
Karpo Decision 31B vs Microsoft-Decision-1: Yang Satu Punya Harga, yang Lain Punya Skor
- OrcaBARUOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 per 1 juta token · 184 tok/s
- tencentBARUTencent: Hy4 Flash2026-11-16$0.02 / $0.07 per 1 juta token · 215 tok/s
- GoogleBARUGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1 juta token · 87 tok/s
- AnthropicBARUAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1 juta token · 97 tok/s
- orcaBARUOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1 juta token · 90 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1 juta token · 131 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 per 1 juta token · 76 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 per 1 juta token · 109 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1 juta token · 114 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1 juta token · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1 juta token · 94 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1 juta token · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Kecerdasan
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 per 1 juta token · 209 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Kecerdasan
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1 juta token · 111 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Kecerdasan
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 per 1 juta token · 311 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Kecerdasan
Letakkan Karpo Decision 31B di samping Microsoft-Decision-1 dan hal pertama yang Anda sadari adalah bahwa tidak ada perusahaan yang memberi Anda hal yang Anda butuhkan untuk memilih di antara keduanya. Karpo Decision 31B, fine-tune Gemma 4 dengan 31,3 miliar parameter yang diunggah MachinePulse ke Hugging Face pada 5 November 2026 tanpa postingan peluncuran, memiliki angka papan peringkat dan tidak memiliki harga. Microsoft-Decision-1, yang tersedia di Microsoft Foundry sejak 8 Oktober 2026, memiliki harga, kontrak Azure, paket AI yang bertanggung jawab, dan sama sekali tidak memiliki tabel benchmark yang dipublikasikan. Yang satu terukur dan tidak dapat dijual. Yang lain dapat dijual dan, berdasarkan pilihan vendornya sendiri, tidak terukur.
Pembalikan itulah inti perbandingannya, dan layak menahan dorongan untuk menyelesaikannya dengan aritmetika. Angka 73.86 yang dibawa Karpo dan 62.07 yang diberikan Artificial Analysis kepada Microsoft-Decision-1 bukanlah dua pembacaan atas satu hal yang sama. Keduanya berasal dari papan peringkat yang berbeda, campuran tugas yang berbeda, rumus penilaian yang berbeda, dan gagasan yang berbeda tentang untuk apa sebuah model keputusan itu. Pertanyaan yang berguna bukanlah angka mana yang lebih besar. Melainkan celah mana di antara keduanya — harga yang hilang atau skor yang hilang — yang benar-benar dapat diserap oleh deployment Anda.
Apa sebenarnya yang dijual Microsoft
Microsoft-Decision-1 adalah Qwen3.5-9B yang telah menjalani pelatihan lanjutan yang menjawab dengan distribusi atas opsi alih-alih prosa. Kontraknya sempit: ya/tidak, pilihan ganda, skala penilaian, kumpulan klasifikasi, atau rubrik, atas teks hingga 32.768 token. Tidak ada gambar, tidak ada audio, tidak ada kolom penjelasan, tidak ada token yang dihasilkan. Microsoft menyatakan secara eksplisit bahwa model ini tidak untuk pertanyaan terbuka, penerjemahan, atau peringkasan, dan merekomendasikan agar tidak menggunakannya sebagai satu-satunya dasar untuk keputusan tentang kredit, pekerjaan, perumahan, asuransi, pendidikan, atau layanan kesehatan.
Yang memang dibawanya adalah bagian yang tidak dapat diberikan oleh checkpoint terbuka: deployment Foundry di bawah portofolio Direct from Azure, serverless atau unified-endpoint, SKU standar, autentikasi Azure, satu invoice, inferensi batch yang sengaja dimatikan, dan tanpa jalur unduhan bobot atau fine-tuning. Bagi bank atau grup rumah sakit, kumpulan fakta terakhir itu sering kali bernilai lebih dari dua puluh poin di papan peringkat, karena itulah perbedaan antara model yang dapat disetujui tim platform dan model yang harus dibangunkan stack penyajian oleh tim platform.
Harganya nyata tetapi canggung untuk dikutip. Halaman model tidak mencantumkan tarif per token; halaman itu menautkan ke halaman harga Azure. Yang dilacak Artificial Analysis untuknya adalah $143 per juta tugas pada tarif input, dibandingkan $345 per juta tugas untuk Gemini Decision 1 milik Google. Karpo tidak memiliki angka yang sebanding karena Karpo tidak memiliki kartu tarif dalam bentuk apa pun — tidak ada host, tidak ada konsol, tidak ada uji coba, tidak ada biaya per-GPU yang dipublikasikan.
Apa yang diukur oleh dewan, dan apa yang tidak.

Skor Karpo adalah skor komunitas. Decision Index, papan terbuka yang melacak reproduksi Jev milik TypeSafe, menempatkannya pada 73,86 Full di edisi 0.4.1 — peringkat pertama bersama dari 307 baris dalam dump terbitan papan tersebut, seri dengan GLiDE 27B pada 73,37 karena papan mengelompokkan apa pun yang berada dalam 0,9 poin dari pemimpin. Skor Full itu bersifat pihak ketiga dalam arti yang penting: pengelola papan menjalankan uji privat yang tidak pernah dilihat vendor, terbagi kira-kira 60% keterampilan sama dan 40% domain baru. Rincian Karpo terbaca 70,94 pada keterampilan yang familiar dan 61,5 pada yang tidak familiar, yang merupakan bentuk biasa bagi model yang telah disetel secara intensif terhadap rangkaian uji yang sudah dikenal.
Angka 75.05 pada kartu model adalah hal yang berbeda, dan kartu tersebut jujur soal itu: itu adalah eksekusi MachinePulse sendiri atas kit penilaian resmi, 140,178 permintaan yang dinilai dengan sebelas ditolak karena melebihi jendela, yang diadopsi oleh dewan setelah penilaian ulang kit menghasilkan nilai yang sama dengan klaim. Publik dan dapat direproduksi, tetap pihak pertama. Baris milik dewan sendiri mengonfirmasi adopsi tersebut dan mencatat bahwa kesesuaian uji privat dengan baris yang diajukan adalah 100% pada 827 baris.
Microsoft-Decision-1 tidak memiliki semua ini. Halaman katalognya memuat tab Benchmarks yang berisi satu paragraf metodologi dan tanpa angka apa pun: tolok ukur keputusan publik dan komunitas, set internal held-out, kesalahan akurasi dan kalibrasi, urutan opsi divariasikan, uji statistik berpasangan diterapkan. Microsoft menyatakan model tersebut berperforma "setara dengan model keputusan terkemuka dan lebih unggul daripada model keputusan terbuka lain yang dievaluasi dengan metodologi yang sama" lalu menolak menunjukkan evaluasinya. Setiap klaim kinerja tentangnya saat ini dilaporkan oleh vendor dan belum direproduksi.
Satu-satunya instrumen yang telah menilainya adalah Artificial Analysis, pada Decision Index v2.1, dan komponen-komponennya lebih informatif daripada skor kompositnya. Microsoft-Decision-1 memperoleh 88,0 pada When2Call, mendekati para pemimpin, dan 86,8 pada EvalSafe-O*NET. Model ini memperoleh 51,8 pada AA-Paperclip dengan tingkat kelulusan dokumen all-or-nothing sebesar 20,9%, 54,9 pada AA-Omniscience-Decision dengan tingkat non-halusinasi 21,7%, dan 39,4 pada HLE-MultiChoice dengan akurasi mentah 8,6%. Polanya adalah penilai pertimbangan kerja yang kompeten dengan perilaku pengetahuan yang lemah, dan angka abstensinya adalah hal yang perlu direnungkan: model yang menolak menjawab 78% pertanyaan pengetahuan sedang melindungi kalibrasinya dengan mengorbankan kegunaannya.
Bentuk permintaan, berdampingan

• Parameter — Karpo 31.3B dalam bf16 ditambah readout 255 × 5.376 fp32, sekitar 62,5 GB di disk; Microsoft-Decision-1 basis dense 9B yang hanya tersedia sebagai API.
• Masukan — Karpo menerima teks, JSON, dan gambar, dengan tangkapan layar yang diteruskan sebagai state.viewport_screenshot; Microsoft-Decision-1 hanya menerima teks, yang diserialisasi menjadi 32.768 token.
Konteks — 32.768 token untuk keduanya, dengan perbedaan penting dalam mode kegagalan: Karpo memecah permintaan panjang berdasarkan pertanyaan dan menolak apa pun yang masih tidak muat, sementara batas atas Microsoft adalah input ditambah kumpulan opsi tanpa cara untuk menaikkannya.
• Jenis pertanyaan — pilihan Karpo hingga 255 opsi, noul untuk benar/salah, skor untuk tingkat berurutan; Microsoft ya/tidak, pilihan ganda, rating, klasifikasi dan rubrik, dengan opsi abstain seperti "tidak dapat menentukan" yang didukung di dalam kumpulan opsi.
• Pengelompokan (batching) — Karpo mengodekan satu state dan banyak pertanyaan dalam satu urutan, sehingga seratus pertanyaan tentang satu invoice kurang lebih hanya membutuhkan satu kali pemrosesan atas invoice tersebut; kontrak resmi Microsoft adalah satu state dan kumpulan pertanyaannya per pemanggilan, dengan cakupan yang lebih luas diperoleh melalui pengelompokan.
• Latensi — median 94 ms per permintaan pada perangkat keras referensi tracker, satu GPU, satu permintaan dalam satu waktu untuk Karpo; 274 ms per tugas untuk Microsoft-Decision-1 pada pengukuran AA, angka per tugas atas kumpulan dokumen, bukan angka per permintaan.
Lisensi dan akses — bobot Apache-2.0 dengan ketentuan Gemma 4 bersama untuk Karpo; tidak ada bobot sama sekali untuk Microsoft-Decision-1, yang hanya API berdasarkan ketentuan Azure.
• Harga — tidak ada tarif yang dipublikasikan untuk Karpo; $143 per satu juta tugas dalam pelacakan AA untuk Microsoft-Decision-1, dengan tarif input per token tercantum di halaman harga Azure, bukan di kartu model.
Kalibrasi adalah sumbu tempat keduanya memiliki sesuatu untuk dikatakan
Bagi model yang seluruh keluarannya berupa probabilitas, angka yang menentukan penerapan bukanlah akurasi, melainkan apakah probabilitas itu bermakna sesuai dengan yang dinyatakannya. Kartu Karpo melaporkan kesalahan kalibrasi sebesar 4,8 poin: pada 34.411 respons yang dinilai, rata-rata keyakinannya adalah 87,96% dibandingkan akurasi 83,19%, dan pada kelompok keyakinan tertinggi — 68,5% dari seluruh respons — model itu benar 95,7% dari waktu sambil mengklaim 98,7%. Itu adalah model yang dapat diberi ambang, dengan pergeseran yang diketahui di ujung atas.
Microsoft tidak menerbitkan expected calibration error, Brier score, maupun kurva reliabilitas. Yang tersirat dari skor komponen AA adalah model yang keyakinannya digunakan secara konservatif: tingginya tingkat non-halusinasi pada Omniscience dan HLE berarti model itu memilih abstain alih-alih menjawab saat tidak yakin, yaitu perilaku yang diinginkan guardrail dan bukan yang diinginkan classifier. Apakah 0,8 berarti 0,8 di luar evaluasi Microsoft sendiri tidak diketahui, dan dokumentasi Microsoft menyatakan hal itu dengan caranya sendiri dengan memberi tahu integrator untuk memvalidasi pada data representatif dan menetapkan ambang batas berdasarkan biaya kesalahan mereka.
Asimetri itu memiliki konsekuensi praktis. Dengan Karpo, Anda mewarisi kurva kalibrasi yang telah dipublikasikan dan dapat menetapkan ambang batas awal sebelum Anda menjalankan apa pun. Dengan Microsoft-Decision-1, Anda mewarisi metodologi dan janji, dan dua minggu pertama Anda adalah proyek pengukuran. Tidak ada yang mendiskualifikasi; keduanya hanyalah jenis pekerjaan yang berbeda.
Versi yang tidak disebutkan dalam judul siapa pun
{{1}}Microsoft-Decision-1{{/1}} bukan lagi model terkini dalam keluarganya sendiri. {{2}}Microsoft-Decision-1.1{{/2}} hadir pada 17 November 2026 di Ignite dengan basis mixture-of-experts Gemma 4 26B A4B, pada harga yang sama dan batas 32K yang sama, dan {{3}}Artificial Analysis{{/3}} memberinya skor 67,78 — 5,7 poin di atas versi 1, dengan 123 ms per tugas alih-alih 274 ms, serta non-halusinasi pada Omniscience naik dari 21,7% menjadi 49,4%. Model ini juga menjadi lebih buruk pada hal-hal yang seharusnya stabil pada sebuah penilai: akurasi mentah 6,29% pada HLE-MultiChoice dibandingkan 8,64%, dan 47,5% keluarga pertanyaan {{4}}AA-Symmetry{{/4}} dijawab secara konsisten dibandingkan 51,7%.
Siapa pun yang membandingkan Karpo dengan "Microsoft's decision model" pada akhir November karena itu membandingkannya dengan versi yang sudah digantikan. Itu tidak membuat perbandingan tersebut menjadi tidak relevan — versi 1 masih menjadi dasar penetapan ukuran bagi sangat banyak deployment Foundry — tetapi itu berarti angka yang harus dikalahkan di sisi Microsoft adalah 67.78, dan pertanyaan tingkat kedua adalah apakah model yang menukar akurasi pengetahuan dengan disiplin abstensi adalah bentuk yang tepat untuk pipeline Anda sejak awal.
Apa yang tidak dapat diberikan masing-masing pihak kepadamu
Karpo tidak dapat memberi Anda kontrak. Tidak ada endpoint, tidak ada kartu tarif, tidak ada jalur dukungan, tidak ada SLA, dan tidak ada pernyataan vendor selain kartu model dan README. Jika organisasi Anda tidak dapat menjalankan checkpoint 62,5 GB di perangkat kerasnya sendiri, perbandingannya berakhir di situ terlepas dari skornya. Memuatnya sebagai model chat biasa juga tidak akan mereproduksi jawabannya: branch attention dan pembacaan 255-kode sama-sama diperlukan, dan paket Python serta POST /v1/systemone server itu ada justru karena stack inferensi generik tidak akan memadai.
Microsoft-Decision-1 tidak dapat memberi Anda angka yang tidak Anda terima begitu saja, tidak dapat di-fine-tune dengan data keputusan Anda sendiri, tidak dapat membaca tangkapan layar, dan tidak dapat dijalankan secara offline. Anda juga tidak dapat mem-benchmark-nya dengan instrumen yang sama seperti Karpo, karena Decision Index adalah daftar reproduksi terbuka dan model API tertutup tidak memiliki bobot untuk direproduksi. Kedua model itu akan terus saling tidak bertemu: satu papan peringkat tidak akan pernah mencantumkan pencetak skor Microsoft, dan Artificial Analysis tidak memiliki baris untuk Karpo.
Ada posisi ketiga yang lebih berguna daripada kedua kolom tersebut. Jika yang sebenarnya Anda butuhkan adalah lapisan keputusan di samping pipeline generatif, generator adalah bagian yang sudah dapat Anda standardisasi. OrcaRouter tidak menghosting Karpo Decision 31B atau Microsoft-Decision-1, dan keduanya tidak layak berada di balik rute chat-completions. Yang dihostingnya adalah dua model yang terus menjadi pusat perhatian perbandingan ini: Gemma 4 31B, basis yang menjadi sumber fine-tuning Karpo, dan Jev 1.14 dari TypeSafe, model yang menjadi target papan reproduksi terbuka. Keduanya berada di balik satu kunci yang kompatibel dengan OpenAI bersama 200+ model lain dengan harga daftar penyedia yang diteruskan tanpa markup, sehingga penurunan harga dari vendor langsung terasa di sisi kami pada hari yang sama, dan failover otomatis menjaga loop penilaian tetap hidup ketika salah satu penyedia goyah.
Yang mana yang harus dipilih

Ambil Microsoft-Decision-1, atau lebih masuk akal Microsoft-Decision-1.1, jika lapisan keputusan harus berada di dalam lingkungan Azure, jika Anda memerlukan jejak persetujuan lebih daripada posisi papan peringkat, dan jika input Anda adalah teks yang muat dalam 32K. Sediakan anggaran untuk studi kalibrasi, karena Microsoft belum memberikannya kepada Anda, dan tetapkan ambang abstensi Anda dari biaya kesalahan Anda, bukan dari deskripsi vendor tentang kesalahan tersebut.
Ambil Karpo Decision 31B jika Anda memiliki GPU, jika tangkapan layar atau status JSON merupakan bagian dari pekerjaan, jika Apache-2.0 penting bagi produk yang ingin Anda luncurkan, dan jika skor uji privat pihak ketiga ditambah kurva kalibrasi yang dipublikasikan adalah bukti yang diterima tim Anda. Terima sebagai imbalannya bahwa Anda sekarang adalah vendor: tidak ada dukungan, tidak ada SLA, tidak ada harga untuk dijadikan dasar anggaran, dan model berusia dua minggu yang repositorinya masih diedit pada 16 November.
Jangan menerima salah satunya hanya berdasarkan 73,86 versus 62,07. Angka-angka itu dihasilkan oleh organisasi yang belum pernah menilai makalah yang sama, pada suite dengan porsi uji privat yang berbeda dan rumus penilaian yang berbeda, dan pembacaan yang jujur adalah bahwa kedua model sama-sama masuk akal dan tidak ada yang terbukti lebih unggul dari yang lain. Uji yang akan menyelesaikannya — Karpo muncul di papan independen yang juga menilai model Microsoft, atau Microsoft menerbitkan tabel hasil yang dijelaskan bagian metodologinya — belum terjadi. Sampai itu terjadi, keputusan bergantung pada pengadaan, perangkat keras, dan modalitas masukan, yang seharusnya menjadi pertimbangan sejak awal.
