Nanbeige4.3-33B : un modèle ouvert de 33 milliards de paramètres taillé pour les agents de code

Les grands modèles de plusieurs milliers de milliards de paramètres font les gros titres, mais une autre course se joue sur les modèles de taille moyenne, assez compacts pour tourner sur une station de travail. Le laboratoire chinois Nanbeige y a placé un nouveau pion fin octobre 2026 avec Nanbeige4.3-33B, un modèle ouvert de 33 milliards de paramètres spécialisé dans les agents de programmation. Publié sous licence Apache 2.0, il revendique les meilleures performances de sa catégorie sur plusieurs tests, avec une prudence de rigueur : ces résultats sont ceux de l’éditeur.

Qui est Nanbeige ?

Nanbeige est le laboratoire de modèles de langage de Kanzhun, la société chinoise qui exploite la plateforme de recrutement en ligne BOSS Zhipin. L’équipe publie depuis plusieurs années des modèles ouverts sous le nom Nanbeige, avec une préférence pour des tailles modestes, faciles à déployer.

Le nouveau modèle a été publié sur Hugging Face, la principale plateforme de partage de modèles d’IA, aux alentours du 24 octobre 2026, accompagné de sa version de base, avant post-entraînement. Sa fiche le présente comme le modèle « professeur » de la série Nanbeige4.3 : il doit servir à transmettre ses capacités, par un procédé appelé distillation, à des modèles plus petits comme Nanbeige4.3-3B.

Qu’est-ce qu’un agent de programmation ?

Un assistant de code classique propose des lignes à compléter ou répond à une question. Un agent de programmation va plus loin : il reçoit une mission, par exemple corriger un bogue ou ajouter une fonction, puis explore lui-même le projet, lit les fichiers, lance des commandes dans un terminal, exécute les tests et corrige son travail jusqu’à obtenir un résultat qui fonctionne. Ces tâches longues, qui enchaînent des dizaines d’étapes, exigent du modèle qu’il garde le fil sur la durée et qu’il sache utiliser des outils, deux compétences que Nanbeige met en avant.

La distillation, à laquelle ce modèle doit servir, consiste à entraîner un petit modèle à imiter les réponses d’un plus gros. L’objectif est d’obtenir un modèle de quelques milliards de paramètres, capable de tourner sur un ordinateur portable, qui conserve une partie des capacités de son professeur.

Ce que contient le modèle

Un modèle dense sollicite tous ses paramètres pour chaque mot traité, contrairement aux modèles dits à mélange d’experts, comme Kimi K3, qui n’en activent qu’une partie. Cela rend son fonctionnement plus simple à prévoir, mais plus gourmand à taille égale. La fenêtre de contexte de 512 000 jetons correspond à plusieurs centaines de milliers de mots : de quoi analyser un projet de code volumineux en une seule fois.

La licence Apache 2.0 est l’une des plus permissives : elle autorise l’utilisation, la modification et la redistribution du modèle, y compris dans des produits commerciaux, à condition de conserver les mentions de licence. C’est un atout pour les entreprises qui veulent héberger un modèle sur leurs propres serveurs. Elle se distingue des licences maison adoptées par certains éditeurs de modèles ouverts, qui imposent parfois des restrictions d’usage ou des conditions au-delà d’un certain nombre d’utilisateurs.

Que valent ses performances ?

Nanbeige compare son modèle à trois concurrents de taille proche : Qwen3.8-27B d’Alibaba, Gemma4-31B de Google et Muse-Glimmer-30B. Sur les tests consacrés aux agents de programmation, qui mesurent la capacité à mener seul des tâches dans un terminal ou sur un projet logiciel, les résultats sont nets.

Le modèle n’écrase donc pas toute la concurrence : Qwen reste devant sur SWE-Bench Pro et GDPval, Gemma sur GPQA Diamond, un test de questions scientifiques de niveau doctorat. Surtout, ces chiffres ont été mesurés par Nanbeige lui-même, avec ses propres réglages. Plusieurs analyses rappellent aussi qu’une fenêtre de 512 000 jetons indique une capacité maximale, pas la garantie que le modèle retrouve aussi bien une information placée au début qu’à la fin d’un très long document.

Peut-on le faire tourner sur son ordinateur ?

C’est l’un des intérêts des modèles de cette taille, mais il faut une machine sérieuse. En précision d’origine, dite BF16, chaque paramètre occupe deux octets : les poids pèsent donc environ 66 Go, sans compter la mémoire nécessaire au traitement du contexte. Les exemples de lancement fournis par Nanbeige répartissent d’ailleurs le modèle sur quatre cartes graphiques.

Une version compressée, ou quantifiée, réduit fortement ces besoins. À raison de 4 bits par paramètre, les poids tomberaient à environ 17 Go, ce qui devient envisageable sur une carte graphique de 24 Go ou un Mac doté d’au moins 32 Go de mémoire unifiée, au prix d’une légère perte de qualité et d’une fenêtre de contexte utilisable bien plus courte. Au moment de la publication, aucune version compressée officielle n’était proposée, et, selon la presse spécialisée, aucun service d’inférence de Hugging Face n’hébergeait le modèle.

Quelques conseils pour ceux qui veulent l’essayer :

• attendre les versions compressées publiées par la communauté, en vérifiant leur provenance ;
• tester sur ses propres tâches plutôt que de se fier aux classements, car les performances varient selon les langages et les projets ;
• isoler l’agent dans un environnement de test : un modèle capable d’agir dans un terminal peut exécuter des commandes, avec les risques que cela comporte ;
• vérifier la qualité en français si l’on compte l’utiliser pour des échanges ou de la documentation dans cette langue.

Une compétition féroce sur les modèles moyens

La sortie de Nanbeige4.3-33B confirme la vitalité des laboratoires chinois dans les modèles ouverts, quelques jours après l’annonce de Kimi K3.1 Pro par Moonshot AI, dans une tout autre catégorie de taille. Sur le segment des 30 milliards de paramètres, Alibaba, Google, Meta et désormais Nanbeige se disputent les développeurs, avec des modèles assez petits pour être hébergés par une entreprise moyenne.

Pour les entreprises européennes, ces modèles offrent une alternative intéressante aux services en ligne : héberger un assistant de code sur ses propres serveurs permet de garder la maîtrise de son code source et de ses données. Reste à vérifier, au cas par cas, la qualité réelle des modèles sur ses propres usages et la conformité de leur déploiement aux règles internes de sécurité. Les articles de la page modèles ouverts d’Actu.ai suivent cette compétition.