Una tarjeta de título generada encabezada por «Karpo Decision 31B vs Microsoft-Decision-1» con la frase «Una tiene una puntuación en la tabla de clasificación y ningún precio. La otra tiene una lista de precios de Azure y ninguna puntuación publicada». Debajo, dos tarjetas: «Karpo Decision 31B», que enumera «73.86 Puntuación total», «ningún precio publicado» y «pesos Apache-2.0»; y «Microsoft-Decision-1», que enumera «62.07 en Artificial Analysis», «solo API de Azure» y «ninguna tabla de benchmarks».
Guides & Insights

Karpo Decision 31B vs Microsoft-Decision-1: uno tiene un precio, el otro tiene una puntuación

Autor

Gideon Frost

Fecha de publicación

Últimos modelos · 20Ver todos los modelos →
Benchmarks: Artificial Analysis · actualizado a diario
Volver a todas las publicaciones

Ponga Karpo Decision 31B junto a Microsoft-Decision-1 y lo primero que nota es que ninguna de las dos empresas le ha dado lo que necesita para elegir entre ellas. Karpo Decision 31B, el ajuste fino de Gemma 4 de 31,3 mil millones de parámetros que MachinePulse subió a Hugging Face el 5 de noviembre de 2026 sin una publicación de lanzamiento, tiene una cifra en la tabla de clasificación y ningún precio. Microsoft-Decision-1, en Microsoft Foundry desde el 8 de octubre de 2026, tiene un precio, un contrato de Azure, un paquete de IA responsable y ninguna tabla de evaluación comparativa publicada. Uno es medible e invendible. El otro es vendible y, por decisión de su propio proveedor, no medido.

Esa inversión es toda la comparación, y vale la pena resistir la tentación de resolverla con aritmética. El 73.86 que porta Karpo y el 62.07 que Artificial Analysis asigna a Microsoft-Decision-1 no son dos lecturas de una misma cosa. Provienen de tableros distintos, mezclas de tareas distintas, fórmulas de puntuación distintas e ideas distintas sobre para qué sirve un modelo de decisión. La pregunta útil no es qué número es mayor. Es cuál de las dos brechas —el precio faltante o la puntuación faltante— puede absorber realmente tu despliegue.

Qué está vendiendo Microsoft, exactamente

Microsoft-Decision-1 es un Qwen3.5-9B entrenado posteriormente que responde con una distribución sobre opciones en lugar de texto libre. El contrato es limitado: sí/no, opción múltiple, una escala de valoración, un conjunto de clasificación o una rúbrica, sobre hasta 32,768 tokens de texto. Sin imágenes, sin audio, sin campo de explicación, sin tokens generados. Microsoft afirma explícitamente que no está diseñado para preguntas abiertas, traducción o resumen, y recomienda no usarlo como única base para decisiones sobre crédito, empleo, vivienda, seguros, educación o atención médica.

Lo que sí aporta es la parte que un checkpoint abierto no puede: un despliegue de Foundry dentro de la cartera Direct from Azure, sin servidor o con endpoint unificado, SKU estándar, autenticación de Azure, una sola factura, inferencia por lotes deliberadamente desactivada y ninguna vía de descarga de pesos ni de ajuste fino. Para un banco o un grupo hospitalario, ese último conjunto de hechos suele valer más que veinte puntos en una tabla de clasificación, porque es la diferencia entre un modelo que un equipo de plataforma puede aprobar y un modelo alrededor del cual un equipo de plataforma tiene que construir una pila de servicio.

El precio es real, pero incómodo de citar. La página del modelo no muestra una tarifa por token; remite a la sección de precios de Azure. Lo que Artificial Analysis registra para él es 143 USD por millón de tareas a la tarifa de entrada, frente a 345 USD por millón de tareas para Gemini Decision 1 de Google. Karpo no tiene una cifra comparable porque Karpo no tiene ninguna lista de tarifas de ningún tipo: ni host, ni consola, ni prueba, ni coste publicado por GPU.

Lo que la junta midió, y lo que no midió

A generated two-panel diagram titled 'Two numbers, two instruments'. The left panel is headed 'Karpo Decision 31B — Decision Index 0.4.1' and lists 'Full score 73.86 — private tests, board-computed', 'Same-skills 70.94', 'New-domains 61.5' and 'Public index 75.05 — vendor run, all 140,178 requests, 11 refused'. The right panel is headed 'Microsoft-Decision-1 — Artificial Analysis Decision Index v2.1' and lists 'Composite 62.07', 'When2Call 88.0', 'AA-Paperclip 51.8 — 20.9% document pass' and 'HLE-MultiChoice 39.4 — 8.6% raw'. The footer reads 'The two panels are different instruments and are not subtractable.'

El número de Karpo es comunitario. El Decision Index, el tablero abierto que rastrea reproducciones del Jev de TypeSafe, lo sitúa en 73.86 Full en la edición 0.4.1 — primero empatado de 307 filas en el volcado publicado del tablero, empatado con GLiDE 27B en 73.37 porque el tablero agrupa todo lo que esté a menos de 0.9 puntos del líder. Esa puntuación Full es de terceros en el sentido que importa: los mantenedores del tablero ejecutaron pruebas privadas que el proveedor nunca vio, divididas aproximadamente en 60 % de habilidades iguales y 40 % de dominios nuevos. La división de Karpo marca 70.94 en las habilidades familiares y 61.5 en las no familiares, que es la forma habitual de un modelo que se ha ajustado a fondo contra una suite conocida.

El 75,05 de la ficha del modelo es otro caso, y la ficha lo dice con sinceridad: se trata de la ejecución propia de MachinePulse del kit oficial de puntuación, 140.178 solicitudes puntuadas, once de ellas rechazadas por exceder la ventana, adoptada por la junta después de que una repuntuación con el kit arrojara un resultado igual a lo declarado. Público y reproducible, aunque de origen propio. La propia fila de la junta confirma la adopción y señala que la coincidencia de la prueba privada con las filas presentadas fue del 100% en 827 filas.

Microsoft-Decision-1 no tiene nada de esto. Su página de catálogo incluye una pestaña Benchmarks que contiene un párrafo de metodología y ninguna cifra: benchmarks de decisión públicos y comunitarios, conjuntos internos reservados, error de precisión y calibración, orden de opciones variado, pruebas estadísticas pareadas aplicadas. Microsoft afirma que el modelo rinde "a la par de los principales modelos de decisión y por delante de otros modelos de decisión abiertos evaluados con la misma metodología" y luego se niega a mostrar la evaluación. Toda afirmación sobre su rendimiento hoy proviene del proveedor y no ha sido reproducida.

El único instrumento que lo ha puntuado es Artificial Analysis, con Decision Index v2.1, y los componentes son más informativos que el compuesto. Microsoft-Decision-1 obtiene 88,0 en When2Call, cerca de los líderes, y 86,8 en EvalSafe-O*NET. Obtiene 51,8 en AA-Paperclip con una tasa de aprobación de documentos de todo o nada del 20,9 %, 54,9 en AA-Omniscience-Decision con una tasa de no alucinación del 21,7 %, y 39,4 en HLE-MultiChoice con una precisión bruta del 8,6 %. El patrón es el de un competente evaluador de juicio laboral con un comportamiento débil en materia de conocimiento, y la cifra de abstención es la que merece detenimiento: un modelo que se niega a responder al 78 % de las preguntas de conocimiento está protegiendo su calibración a costa de ser útil.

Las formas de la solicitud, lado a lado

A generated two-column comparison titled 'The request shapes, side by side'. The Karpo Decision 31B column reads '31.3B bf16 plus fp32 readout — about 62.5 GB', 'text, JSON and images', '32,768 tokens, split by question, refuses overflow', 'choice up to 255 options, noul, score', '94 ms median per request' and 'Apache-2.0 weights'. The Microsoft-Decision-1 column reads '9B dense, API only, no weights', 'text only', '32,768 tokens, no way to raise it', 'yes/no, multiple choice, rating, classification, rubric', '274 ms per task' and 'no published rate on the model card'. A footer line reads 'Latency figures are not the same measurement: per request for one, per task over a document set for the other.'

• Parámetros — Karpo 31.3B en bf16 más una lectura de 255 × 5,376 en fp32, unos 62.5 GB en disco; Microsoft-Decision-1, una base densa de 9B servida solo como API.

• Entrada — Karpo acepta texto, JSON e imágenes, con una captura de pantalla pasada como state.viewport_screenshot; Microsoft-Decision-1 solo acepta texto, serializado en 32.768 tokens.

• Contexto — 32.768 tokens para ambos, con una diferencia importante en el modo de fallo: Karpo divide una solicitud larga por pregunta y rechaza todo lo que siga sin caber, mientras que el límite de Microsoft es la entrada más el conjunto de opciones, sin forma de aumentarlo.

• Tipos de pregunta: Karpo choice con hasta 255 opciones, noul para verdadero/falso, puntuación para un nivel ordenado; Microsoft sí/no, opción múltiple, valoración, clasificación y rúbrica, con opciones de abstención como «no se puede determinar» admitidas dentro del conjunto.

• Procesamiento por lotes — Karpo codifica un estado y muchas preguntas en una sola secuencia, por lo que cien preguntas sobre una factura cuestan aproximadamente una pasada sobre la factura; el contrato publicado de Microsoft es un estado y su conjunto de preguntas por invocación, y la amplitud proviene de la agrupación.

• Latencia — 94 ms de mediana por solicitud en el hardware de referencia del tracker, una GPU, una solicitud a la vez para Karpo; 274 ms por tarea para Microsoft-Decision-1 en la medición de AA, una cifra por tarea sobre un conjunto de documentos en lugar de una por solicitud.

• Licencia y acceso — pesos Apache-2.0 con los términos de Gemma 4 junto a ellos para Karpo; sin pesos en absoluto para Microsoft-Decision-1, que es solo API bajo los términos de Azure.

• Precio — no hay tarifa publicada para Karpo; $143 por millón de tareas en el seguimiento de AA para Microsoft-Decision-1, con la tarifa de entrada por token en la página de precios de Azure en lugar de en la ficha del modelo.

La calibración es el eje en el que ambos tienen algo que decir.

Para un modelo cuya salida entera es una probabilidad, el número que rige el despliegue no es la exactitud, sino si la probabilidad significa lo que dice. La ficha de Karpo informa de un error de calibración de 4,8 puntos: en 34.411 respuestas puntuadas, su confianza media fue del 87,96 % frente a una exactitud del 83,19 %, y en el intervalo de mayor confianza —el 68,5 % de todas las respuestas— acertó el 95,7 % de las veces mientras declaraba el 98,7 %. Es un modelo al que se le puede aplicar un umbral, con una deriva conocida en el extremo superior.

Microsoft no publica ningún error de calibración esperado, ninguna puntuación de Brier ni ninguna curva de fiabilidad. Lo que implican las puntuaciones por componentes de AA es un modelo cuya confianza se emplea de forma conservadora: las altas tasas de no alucinación en Omniscience y HLE significan que se abstiene en lugar de responder cuando no está seguro, que es el comportamiento que desea un guardrail y no un clasificador. Si su 0,8 significa 0,8 fuera de la propia evaluación de Microsoft es algo desconocido, y la documentación de Microsoft lo dice a su manera al indicar a los integradores que validen con datos representativos y establezcan umbrales a partir del coste de sus errores.

Esa asimetría tiene una consecuencia práctica. Con Karpo heredas una curva de calibración publicada y puedes fijar un umbral inicial antes de ejecutar nada. Con Microsoft-Decision-1 heredas una metodología y una promesa, y tus dos primeras semanas son un proyecto de medición. Ninguna de las dos te descalifica; simplemente son formas distintas de trabajar.

La versión que ningún título menciona

Microsoft-Decision-1 ya no es el modelo actual dentro de su propia familia. Microsoft-Decision-1.1 llegó el 17 de noviembre de 2026 en Ignite sobre una base de mezcla de expertos Gemma 4 26B A4B, al mismo precio y con el mismo techo de 32K, y Artificial Analysis le otorga 67,78 — 5,7 puntos por encima de la versión 1, con 123 ms por tarea en lugar de 274 ms, y con la no alucinación en Omniscience subiendo del 21,7% al 49,4%. También empeoró en aquellas cosas en las que se supone que un modelo de evaluación debería ser estable: 6,29% de precisión bruta en HLE-MultiChoice frente a 8,64%, y 47,5% de las familias de preguntas de AA-Symmetry respondidas de forma consistente frente a 51,7%.

Por lo tanto, cualquiera que compare Karpo con el «modelo de decisión de Microsoft» a finales de noviembre lo está comparando con una versión obsoleta. Eso no invalida la comparación —la versión 1 sigue siendo la referencia contra la que se dimensionaron muchísimas implementaciones de Foundry—, pero sí significa que la cifra a superar del lado de Microsoft es 67,78, y la pregunta de segundo orden es si un modelo que sacrifica exactitud del conocimiento a cambio de disciplina de abstención es, de entrada, la forma adecuada para tu pipeline.

Lo que cada lado no puede darte

Karpo no puede darte un contrato. No hay endpoint, ni tarifario, ni ruta de soporte, ni SLA, ni declaración del proveedor más allá de una ficha del modelo y un README. Si tu organización no puede ejecutar un checkpoint de 62,5 GB en su propio hardware, la comparación termina ahí, independientemente de la puntuación. Cargarlo como un modelo de chat normal tampoco reproducirá sus respuestas: se requieren tanto la atención por ramas como la lectura de 255 códigos, y el paquete de Python y el servidor POST /v1/systemone existen precisamente porque una pila de inferencia genérica no sirve.

Microsoft-Decision-1 no puede darte un número que no hayas aceptado por confianza, no puede ajustarse con tus propios datos de decisión, no puede leer una captura de pantalla y no puede ejecutarse sin conexión. Tampoco puedes evaluarlo con el mismo instrumento que Karpo, porque el Decision Index es un registro de reproducciones abiertas y un modelo de API cerrada no tiene pesos que reproducir. Los dos modelos seguirán sin encontrarse: ninguna tabla incluirá jamás el evaluador de Microsoft, y Artificial Analysis no tiene ninguna fila para Karpo.

Hay una tercera postura que es más útil que cualquiera de las dos columnas. Si lo que realmente necesitas es una capa de decisión junto a un pipeline generativo, el generador es la mitad que ya puedes estandarizar. OrcaRouter no aloja Karpo Decision 31B ni Microsoft-Decision-1, y ninguno de los dos pertenece detrás de una ruta de chat-completions. Lo que sí aloja son los dos modelos en torno a los que gira esta comparación: Gemma 4 31B, la base sobre la que se ajustó Karpo, y Jev 1.14 de TypeSafe, el modelo que el tablero de reproducción abierta existe para perseguir. Ambos están detrás de una única clave compatible con OpenAI junto con más de 200 modelos al precio de lista del proveedor, transferido sin ningún recargo, así que un recorte de precio del proveedor llega a nuestro lado el mismo día, y la conmutación por error automática mantiene vivo un bucle de puntuación cuando un proveedor falla.

¿Cuál elegir?

A generated decision card titled 'Which one to reach for'. The left card is headed 'Microsoft-Decision-1.1' with the subtitle 'when the estate is Azure' and the rows 'approval trail, one invoice', 'text that fits in 32K', 'budget a calibration study first' and '67.78 on Artificial Analysis'. The right card is headed 'Karpo Decision 31B' with the subtitle 'when you own the hardware' and the rows 'screenshots and JSON inputs', 'Apache-2.0 weights', 'published 4.8-point calibration error' and '73.86 Full score, private tests'. A wide strip underneath reads 'Do not choose on 73.86 versus 62.07. Different boards, different suites, no shared grading.'

Elija Microsoft-Decision-1, o, más sensatamente, Microsoft-Decision-1.1, si la capa de decisión tiene que residir dentro de una infraestructura de Azure, si necesita un rastro de aprobaciones más que una posición en la tabla de clasificación, y si sus entradas son texto que cabe en 32K. Presupueste un estudio de calibración, porque Microsoft no le ha proporcionado uno, y fije sus umbrales de abstención a partir del coste de sus errores en lugar de a partir de la descripción que el proveedor hace de ellos.

Elige Karpo Decision 31B si tienes la GPU, si las capturas de pantalla o el estado JSON forman parte del trabajo, si Apache-2.0 importa para un producto que pretendes lanzar y si una puntuación de prueba privada de terceros junto con una curva de calibración publicada es la evidencia que acepta tu equipo. Acepta a cambio que ahora eres el proveedor: sin soporte, sin SLA, sin precio con el que presupuestar y con un modelo de hace dos semanas cuyo repositorio todavía se estaba editando el 16 de noviembre.

No optes por ninguno de los dos basándote en 73.86 frente a 62.07. Esas cifras las produjeron organizaciones que nunca han calificado el mismo examen, en conjuntos de pruebas con proporciones distintas de pruebas privadas y fórmulas de puntuación diferentes, y la lectura honesta es que ambos modelos son verosímiles y ninguno está demostrado como superior al otro. La prueba que lo resolvería —que Karpo aparezca en una tabla independiente que también evalúe el modelo de Microsoft, o que Microsoft publique la tabla de resultados que describe su sección de metodología— no se ha producido. Hasta que ocurra, la decisión depende de la adquisición, el hardware y la modalidad de entrada, que es en lo que debería haberse centrado desde el principio.