
Karpo Decision 31B encabeza una clasificación de 307 modelos sin un post de lanzamiento a su nombre
- OrcaNUEVOOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 por 1M de tokens · 184 tok/s
- tencentNUEVOTencent: Hy4 Flash2026-11-16$0.02 / $0.07 por 1M de tokens · 223 tok/s
- GoogleNUEVOGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 por 1M de tokens · 87 tok/s
- AnthropicNUEVOAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 por 1M de tokens · 96 tok/s
- orcaNUEVOOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 por 1M de tokens · 90 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 por 1M de tokens · 131 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 por 1M de tokens · 77 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 por 1M de tokens · 94 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 por 1M de tokens · 114 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 por 1M de tokens · 69 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 94 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Inteligencia
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 por 1M de tokens · 209 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Inteligencia
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 por 1M de tokens · 111 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Inteligencia
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 por 1M de tokens · 311 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Inteligencia
El 12 de noviembre de 2026, el Decision Index —la clasificación comunitaria que hace seguimiento de las reproducciones abiertas de Jev de TypeSafe— colocó a Karpo Decision 31B en lo más alto de su puntuación Full, 73.9, la más alta de 307 entradas. Esa misma semana empezó a circular la afirmación de que este modelo, un ajuste fino del Gemma 4 31B abierto de Google, supera al propio Gemini Decision 1. Solo una de esas dos afirmaciones es algo que un lector puede comprobar hoy, y la diferencia entre ambas lo es todo. Que la tabla sitúe a Karpo en primer lugar es público, está fechado y es reproducible a partir de un archivo de resultados de 45 MB que el laboratorio publicó. La comparación directa con Gemini Decision 1 nunca se ha realizado: los dos modelos no comparten una sola clasificación, y los instrumentos con los que se les puntuó no son el mismo instrumento.
Lo extraño de la primera mitad no es la puntuación. Es el silencio que la rodea. MachinePulse Pte. Ltd., la empresa singapurense detrás de Karpo, creó el repositorio de Hugging Face el 5 de noviembre de 2026, publicó ese mismo día un repositorio de inferencia en GitHub y lanzó cinco hermanos menores —12B, 9B, 4B, 2B y 0.8B— el 12 de noviembre. A la fecha de este escrito no hay página de producto, ni entrada de blog, ni precios, ni anuncio de modelo, ni API. El sitio web de la propia empresa devuelve un 404 en todas las rutas que albergarían alguno. Karpo existe como pesos, un README, un paquete de Python y una fila en una tabla de clasificación. Este artículo trata sobre lo que esas cuatro cosas pueden y no pueden decirte.

Las fechas, y por qué importan más de lo habitual
La marca de creación del repositorio es el 5 de noviembre de 2026 a las 15:33 UTC. El código de inferencia de GitHub se creó veintidós minutos después. El conjunto de datos de la ejecución del Decision Index —lo que hace auditable el 73.9— se subió el 6 de noviembre a las 05:18 UTC. El README todavía se estaba editando el 16 de noviembre; los dos últimos commits no cambiaron nada más que una línea de derechos de autor y una declaración de licencia.
Es un modelo de dos semanas de antigüedad con un repositorio activo y sin lanzamiento. No es una filtración, y no es un cambio de nombre de algo más antiguo: los pesos son nuevos, el archivo de licencia es nuevo, y la familia de seis modelos se publicó en una sola tarde. Lo que es, es un laboratorio que decidió publicar el artefacto antes que el marketing.
Qué mide exactamente el 73.9

El Decision Index tal como está es la edición 0.4.1. Su puntuación Full la calculan los mantenedores del board con pruebas privadas: aproximadamente el 60 % de las tareas provienen de las mismas habilidades que el conjunto público y el 40 % de dominios que el conjunto público no cubre. La fila de Karpo indica 73,9 Full, con 70,7 en la porción de las mismas habilidades y 78,6 en la porción de nuevos dominios. Esos dos últimos números aparecen en un orden poco habitual —normalmente, un modelo rinde peor en territorio desconocido que en las habilidades con las que fue ajustado—, y la ficha lo señala sin comentario.
El tablero asigna un único puesto a los modelos que están a 0,9 puntos o menos del líder, por lo que Karpo no ocupa el primer lugar en solitario. GLiDE 27B, con 73,4, comparte el puesto n.º 1. Detrás de ellos se sitúan REAX 1.3 con 72,6, Logits Sigma-1 Duo con 72,3, Copernicus-31B con 72,1 y KnowLine 31B Gen1.5 con 71,9. La cúpula está muy concurrida; no hay un líder que se escape.
El segundo número de la ficha, 75,05, tiene una procedencia distinta y merece leerse de otra manera. Ese es el índice público, y proviene de la propia ejecución de MachinePulse del kit oficial de puntuación: 140.178 solicitudes puntuadas, nueve de ellas rechazadas porque una sola pregunta más su estado superaba la ventana de 32.768 tokens. La junta adoptó esa ejecución. La razón para confiar en ella más que en una cifra típica de proveedor es que el directorio de la ejecución es público: results.jsonl.gz, un archivo de puntuaciones por solicitud, un manifiesto de entorno. Cualquiera puede volver a ejecutar el kit y comparar. La adopción por parte de la junta es el paso de revisión. Ese es un estándar más exigente de lo que cumplen la mayoría de las afirmaciones de lanzamiento, y aun así no es lo mismo que un laboratorio independiente puntuando el modelo en su propio hardware.
Dos etiquetas, entonces, y no deberían colapsarse: la Full score se calcula por terceros a partir de pruebas privadas; el índice público se calcula por la propia parte a partir de una suite pública y se adopta. Ninguna de las dos es un benchmark de proveedor en el sentido habitual. Ninguna de las dos es Artificial Analysis.
Por qué «supera a Gemini Decision 1» aún no es una afirmación basada en mediciones
Gemini Decision 1 tiene una cifra. Artificial Analysis le otorgó 65,98 en Decision Index v2.1, un compuesto de seis evaluaciones ponderadas entre decisiones documentales, llamadas a herramientas, conocimiento, razonamiento e invariancia. En esa tabla, ocupa el undécimo lugar entre los modelos de decisión que clasifica AA, por debajo de d1.2-ultra con 74,85, Drex Max v1.1 con 72,62 y SubQ Snap 1.2 con 72,58, y por encima de Microsoft-Decision-1 con 62,07. La puntuación es de AA, sobre el hardware de AA, y ejecutarlo cuesta 345 dólares por millón de tareas.
Karpo no aparece en absoluto en ese tablero. Artificial Analysis no tiene ninguna página para él ni ninguna fila para él. Gemini Decision 1 tampoco aparece en el rastreador Decision Index que incluye a Karpo — ese tablero es un registro de reproducciones abiertas, y el modelo de Google es un producto cerrado, solo disponible mediante API, sin pesos que reproducir.
Así que la comparación que todo el mundo está haciendo es una inferencia a partir de dos cifras producidas por dos organizaciones en dos suites con mezclas de tareas distintas, proporciones distintas de pruebas privadas y fórmulas de puntuación distintas. 73,9 no es mayor que 65,98 en ningún sentido que resista el contacto con la metodología. Si mañana se ejecutaran ambas con el mismo kit, bien podría ganar Karpo —su perfil por categorías es sólido—, pero nadie lo ha ejecutado, y el titular es actualmente una hipótesis vestida con la ropa de un resultado.
Hay un detalle adicional que conviene conocer, porque va en contra de la afirmación y no a favor de ella. En los cinco desgloses por categoría del tracker, el área más débil de Karpo es conocimiento y razonamiento, con 65,5 de habilidad corregida por azar. Su punto más fuerte es herramientas y automatización, con 88,4. En el tablero de AA, el único componente en el que Gemini Decision 1 supera a casi todo es el de conocimiento: 66,3 en AA-Omniscience, la puntuación más alta de los cuatro modelos evaluados aquí. El área en la que el modelo de Google es mejor es el área en la que el ajuste fino de Gemma es comparativamente más débil. Una comparación directa sería allí una verdadera contienda, no una victoria fácil, y precisamente por eso la comparación no realizada no debería presentarse como una victoria.
La parte de la tarjeta que es más interesante que el ranking

Karpo no es un modelo de chat con un modo JSON. Es una lectura directa. Cada opción de una pregunta recibe un código de opción, y una cabeza lineal puntúa 255 códigos en una ranura fija y luego aplica softmax sobre las opciones que la pregunta realmente ofrecía. No se genera nada, por lo que la respuesta siempre es una de las opciones que proporcionaste y el costo de salida es estructuralmente cero.
La arquitectura merece un párrafo porque explica la latencia. Una solicitud consta de un estado más cualquier número de preguntas, codificada como una única secuencia: primero las preguntas, luego el estado y después una rama por pregunta. La atención entre ramas permite que una rama lea el bloque compartido y a sí misma, nunca otra rama. El estado se calcula una sola vez. Por lo tanto, cien preguntas sobre una misma factura cuestan aproximadamente una pasada sobre la factura, no cien.
• Parámetros: 31,3B en bf16, más un readout de 255 × 5.376 en fp32; aproximadamente 62,5 GB en disco.
• Contexto — {{1}}32,768 tokens{{/1}} por secuencia; una solicitud más larga se divide por pregunta, y cada parte conserva el estado completo, y una pregunta que aun así no quepa se rechaza en lugar de truncarse.
• Entrada — texto, JSON e imágenes; se puede pasar una captura de pantalla como state.viewport_screenshot o como una URL de datos.
• Tipos de pregunta — opción múltiple con hasta 255 opciones, noul para verdadero/falso, puntuación para un nivel ordenado.
• Interfaz — una API de Python y un servidor HTTP con la forma de System One, POST /v1/systemone.
• Licencia — Apache-2.0 para los pesos y el código, con la propia licencia de Gemma 4 incluida junto en el repositorio.
La latencia medida en el hardware de referencia del tracker, con una GPU y una solicitud a la vez, es de 94 ms de mediana. Eso no es lo bastante rápido para pasar desapercibido dentro de un bucle de agente por paso que hace veinte llamadas pequeñas por turno, y sí es lo bastante rápido para quedar detrás de una puerta de invocación de herramientas que se dispara un puñado de veces por conversación. La ficha también reporta un error de calibración de 4,8 puntos, que es el número del que realmente depende un despliegue: la exactitud te dice con qué frecuencia la respuesta principal es correcta; la calibración te dice si se le puede aplicar un umbral a la probabilidad asociada.
Lo que no está confirmado, dicho sin rodeos
No hay precio. No es «sin revelar a la espera del lanzamiento»: no hay tarifario, ni endpoint alojado, ni consola, ni prueba. Si quieres Karpo Decision 31B hoy, descargas 62,5 GB y lo ejecutas en tu propia GPU con el cargador del propio repositorio. Cargar el checkpoint como un modelo de chat ordinario no reproducirá sus respuestas; tanto la atención por ramas como la capa de lectura son necesarias.
No existe una puntuación independiente. El Decision Index es no oficial y está mantenido por la comunidad. Es cuidadoso, está bien documentado y es inusualmente transparente sobre su método, y no es Artificial Analysis, y no se le ha pedido que puntúe este modelo en su propio hardware. El elemento de terceros más sólido es que sus mantenedores calcularon la puntuación Full en pruebas que el proveedor nunca vio.
No existe ninguna declaración del proveedor sobre para qué se construyó el modelo más allá de la descripción del propio README: las pequeñas decisiones que un agente toma en cada paso —si llamar a una herramienta o preguntar primero, qué elemento de una página pulsar, si una devolución cumple los requisitos según una política. Esa descripción es el encuadre del laboratorio, no un alcance validado de forma independiente.
Y no hay ningún anuncio. Ni uno discreto, ni una entrada en el registro de cambios. Dos semanas después de que los pesos se publicaran, la cara pública de la empresa es una página de empleo y una línea de productos diferente.
¿En qué situación deja esto a un equipo que quiere probarlo?
El resumen honesto es que Karpo Decision 31B es el modelo de decisión abierto más interesante de las últimas dos semanas y el que menos respaldo tiene. Su liderazgo es real pero está empatado, su índice público es reproducible, su puntuación en pruebas privadas es genuinamente de terceros, y su principal afirmación de marketing —que un ajuste fino de Gemma ya vence a Google en su propio modelo de decisión— no está medida.
Para los equipos que ya operan una capa de decisión, la ruta práctica es un despliegue en sombra en lugar de una migración. Mantenga el modelo que está soportando el tráfico de producción, ejecute Karpo sobre las mismas solicitudes en modo offline y compare las probabilidades en lugar de las etiquetas: un error de calibración de 4,8 puntos significa que aproximadamente una de cada veinte respuestas está equivocada con más confianza de la que sugiere la probabilidad declarada, y su política de umbral es lo que convierte eso en una cola de revisión humana o en un incidente. Si está estandarizando en un único endpoint para el resto del stack, los modelos a los que realmente puede acceder esta semana son los del catálogo — el propio Gemma 4 31B, que es la base de Karpo y se sirve a través de una API para más de 200 modelos al precio de lista del proveedor y sin margen añadido, y Jev 1.14 de TypeSafe, el modelo al que todo este tablero de reproducción abierta fue creado para perseguir. Karpo tendrá que ganarse su lugar como lo hicieron los demás: siendo invocable.
Lo que hay que observar no es el 73.9. Es si MachinePulse publica una página de producto, un precio y una presentación a AA en el próximo mes. Un laboratorio que publica los pesos antes que un sitio web suele tener una razón, y la razón tiende a aparecer como un endpoint alojado o un pivote. En cualquier caso, el primer número independiente en el tablero de AA resolverá en una semana lo que una quincena de aritmética de clasificaciones no ha logrado.
