核對日：2026-10-26。 Nanbeige4.3-33B 係一個開源嘅大型語言模型，主打 agentic coding 同辦公室協作任務，用 Apache 2.0 授權，理論上香港開發者可以喺自己伺服器或者雲 GPU 上面本地部署。官方模型頁已經喺 Hugging Face 公開，本文根據該頁面同 Hugging Face API 資料整理。
呢個模型係乜嚟
根據 官方模型頁，Nanbeige4.3-33B 係 Nanbeige4.3 系列嘅旗艦「teacher」模型：
- 33B 參數、BF16 精度
- 主打 agentic coding（即係俾 AI 自己規劃步驟、呼叫工具寫 code）同辦公室 cowork 任務
- 官方話之後會蒸餾出更細嘅模型（例如 Nanbeige4.3-3B），但暫時未推出
- 另有一個 Base 版本，適合想自己再訓練嘅團隊
Apache 2.0 對你意味住乜
呢個係香港開發者最應該留意嘅一點。Apache 2.0 係一個相對寬鬆嘅開源授權：
- 可以商用
- 可以修改、再發佈
- 條件係要保留授權聲明（一般 Apache 2.0 條款係咁）
即係話，如果你公司想將佢整合入自家產品或者內部工具，授權層面冇大障礙——實際使用前建議搵法律意見核對具體條款，以官網當日為準。
成績幾好？睇數要留意來源
官方公布咗自家對比測試（同 Qwen3.8-27B、Muse-Glimmer-30B、Gemma4-31B 比，最高 thinking effort）：
| Benchmark | Nanbeige4.3-33B | 值得注意 |
|---|---|---|
| Terminal-Bench 2.1 | 80.9 | Qwen3.8-27B 為 73.0 |
| SWE-Bench Pro | 60.3 | Qwen3.8-27B 為 61.7，呢項略低 |
| GPQA Diamond | 89.5 | Gemma4-31B 為 91.3，較高 |
| AIME 2026 | 95.2 | — |
重要提醒：呢啲全部係開發團隊自己公布嘅分數，唔係第三方獨立評測。參考可以，但唔好當成獨立結論。
本地部署要考慮乜
官方範例用 SGLang 或者 vLLM 跑，用咗 tensor parallel 4（--tp-size 4 / --tensor-parallel-size 4），即示範配置係 4 張 GPU。官方頁面冇寫最低 VRAM 要求，亦冇提 Mac 支援，所以實際硬件需求要自己試。
支援嘅運行方式：
- Transformers（需要
trust_remote_code=True） - SGLang
- vLLM
上下文長度最高 524,288 tokens（512K），處理長文件或者大型 codebase 有優勢。
試用前嘅實際建議
幾個 chat template 同參數設定值得留意：
enable_thinking：預設開啟，可關做非思考模式preserve_thinking：一般問答建議False；多輪工具調用／code agent 建議Truetool_call_format：官方建議xml（json亦支援）- Agent／工具任務：temperature 1.0、top_p 0.95、max new tokens 65,536
- 推理／聊天：temperature 0.6、top_p 0.95
部署前除咗硬件，仲要諗兩樣嘢：資料私隱（本地跑嘅好處就係資料唔使出街）同公司 IT 政策（引入開源模型前最好同內部團隊溝通清楚）。
如果想比較唔同 AI coding 工具嘅組合，可以睇下我哋之前寫嘅 AI coding 工具比較，或者部署前用 AI coding 檢查清單 做吓功課。
結論
Nanbeige4.3-33B 對香港開發者嚟講係一個有吸引力嘅選擇：Apache 2.0 授權方便商用、512K 上下文適合長任務、官方亦提供完整嘅 agent 參數建議。不過佢係好新嘅模型（repo 2026-10-24 先建立），benchmark 又係自報，建議先用雲 GPU 或者公司伺服器實測，再決定係咪投入更大規模嘅本地部署。具體設定同條款，以 Hugging Face 官方頁面 當日為準；有問題可以直接喺 repo 開 issue，或者電郵 nanbeige@kanzhun.com 查詢。
更新於 2026-10-26（Asia/Hong_Kong）。
