，Nanbeige4.3-33B 是 Llama 架构的 33B 稠密模型（不是 MoE），支持最长 524,288 token（512K）上下文，以 Apache 2.0 许可开放，并同时发布了 Base 版。聊天模板提供 enable_thinking（是否输出推理）和 preserve_thinking（多轮中是否保留之前的推理）两个开关，官方建议多轮工具调用、办公任务和代码 Agent 场景打开 preserve_thinking，工具调用格式推荐 XML。官方明确它是 Nanbeige4.3 系列的教师模型，下一步是 Nanbeige4.3-3B。

权威 Benchmark 与实测跑分对比

以下全部来自官方模型卡，在同一 harness、最高思考强度下与 Qwen3.8-27B 对比：Terminal-Bench 2.1（Terminus 2）80.9 对 73.0；Terminal-Bench 4.0 23.8 对 6.3；DeepSWE 65.5 对 42.5；SWE-Bench Pro 60.3 对 61.7（落后）；NL2Repo（用 Claude Code 评测）53.0 对 48.3；Automation Bench 54.2 对 38.3；JobBench 44.8 对 34.5；GDPval 84.8 对 86.4（落后）；GPQA Diamond 89.5 对 89.2，但低于 Gemma4-31B 的 91.3；AIME 2026 95.2 对 94.5。这些是厂商自测，尚无第三方复现；X 上已有个别用户反馈在 3D 生成提示词上首轮效果不理想，实际表现还要等更多社区实测。

开发者实战落地与开箱指南

权重可直接从 Hugging Face 下载，官方给出 Transformers、SGLang、vLLM 三种运行方式，SGLang 和 vLLM 示例都用 4 卡张量并行，并复用 qwen3 推理解析器和 qwen3_coder 工具调用解析器。做 Agent 场景时，官方建议温度 1.0、top_p 0.95、最大生成 65,536 token；推理和聊天建议温度 0.6。想在本地或私有环境跑编码 Agent 的团队，可以拿它和 Qwen3.8-27B 在自己的任务集上做对比，再决定是否替换。