Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
Nanbeige4.3-33B는 복잡한 코딩 작업과 도구 사용 에이전트 워크플로우에 최적화된 플래그십 모델입니다. 다중 턴(Multi-turn) 협업 및 자동화 작업을 지원하며, 최대 524K 토큰의 거대한 컨텍스트 길이를 제공합니다. 다양한 경쟁 모델과의 성능 비교가 이루어졌습니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 Hacker Noon AI의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기Nanbeige4.3-33B는 Nanbeige4.3 시리즈를 위한 Nanbeige의 플래그십(flagship) 교사 모델(teacher model)로, 복잡한 코딩, 도구 사용 에이전트(tool-using agents), 전문 협업 작업에 적합합니다. 모델 카드에는 에이전트 기반 코딩(agentic coding), 협업(cowork), 추론 작업을 아우르는 벤치마크 결과가 보고되어 있습니다. 이 결과는 특정 워크로드에 대한 성능을 보장하는 것이 아닌, 공급업체에서 보고한 평가입니다. 유지 관리자: Nanbeige.
• 복잡한 코딩 및 코드 에이전트 워크플로우.
• 다중 턴(Multi-turn) 도구 사용 및 에이전트 작업.
• 사무실, 전문 협업, 및 작업 자동화 워크플로우.
• 추론 및 채팅 (채팅 템플릿을 통해 사고 기능 활성화 또는 비활성화 가능).
게시된 벤치마크 결과는 특정 하네스(harness), 설정, 작업 세트에 따라 달라집니다. 예를 들어, Claw-Eval은 157개의 단일 턴 작업을 다루며, YC-bench는 최신 10개 사용자 턴만 유지합니다. 해당 출처들은 하드웨어 요구 사항, 학습 상세 정보 또는 독립적인 평가를 제공하지 않습니다. 나열된 Nanbeige4.2 및 Nanbeige4.1 모델은 서로 다른 버전과 규모이므로, 이들의 설명은 본 모델의 사양이나 결과로 간주되어서는 안 됩니다.
모델 카드는 동일한 추론 하이퍼파라미터와 벤치마크별 하네스를 사용하여 Nanbeige4.3-33B를 Qwen3.8-27B, Muse-Glimmer-30B, Gemma4-31B와 비교합니다. Nanbeige4.3-33B는 나열된 대부분의 벤치마크에서 더 높은 보고 점수를 가지고 있지만, 모든 면에서 그렇지는 않습니다. Qwen3.8-27B가 SWE-Bench Pro 및 GDPval에서 더 높은 점수를 받았으며, Gemma4-31B가 GPQA Diamond에서 더 높은 점수를 받았습니다. 관련 모델에는 Nanbeige4.3-33B-Base, Nanbeige4.2-3B, Nanbeige4.1-3B, Nanbeige4-3B-Thinking-2511, 및 Nanbeige4.2-3B-Base가 포함됩니다. 제공된 연구 링크는 다른 Nanbeige 버전 또는 관련 없는 모델에 관한 것이므로, 이 정확한 모델에 대한 연구 결과를 확립하지 않습니다.
• 파라미터 규모: 모델 이름에서 알 수 있듯이 33B이며, 카드는 이를 약 30B급의 모델로 설명합니다.
• 작업 및 라이브러리: 텍스트 생성; Transformers.
• 최대 컨텍스트 길이(Maximum context length): 524,288 토큰 (512K).
• 메타데이터는 Safetensors 및 Apache-2.0 라이선스를 명시합니다.
• 이 카드는 벤치마크 점수는 제공하지만, 하드웨어 요구 사항, 학습 구성(training configuration), 또는 측정된 지연 시간(latency)이나 비용은 제공하지 않습니다.
토크나이저의 채팅 템플릿을 사용하여 채팅 메시지를 사용합니다. enable_thinking은 현재 응답에 대한 추론(reasoning)을 제어하며 기본값은 활성화(enabled)입니다. preserve_thinking은 다중 턴 대화에서 이전 어시스턴트의 추론 보존 여부를 제어합니다. tools를 전달하면 도구 사용 템플릿이 활성화되며, 이 카드는 호환성을 위해 tool_call_format="xml"을 권장하고 또한 json도 지원합니다. 에이전트 기반/도구 사용 작업의 경우 적정 설정은 temperature 1.0, top_p 0.95, 그리고 65,536 최대 신규 토큰입니다. 추론 및 채팅의 경우, temperature 0.6, top_p 0.95, 그리고 262,144 최대 신규 토큰을 권장합니다.
모델은 텍스트 응답을 생성하며 추론(reasoning) 및 도구 사용 채팅 템플릿을 지원합니다. 제공된 Transformers 예제는 생성된 토큰 ID를 텍스트로 디코딩합니다. 도구 호출 형식은 XML 또는 JSON일 수 있으며, 이 카드는 XML을 권장합니다.
from transformers import AutoModelForCausalLM, AutoTokenizer
model_id = 'Nanbeige/Nanbeige4.3-33B'
tokenizer = AutoTokenizer.from_pretrained(
...
Q: Nanbeige4.3-33B는 무엇을 위해 설계되었나요?
A: 복잡한 코딩, 에이전트 기반 도구 사용(agentic tool use), 그리고 전문적인 협업 작업(professional cowork tasks)을 위한 플래그십 교사 모델로 제시됩니다.
Q: 컨텍스트 창 크기는 얼마나 되나요?
A: 모델 카드는 최대 컨텍스트 길이 524,288 토큰이라고 명시합니다.
Q: 추론 기능을 끌 수 있나요?
A: 예. enable_thinking을 False로 설정하여 비추론 모드(non-thinking mode)를 사용할 수 있습니다. 이는 기본적으로 활성화되어 있습니다.
Q: 추론 보존은 어떻게 구성해야 하나요?
A: 일반 채팅 및 질문 답변의 경우 카드는 preserve_thinking=False를, 다중 턴 도구 사용(multi-turn tool use), 사무 작업(office tasks), 코드 에이전트 워크플로우의 경우 True를 권장합니다.
Q: 어떤 도구 호출 형식이 지원되나요?
이 카드는 XML 및 JSON 도구 호출(tool-call) 형식을 지원하며, XML을 권장합니다.
Q: 어떤 추론 프레임워크가 표시되어 있나요?
A: 모델 카드에는 Transformers, SGLang, 그리고 vLLM에 대한 예시가 제공됩니다.
Q: 어떤 라이선스가 명시되어 있나요?
A: 모델 메타데이터에는 Apache-2.0이 나열되어 있습니다.