
Karpo Decision 31B vs Nimble v3: la licencia responde antes de que lo haga la tabla de clasificación
- 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 · 215 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 · 97 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 · 76 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 por 1M de tokens · 109 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 · 68 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
Two decision models shipped in the same autumn with almost no announcement, and they land on opposite sides of the one question that usually decides a purchase. Nimble v3 — filed as Bespoke-Nimble-9B-v3, uploaded to Hugging Face on 30 September 2026 — is a 9B LoRA adapter under CC BY-NC 4.0, which the card glosses as "it may not be used for commercial purposes." Karpo Decision 31B, created on 5 November 2026 by MachinePulse, is a 31.3B Gemma 4 fine-tune under Apache-2.0 with Gemma 4's own terms carried alongside. Everything else in this matchup — a 22-point leaderboard gap, a three-times difference in weight size, a calibration error that differs by a factor of two and a half — is downstream of that fork, and most teams discover it after they have already picked a winner on benchmarks.
Así que toma primero la licencia, porque es la única parte de esta comparación que está a la vez resuelta y es decisiva. Luego mira lo que los números pueden y no pueden decirte, porque en ese lado casi nada está resuelto en absoluto.
Lo que realmente contiene cada repositorio
Nimble v3 consta de cinco archivos: un README, adapter_config.json, adapter_model.safetensors, un schema_config.json y .gitattributes. Es un adaptador PEFT, no un modelo independiente, y espera Qwen/Qwen3.5-9B como base, que el repositorio no duplica. La tarjeta describe un contexto y preguntas tipadas —una elección entre opciones, o sí o no— y devuelve una probabilidad para cada opción. Bespoke Labs no ha publicado ninguna longitud de contexto, ningún límite de opciones, ninguna temperatura ni ninguna nota de cambios para la v3; los checkpoints anteriores de la familia documentaban parte de eso, este no.
Karpo Decision 31B es un checkpoint completo, 62,5 GB de pesos con 31,3B de parámetros en bf16, más una cabeza de lectura de 255 × 5.376 en fp32. Lee texto, JSON e imágenes, admite hasta 255 opciones por pregunta, limita una secuencia a 32.768 tokens, divide las solicitudes más largas por pregunta y rechaza todo lo que aun así no quepa en lugar de truncarlo. Se distribuye como un paquete de Python y un servidor HTTP con la forma de System One, POST /v1/systemone, porque una pila genérica de chat-completions no puede ejecutarlo: tanto la atención por ramas como la lectura son componentes esenciales, y cargar el checkpoint como un modelo de chat ordinario no reproducirá sus respuestas.
La diferencia entre repositorios tiene un componente práctico. El README de Nimble v3 no te dice cómo servirlo correctamente; la ficha de Karpo sí. Uno es un punto de control con un manual del propietario; el otro, un punto de control con una línea de licencia.
La brecha, y los instrumentos en los que tendrías que confiar para creerla
On the Decision Index — the community board tracking open reproductions of TypeSafe's Jev, now in edition 0.4.1 — the two numbers are 73.86 and 51.06 on the Full score. That is a 22.8-point gap. The Full figure is the one worth trusting most, because the maintainers ran it themselves: roughly 60% of it comes from tests over the same skills as the public suite and 40% from domains nobody published for, and neither vendor saw either half beforehand. Karpo's split is 70.94 same-skills against 61.5 new-domains. Nimble v3's is 52.34 against 38.2.
Las cifras públicas de cada ficha son las ejecuciones propias de los proveedores del kit oficial y deben leerse por separado: 75,05 para Karpo en 140.178 solicitudes evaluadas, y 56,88 para Nimble v3 —la cifra que su ficha muestra en la suite 0.2.1 anterior, que la reevaluación del consejo sitúa en 57,19 en la escala actual—. Ambos fueron adoptados por el consejo, lo cual es un paso de revisión real y no es lo mismo que un laboratorio independiente ponga el modelo en su propio hardware. Ninguno de los dos modelos aparece en Artificial Analysis. Nadie fuera de estos dos repositorios ha evaluado ninguno de los dos.
En la práctica, esto significa que los 22,8 puntos son más fiables que la mayoría de las comparaciones de proveedores y menos fiables que una única lectura instrumental de ambos modelos. Los produjo una sola organización con una sola suite y una sola fórmula, que es realmente el mejor caso disponible para modelos de decisión abiertos; y la suite no es oficial, el margen de empate es de 0,9 puntos y usted no puede inspeccionar la mitad privada. Trate la dirección como real y la magnitud como aproximada.
Donde el modelo 9B está más cerca de lo que sugiere la diferencia de tamaño

Desglosa las cinco puntuaciones por categoría de la clasificación y la historia deja de ser una victoria fácil. En herramientas y automatización, Nimble v3 obtiene 84,24 frente a los 88,39 de Karpo: cuatro puntos, de un modelo que es un tercio del tamaño, en la categoría que abarca la selección de herramientas y la activación de agentes. Ese es el caso de uso para el que Bespoke Labs creó la familia, y este sobrevive a la diferencia de tamaño en gran medida intacto. Si tu capa de decisión existe para responder «¿debería este agente llamar a la herramienta, y cuál?», el adaptador de 9B está en la misma conversación que el checkpoint de 31B.
En todos los demás aspectos, la diferencia es la que uno predeciría. La comprensión del lenguaje obtiene 60,68 frente a 76,78; la recuperación, 55,48 frente a 76,42; el conocimiento, 40,96 frente a 65,46; las artes y el juicio abierto, 44,05 frente a 68,21. La ventaja de Karpo se concentra exactamente en los lugares donde la capacidad adicional de un modelo de 31B debería rendir: contexto más largo, más conocimiento del mundo y mejor lectura de un estado denso.
La latencia tampoco sigue la brecha de tamaño. En el hardware de referencia del tracker —una GPU, una solicitud a la vez— Nimble v3 registra una mediana de 73,9 ms frente a los 94,3 ms de Karpo. Veinte milisegundos no son motivo para elegir un modelo, pero sí un recordatorio de que un adaptador 9B fusionado es un objeto distinto de operar: cabe en un portátil en Q4, se carga en segundos y puede formar parte de un bucle de agente por paso sin necesidad de una conversación sobre presupuesto de GPU.
Calibración, donde el modelo más pequeño no solo es más débil, sino menos honesto
La exactitud te dice con qué frecuencia la respuesta principal es correcta. La calibración te dice si la probabilidad asociada a ella puede sustentar un umbral y, para un modelo de decisión, esa es la única cifra que importa operativamente.
La tarjeta de Karpo reporta un error de calibración esperado de 4,8 puntos en 34.411 respuestas: una confianza media del 87,96 % frente a una precisión real del 83,19 %. En el tramo superior, que concentra el 68,5 % de todas las respuestas, acierta el 95,7 % de las veces mientras declara el 98,7 %. Hay un exceso de confianza en el extremo superior, de unos tres puntos, y por lo demás la curva sigue la tendencia.
El de Nimble v3 es de 12,29 puntos en 34.833 respuestas: una confianza del 87,26 % frente a una precisión del 74,97 %. El grupo superior contiene el 67 % de las respuestas, declara un 98,6 % y acierta el 89,1 %: una sobreestimación de 9,5 puntos en la franja donde realmente vive un umbral. Por debajo, los grupos de rango medio son aún peores: con un valor declarado de 0,85, el modelo acierta aproximadamente el 59 % de las veces. No es un modelo con una pequeña deriva de calibración; es un modelo cuya confianza no puede usarse como filtro sin reescalarla, y la propia documentación de la familia nunca prometió lo contrario.
Si lees esos dos párrafos juntos, la conclusión honesta es más limitada de lo que sugiere la tabla de clasificación. Karpo toma mejores decisiones y sabe mejor cuán buenas son sus decisiones. Nimble v3 es más barato de ejecutar y, en la única categoría que más importa para el trabajo con agentes, está cerca; pero si planeas aceptar automáticamente por encima de 0,9 y escalar por debajo, pasarás tu primera semana ajustando una corrección para Nimble que Karpo te da en su ficha.
El fork de licencias, dicho sin rodeos
Nimble v3 tiene licencia CC BY-NC 4.0. Eso no es ambiguo: la tarjeta dice que no puede usarse con fines comerciales. Todos los checkpoints anteriores de Nimble eran Apache-2.0, y el modelo base es Apache-2.0, lo que no cambia nada: una base permisiva no relaja un adaptador no comercial, y el adaptador es donde reside el comportamiento. El repositorio de GitHub que contiene el código de entrenamiento y curaduría del proyecto no declara ninguna licencia a través de la API de GitHub, lo cual es un problema aparte y posiblemente peor para cualquiera que planee construir sobre él.
Karpo Decision 31B is Apache-2.0 for weights and code, with Gemma 4's terms carried alongside in the repository. That is the permissive end of open, with the usual Gemma caveat that downstream redistribution has to carry those terms too.
Para un cuaderno de investigación, una evaluación interna o un artículo, la distinción es invisible y Nimble v3 es la opción más económica. Para cualquier cosa que toque los ingresos —una puerta de enrutamiento dentro de un producto comercial, un modelo de triaje en un pipeline de pago, incluso una herramienta interna en una empresa con ánimo de lucro— la licencia resuelve el enfrentamiento antes de que los 22.8 puntos tengan audiencia. Bespoke Labs tiene una vía de API alojada y un marcador de posición para una variante de 27B que reporta 65.33 en la suite pública anterior, y ninguno de los dos cambia los términos del adaptador de 9B.
Servir cualquiera de los dos es un problema de enrutamiento antes que un problema de modelado.

Los modelos de decisión son limitados por construcción: solo responden a las preguntas que se les plantean; no pueden escribir, explicar ni devolver una opción que no se les haya proporcionado. Eso los convierte en la mitad pequeña de un patrón de dos modelos, y la mitad más fácil de mantener internamente. La mitad generativa es donde un único endpoint justifica su existencia.
OrcaRouter runs neither of these checkpoints, and neither would make sense behind a chat-completions route. The two models it does serve sit one layer down: TypeSafe's Jev 1.14, the target the whole board exists to reproduce, and the Gemma 4 31B checkpoint that Karpo was fine-tuned from. One key covers both, pricing follows the provider's list with nothing added on top, so a vendor change reaches you the same day. What suits a decision head is the routing layer in front of it — a routing DSL that sends each request class to the model that should answer it, with failover behind that — so a nightly rescoring job and a live guardrail share one contract while the decision model itself stays wherever its licence allows.
Tres cosas que cambiarían esta lectura

Lo primero es un cambio de licencia. Un adaptador Nimble utilizable comercialmente sobre una base Qwen3.5-9B, con un contrato de contexto y una temperatura declarada, haría que la opción de 9B fuera genuinamente competitiva para la compuerta de agentes; la puntuación de 84.24 en herramientas indica que la capacidad ya está ahí. Nada en el material público de Bespoke Labs sugiere que eso esté por llegar; el cambio de Apache-2.0 a CC BY-NC fue en la dirección opuesta.
La segunda es una especificación de contexto y prompt. La ficha de Nimble v3 no documenta ninguna de las dos, lo que significa que cualquiera que lo ejecute está adivinando un formato de prompt que las versiones anteriores solían incluir. Un modelo cuyas entradas el usuario reconstruye es un modelo cuyos números son difíciles de reproducir, y el error de calibración de 12,3 puntos es el tipo de cifra que mejora o empeora según cómo se plantee la pregunta.
La tercera es cualquier instrumento independiente que lea ambos. El Decision Index es cuidadoso, transparente con su método y honesto con sus bandas de empate, y sigue siendo un tablero comunitario. El día que cualquiera de los dos modelos aparezca en Artificial Analysis junto a un puntuador de hiperescalador, la comparación deja de ser aritmética entre dos fichas de proveedor y pasa a ser una medición. Eso no ha ocurrido con ninguno de los dos y, hasta que ocurra, la postura defendible es la aburrida: Apache-2.0 y mejor calibrado en 31B si puedes ejecutarlo, no comercial y barato en 9B si no puedes, y ninguna razón para elegir solo por el marcador.
