UserRepGen-4B مقابل Intern-Decision-4B: فريقان أجرا ضبطًا دقيقًا لنفس قاعدة 4B ولم يتفقا على أي شيء

إصداران هادئان، يفصلهما خمسة أسابيع، متفرعان من نفس نقطة التحقق. microsoft/UserRepGen-4B ظهر على Hugging Face في 14 أكتوبر 2026 كمستودع bfloat16 بحجم 9.1 جيجابايت دون إعلان؛ internlm/Intern-Decision-4B ظهر في 26 سبتمبر 2026 عند 05:36:37 UTC داخل نافذة مدتها أربعون ثانية أنتجت أيضًا 0.8B و2B، دون إعلان أيضًا. كلاهما نسختان مضبوطتان بدقة LoRA لـQwen3.5-4B، كلاهما نصي فقط على الرغم من احتوائهما على برج رؤية لا يستخدمانه أبدًا، وكلاهما يعيدان بنية جامدة بدلاً من إجابة — ولا يمكن أن يختلفا أكثر حول الغرض من النموذج. Intern-Decision-4B لا يكتب أي رمز. UserRepGen-4B لا يكتب شيئًا سوى الرموز. كل شيء آخر في هذه المقارنة يتبع من ذلك الانقسام.

أحدهما هدّاف، والآخر كاتب.

بطاقة InternLM صريحة بشكل غير معتاد بشأن آلياتها الخاصة: "تؤدي واجهة API هذه تقييمًا مُهيكَلًا للمرشّحين. وهي لا تستدعي generate() ولا تأخذ عينات من نص حر." أنت تسلّمها حالةً، ومخططًا لأسئلة مُسمّاة، ومجموعةً من الإجابات المرشّحة. وهي تُسند الخيارات إلى رموز من توكن واحد، وتُجري تمريرة أمامية سببية واحدة، وتقرأ قيم logits في الموضع الذي يسبق كل عنصر نائب مباشرةً، وتُطبّق درجة حرارة مُلاءمة مقدارها 1.99241824، وتُعيد احتمالًا مُعايرًا لكل خيار. تمريرة واحدة. بلا أخذ عينات، ولا حلقة فك ترميز، ولا نص.

UserRepGen-4B يعكس ذلك. أنت تسلّمه محادثة مكتملة. فيُنتج ما يصل إلى 1,024 رمزًا من النثر عبر حقلَي JSON — وصف للمهمة ووصف لـ user_behavior — كما أن البطاقة صريحة بالقدر نفسه في الاتجاه المعاكس: فالنموذج "يولّد تمثيلات، لا أدوار مستخدم محاكاة"، وهو لا ينفّذ مهمة المستخدم، وليس هو المحاكي.

ضع الاثنين جنبًا إلى جنب وستظهر النتائج الهندسية على الفور.

• قيمة المخرجات — Intern-Decision-4B يُرجع رقمًا يمكنك تعيين عتبة له، وحساب متوسطه، وتدقيقه. UserRepGen-4B يُرجع فقرة لا يمكن تقييم جودتها إلا بواسطة قاضٍ LLM، وهذا بالضبط كيف قيّمتها Microsoft.

• التكلفة لكل استدعاء — تمريرة أمامية واحدة عبر موجّه ثابت مقابل ما يصل إلى 1,024 رمزًا مُولَّدًا. هذا هو الفرق بين نحو 44 مللي ثانية وعملية فك ترميز كاملة، وهو السبب في أن نموذج القرار يمكنه أن يبقى داخل حلقة لا يستطيع نموذج التمثيل أن يبقى فيها.

• أين يكمن المعنى — قررت InternLM أن الإجابة ينبغي أن تكون قابلة للتعداد بالفعل في المطالبة، لذا لا يتعين على النموذج سوى الترتيب. وقررت Microsoft أن الإجابة كامنة في محادثة، لذا على النموذج أن يكتبها. الترتيب محدود وقابل للتحقق. أما الكتابة فهي مفتوحة النهاية وتحتاج إلى حَكَم.

سقوف المدخلات، وما تخبرك به عن الرهانات

تنشر كلتا البطاقتين حدًا صارمًا، ومقارنتهما هي أسرع طريقة لرؤية كيف حدّد الفريقان نطاق النموذج الأساسي نفسه بشكل مختلف.

يرفض Intern-Decision-4B العمل الذي يتجاوز 8,192 رمزًا. هذا رفض، لا اقتطاع — خيار تصميمي يقول إن النموذج مخصص للقرارات المدمجة بما يكفي لذكرها بالكامل في مطالبة.

يُدرَّب UserRepGen-4B على تسلسل من 9,216 رمزًا: ما يصل إلى 8,192 رمزًا من رموز المطالبة تغطي المحادثة، إضافة إلى 1,024 رمز إكمال للتمثيل. وتضيف البطاقة أن استخدام السياق الموسّع بما يتجاوز هذا الطول "غير مدعوم في هذا الإصدار"، وأن أداء السياق الطويل لم يُخضَع لأي قياس معياري منفصل قط. لذا يظهر السقف نفسه البالغ 8,192 رمزًا على كلا الجانبين، وقد جرى التوصل إليه بشكل مستقل، من فريقين لم يكن لديهما، على الأرجح، أي اطلاع على عمل الآخر.

هذا التقارب هو النتيجة المفيدة. إنّ نموذجًا مضبوطًا بدقة بحجم 4B على هذه القاعدة، في منتصف عام 2026، هو مكوّن بحجم يناسب موجّهًا واحدًا جيد الصياغة — وليس محرّكًا للسياق الطويل. كلا الإصدارين صادقان بشأن ذلك. ولا يخفيه أيٌّ منهما خلف نافذة أكبر يُعلن عنها.

نشر كلاهما قصة معايرة، وهما ليستا القصة نفسها.

هنا يصبح التوريد دقيقًا، لأن التقييمين غير قابلين للمقارنة ولم يُعِد إنتاجهما أحد خارج مختبره الخاص.

ينشر Intern-Decision-4B معيارًا من سبع مجموعات اختبار يحقق فيه 90.02 في المتوسط — وهو أفضل صف في جدوله الخاص، متقدمًا على Intern-Decision-2B عند 84.68 وIntern-Decision-0.8B عند 79.38، وكلها مقاسة باستخدام أدوات التقييم الخاصة بـ InternLM. كما ينشر المعايرة: درجة براير 0.347 وخطأ المعايرة المتوقع 0.065. وتُظهر تجربة تجريبية منفصلة من 96 حالة، تستخدم توزيعات مرجعية دقيقة، انتقالًا من 0.628 درجة براير و0.213 ECE إلى 0.550 و0.089 بعد تطبيق درجة الحرارة المُلائمة الخاصة بها. كل واحد من تلك الأرقام هو رقم البائع نفسه، ولم يتحقق منها أحد من خارج InternLM.

ينشر UserRepGen-4B جدول أمانة على مقياس تحكيم من 1 إلى 10 — 4.95 لأفضل نتيجة من محاولة واحدة و6.02 لأفضل نتيجة من ثلاث محاولات، مقابل 3.90 و4.90 لـ GPT-5.5 المستخدم جاهزًا، و3.41 و4.42 للقاعدة غير المضبوطة. كل رقم من تلك الأرقام هو رقم خاص بمايكروسوفت نفسها، أُنتج باستخدام GPT-5.4 mini بوصفه محاكيًا ومساعدًا وحكمًا في الوقت نفسه، ولم يتحقق منها أحد خارج مايكروسوفت.

عدم التماثل المهم ليس هو الدرجات — فهي تقيس أشياء مختلفة على مقاييس مختلفة. بل هو أن Intern-Decision-4B ينشر قاعدة تسجيل سليمة مقابل توزيعات مرجعية معروفة، وهي قابلة للتكذيب بحكم بنائها، بينما UserRepGen-4B ينشر درجة حكم LLM، وهي قابلة للتكذيب فقط بتشغيل مُقيِّم مختلف. بنت InternLM نموذجًا يمكن تدقيقه بالحساب. وبنت Microsoft نموذجًا لا بد من تدقيقه بنموذج آخر. وبما أن كليهما يزعم أنه تفوّق على خطوط الأساس، فإن هذا الفرق في قابلية التدقيق جزء حقيقي مما تختار بينه.

اكتشاف الخصوصية الذي يطبعه واحد منهم فقط

لا تحتوي بطاقة Intern-Decision-4B على قسم خصوصية ذي أهمية. بينما تحتوي بطاقة UserRepGen-4B على رقم ينبغي أن يستوقف أي فريق: أكثر من 147 مستخدمًا، محدد يُطلب منه اختيار أي من أربع محادثات جاءت من نفس الشخص يحقق 51.02% باستخدام أوصاف سلوك النموذج، مقابل 44.22% باستخدام المحادثات الخام الكاملة و25% عشوائيًا. التمثيل المضغوط يحدد الشخص بشكل أفضل من المادة التي اشتُق منها.

تصنّف مايكروسوفت ذلك باعتباره خطر قابلية الربط، وتقول صراحةً إن التمثيلات ليست بيانات مجهولة الهوية. فهذه هي المعالجة الصحيحة، وهي تحذير ينطبق على فئة النماذج بأكملها — بما في ذلك نموذج القرار، الذي تكون مدخلاته نفسها محادثات عن أوضاع الناس. والفرق الوحيد هو أن إحدى البطاقتين تنص على ذلك والأخرى لا تنص عليه، وهذا ليس مماثلًا لكون أحد النموذجين آمنًا.

لا يُعد أيٌّ منهما واجهة برمجة تطبيقات، لكن الأساس الذي يشتركان فيه هو

كلاهما عبارة عن تنزيلات، وليس نقاط نهاية. يُشحن Intern-Decision-4B على هيئة صنف Python باسم DecisionEngine يُحمَّل مرة واحدة ويُعاد استخدامه، وSpace التجريبي الخاص به يعيد 401، ورابط GitHub الخاص به يعطي 404؛ ويُشحن UserRepGen-4B كملف safetensors واحد غير مكمَّم وملف example.py. لا يحمل OrcaRouter أياً منهما. إذا كنت تقول إن أياً منهما متاح عبر API مستضافة اليوم، فأنت تصف خطة وليس حقيقة.

ما يمكن استدعاؤه فعليًا هو نقطة التحقق التي تفرّع منها كلاهما. عائلة Qwen3.5-4B موجودة في كتالوجنا — Qwen3.5-Flashبسياق يتجاوز المليون توكن مقابل 0.10 دولار لكل مليون توكن إدخال و0.40 دولار لكل مليون توكن إخراج، Qwen3.5-35B-A3Bمقابل 0.057 دولار و0.459 دولار، Qwen3.5-27Bمقابل 0.086 دولار و0.688 دولار — كلها على المفتاح نفسه، وكلها بسعر القائمة لدى المزوّد دون أي إضافة. هذا مفيد للجزء من خط المعالجة الذي لا يمثله هذان النموذجان: جانب المساعد في محاكاة، أو خطوة الاستدلال حول استدعاء قرار، يمكن تشغيله عبر نقطة نهاية واحدة بينما تقيّم الضبط الدقيق محليًا.

كيفية الاختيار

إذا كانت مشكلتك سؤالًا محدودًا بإجابات قابلة للعدّ وتحتاج إلى رقم معايَر عشرة آلاف مرة في الثانية، فإن Intern-Decision-4B هو النموذج الوحيد هنا الذي يفعل ذلك، وكونه لا يأخذ عينات أبدًا هو الميزة لا القيد. وإذا كانت مشكلتك أنك تريد محاكيًا يتصرف مثل مستخدم حقيقي، فإن UserRepGen-4B هو النموذج الوحيد هنا المدرَّب على ذلك، وحجم مكسبه المُبلَّغ عنه على GPT-5.5 هو سبب الاهتمام. لا ينبغي لأحد أن يختار أيًا منهما بناءً على أرقام الآخر، لأنهما لم يقيسا الشيء نفسه قط. وما قد يحسم المقارنة هو قطعة واحدة من التدقيق الخارجي على أي من البطاقتين — وبالنسبة لإصدارين طُرحا في صمت تام، بفارق أسابيع، لم يتلقَّ أيٌّ منهما أيَّ تدقيق.

كما يشكّل إصداران هادئان أيضًا تذكيرًا بمقدار ما يُشحن من هذه الفئة من النماذج دون توثيق، وتُجمع الإخفاقات التي تليها في أرشيف OrcaRouter لحوادث الذكاء الاصطناعي، حيث يحمل كل مدخل مصادره الخاصة، ودرجة خطورته، ودرجة الثقة به، وعلامة كونه محل نزاع.