Mit der Weiterentwicklung großer Sprachmodelle hin zu intelligenten Agenten werden Funktionen wie Werkzeugaufruf, Aufgabenplanung und mehrstufige Ausführung unerlässlich. Diese Funktionen erfordern jedoch typischerweise einen größeren Parameterumfang, was zu erhöhtem Speicherverbrauch und höheren Bereitstellungskosten führt und den lokalen Betrieb leistungsstarker intelligenter Agenten erschwert.

Boss Zhipins Nanbeige Labs' Nanbeige 4.2-3B ist ein Versuch, diese Einschränkung zu durchbrechen.Dieses Modell basiert auf Nanbeige4.2-3B-Base und verwendet eine Looped-Transformer-Architektur. Durch die Wiederverwendung von Transformer-Layern wird die Modellkapazität erhöht, wodurch die Leistung verbessert wird, ohne die Anzahl der Parameter zu erhöhen.Das Modell enthält nur 3 Milliarden nicht eingebettete Parameter (von insgesamt etwa 4 Milliarden Parametern), übertrifft aber dennoch größere Konkurrenten in Benchmark-Tests mit mehreren Agenten, darunter Qwen3.5-9B und Gemma4-12B.

Konkret erzielte Nanbeige4.2-3B im SWE-Bench Verified-Test für codebasierte intelligente Agenten 63,6 Punkte und im GPQA-Diamond-Benchmark für wissenschaftliches Denken 87,4 Punkte. Neben den Agentenfähigkeiten ist das Modell speziell für Denkprozesse optimiert: Es unterstützt den Denkmodus und ist somit wettbewerbsfähig in mathematischen, codebasierten und wissenschaftlichen Denkaufgaben. Das Kontextfenster unterstützt bis zu 262.000 Token und eignet sich daher für lange Dokumente, mehrstufige Dialoge und komplexe Arbeitsabläufe.

„Nanbeige 4.2-3B: Kompaktes intelligentes Agentenmodell“ ist jetzt auf HyperAI (hyper.ai) verfügbar und unterstützt Entwickler bei der kostengünstigen Erforschung nativer intelligenter Agentenanwendungen. Interessierte können es mit einem Klick entdecken! ⬇️

Online ausführen:https://go.hyper.ai/HAMqL

Weitere Online-Tutorials:

https://hyper.ai/notebooks

Demolauf

1. Nachdem Sie die Hyper.ai-Homepage aufgerufen haben, wählen Sie die Seite „Tutorials“ aus oder klicken Sie auf „Weitere Tutorials anzeigen“, wählen Sie „Nanbeige4.2-3B: Kompaktes Agentenmodell“ aus und klicken Sie auf „Dieses Tutorial ausführen“.

2. Nachdem die Seite weitergeleitet wurde, klicken Sie oben rechts auf „Klonen“, um das Tutorial in Ihren eigenen Container zu klonen.

Hinweis: Sie können die Sprache oben rechts auf der Seite ändern. Derzeit sind Chinesisch und Englisch verfügbar. Dieses Tutorial zeigt die Schritte auf Englisch.

3. Wählen Sie die Images „NVIDIA RTX 5090“ und „PyTorch“ aus und klicken Sie auf „Auftragsausführung fortsetzen“.

4. Warten Sie, bis die Ressourcen zugewiesen wurden. Sobald sich der Status auf „Wird ausgeführt“ ändert, klicken Sie auf „Arbeitsbereich öffnen“, um den Jupyter-Arbeitsbereich zu betreten.

Effektanzeige

1. Nachdem die Seite weitergeleitet wurde, klicken Sie auf die README-Datei auf der linken Seite und anschließend oben auf Ausführen.

2. Sobald der Vorgang abgeschlossen ist, folgen Sie den Anweisungen in der README-Datei, um den Code im Terminal einzugeben und Open WebUI zu starten. Klicken Sie anschließend auf die API-Adresse rechts, um zur Demoseite zu gelangen.