BOSS 直聘发布 33B 编程智能体，称在 20 项智能体基准中 17 项第一

在纳斯达克上市的中国在线招聘平台 BOSS 直聘发布了 Nanbeige4.3-33B，这是一个 331 亿参数的开放权重模型，面向智能体编程、基于终端的软件工程和办公自动化任务。该模型由公司内部的 Nanbeige LLM Lab 于 10 月 24 日发布在Hugging Face 上，声称在与阿里巴巴 Qwen3.8-27B、Google DeepMind Gemma4-31B 和 Meta Muse-Glimmer-30B 的自报对比中，在 20 项基准里拿下 17 项第一。这些基准分数都没有经过独立复现。

这次发布引人注目之处，与其说是它的企业出身（一个设在招聘平台公司里的 AI 研究团队），不如说是它自报的Terminal-Bench 2.1 分数意味着什么。Nanbeige 称其在该基准上得 80.9 分；该基准衡量在 Daytona 沙盒中执行的、涵盖软件工程、数据科学和科学计算场景的真实命令行任务。Terminal-Bench 2.1 公开排行榜显示，Claude Opus 4.8 在 Claude Code 测试框架下约为 78.9%，这是一个已发布的前沿参考分数。如果 Nanbeige 自报的 80.9 分能在可比的测试框架上被独立复现，它将成为第一个在真实终端任务执行上追平或超过这一已发布前沿分数的 30B 级开放权重模型，而这一参数规模的开放权重模型此前从未跨过这道门槛。

一个为终端智能体打造的稠密 Transformer

Nanbeige4.3-33B 采用标准的稠密 Llama 布局 Transformer，而不是混合专家设计，共 52 层，隐藏层维度 7,168，56 个注意力头搭配 8 个键值头。这种分组查询注意力（GQA）配置把 KV 缓存需求压缩到七分之一，有助于在长上下文推理时管理显存。模型的词表有 166,912 个 token，比 LLaMA-3 的 128,256 个大得多，这一设计选择很可能是为了更好地覆盖中英文专业术语。

上下文窗口达到 524,288 个 token（512K），对于需要一次处理整个代码库或长文档链的应用，这让 Nanbeige4.3-33B 相比 Qwen3.8-27B 的 128K 窗口有明显的架构优势。注意力质量在极长上下文下是否会下降（这是长窗口模型的常见弱点），模型卡没有说明。

该模型支持思考模式，由 enable_thinking（默认开启）和 preserve_thinking（多轮智能体会话建议设为 true）控制，与思维链推理模式一致。重要的是，实验室按任务类型区分推理参数：智能体任务使用温度 1.0，每轮最多生成 65,536 个新 token；推理和聊天任务使用温度 0.6，输出预算为 262,144 个 token。智能体任务使用更高的温度，说明实验室发现，鼓励多样性的采样对探索式的终端执行有益。工具调用同时支持 XML 格式（推荐）和 JSON，因此与采用任一惯例的常见智能体编程框架兼容。完整的推理参数和工具使用配置详见模型卡。

20 项基准表实际说明了什么

模型卡给出了一张 20 项基准的对比表，分为三类：智能体编程、智能体协同办公（办公自动化）和推理。Nanbeige 声称在 20 行中赢下 17 行，而不是一些二手报道所说的 18 行。Nanbeige 没有领先的三项基准是 SWE-Bench Pro（Qwen3.8-27B 得 61.7，Nanbeige 得 60.3）、GDPval（Qwen 以 86.4 对 84.8 领先）和 GPQA Diamond（Gemma4-31B 以 91.3 对 89.5 领先）。这三项的差距都很小。

声称的最大优势出现在 DeepSWE 上，这是一项使用 mini-swe-agent v2.4.6 评估的智能体软件工程基准。Nanbeige 自报 65.5 分，Qwen 为 42.5 分，相对提升 54%。这是表中最惊人的数字，也是最需要谨慎看待的，因为 DeepSWE 的评估方法随智能体配置而变化，而且评估完全由 Nanbeige LLM Lab 而不是基准组织方完成。

「智能体协同办公」类别中的几项基准是内部开发的，或者采用范围很窄，包括 Automation Bench、JobBench 和 YC-bench（后者以所取得成果的美元价值来表示成绩，Nanbeige 报告为 1,025,437 美元，Qwen 为 641,290 美元）。在没有独立方法说明的情况下，这些分数对 BOSS 直聘生态之外的开发者有什么实际意义，很难评估。Toolathlon-Verified、DeepPlanning 和 EnterpriseOps-Gym 这几项基准，同样尚未成为被广泛接受的第三方评估。完整的基准对比表见模型卡。

研究生水平的推理结果更容易直接解读。Nanbeige 在 GPQA Diamond 上得 89.5 分，接近 Gemma4-31B 的 91.3 分，远高于 Muse-Glimmer-30B 的 83.5 分。在 AIME 2026 数学竞赛题上，Nanbeige 自报 95.2 分，Qwen 为 94.5 分，Muse-Glimmer 为 94.7 分，在这个分数水平上，这些差异都落在基准评估的噪声范围内。

延伸阅读：月之暗面 Kimi K3.1 Pro 降价 33%，在开源模型中登顶 Terminal-Bench

BOSS 直聘作为非传统 AI 实验室的战略位置

看准科技（Kanzhun Limited）是 BOSS 直聘的运营方，它本来并不是一家基础模型公司。公司成立于 2013 年，最初是一个移动优先的招聘平台，2021 年 6 月在纳斯达克上市（股票代码 BZ），目前市值约 70 亿美元。它的核心产品用 AI 匹配连接求职者和雇主，这项业务产生了大量与工作流程相关的数据。

Nanbeige4.3-33B 的「智能体协同办公」基准类别，以及对专业任务自动化的强调，表明 BOSS 直聘正把这种与劳动力交互的背景应用到模型开发中。该公司成绩突出的两项基准 JobBench 和 EnterpriseOps-Gym，恰好对应一个招聘和人力资源相关平台能产生训练信号的那类专业自动化场景。模型卡没有说明训练数据来源，因此 BOSS 直聘的专有数据在多大程度上影响了后训练，仍未可知。

这一背景对企业评估该模型很重要。一个把 Nanbeige4.3-33B 用于通用编程智能体任务的组织，采用的是一个训练很可能在办公自动化工作流上有强信号、但更广泛的编程泛化能力却依赖于未经独立验证的基准的模型。

部署现实：需要四块 GPU，暂无云托管

Nanbeige4.3-33B 以 Apache 2.0 许可分发，允许商用、无需支付版税，也没有用户数量限制。

部署的现实则更受限制。实验室建议张量并行度设为 4，也就是说，运行该模型至少需要四块 GPU。在 BF16 精度下，331 亿参数需要约 66 GB 的权重存储，超出了标准配置下任何单块 H100 或 A100 的显存容量。实际上，在生产环境运行该模型的组织需要 4 块 A100 80GB 的实例或同等配置，相对于竞品模型按 token 计费的 API，这样的基础设施成本不低。部署要求和服务配置记录在模型卡中。

截至 10 月 26 日，还没有任何托管推理服务商宣布支持 Nanbeige4.3-33B。Qwen3.8-27B 可通过阿里云使用，Gemma4-31B 和 Qwen3.8-27B 都能通过多个托管端点访问。对于不运营自有 GPU 基础设施的团队来说，这一部署差距是近期采用的现实障碍。

该模型支持 SGLang 和 vLLM 作为生产推理框架，这两者都广泛用于高吞吐服务环境，因此自托管推理的团队会获得扎实的工具链支持。

3B 蒸馏目标，以及接下来会发生什么

模型卡明确把 Nanbeige4.3-33B 定为 Nanbeige4.3 系列的「旗舰教师模型」。计划中的配套模型 Nanbeige4.3-3B 是蒸馏目标：33B 模型生成训练信号，供较小的模型学习。如果 3B 蒸馏版能在智能体编程基准上复现 33B 相当一部分的性能，就会得到一个小到可以在消费级硬件或单块企业级 GPU 上运行的模型，直接解决部署上的限制。

关键的未知数是，所声称的基准优势，尤其是 Terminal-Bench 2.1 和 DeepSWE 上的优势，能否在 3B 发布之前或同时经受住独立评估。第三方复现基准，是最能决定 Nanbeige LLM Lab 的自报结果究竟代表真正的技术进步、还是反映了有利于自家模型的评估选择的事件。尤其是对 Terminal-Bench 分数的独立评估，将了结最具分量的竞争性说法：一个 33B 开放权重模型，能否稳定地以目前只有顶级闭源前沿系统才有的水平执行真实的终端任务。