热稳定性是纳米抗体可开发性的一个关键因素，直接影响其保存、运输和应用。由于实验方法难以快速实现大规模筛选的需求，一些研究人员尝试了机器学习方法。然而，受限于有限的Tm实验数据，已报道机器学习模型的预测精度还存在比较大的可提升空间，且基于有限数据的单一指标模型也存在泛化能力不确定的风险。因此，本工作结合语言模型和深度学习框架开发了两个具有互补作用的纳米抗体热稳定性预测模型。Tm预测模型NBsTem_Tm的外部测试Pearson达0.770，MAE为2.841℃，显著优于蛋白质Tm预测模型和两个竞争性纳米抗体Tm模型。同时，我们还引入了一个与热稳定性相关的新理论指标Qclass，并开发了第二个预测模型NBsTem_Q，外部测试Accuracy达0.840。结果表明，结合两个模型的预测结果能给出更为可靠的热稳定性评估。此外，两个模型还支持对含缺失残基的序列进行预测。对具有千万级纳米抗体序列的INDI数据库分析表明，两个模型能够为大量具有潜在可开发性的纳米抗体研究提供热稳定性的依据。网络服务器NBsTem可在http://www.nbscal.online/免费访问。我们相信，NBsTem能够作为纳米抗体热稳定性快速评估和大规模筛选的解决方案，并促进纳米抗体的研究和设计。