Pareto 26.10 vs Pareto 26.9: Satu Angka Membedakan Kedua Rilis Ini

Membandingkan Pareto 26.10 dengan Pareto 26.9 sebagian besar merupakan telaah atas hal-hal yang tidak berubah. Vendor yang sama, arsitektur komposit yang sama, respons maksimum 131.072 token yang sama, lima parameter yang dideklarasikan yang sama, tarif yang dipublikasikan yang sama di halaman harga milik vendor, dan — pada satu tolok ukur yang sama-sama dimiliki kedua rilis — selisih sepersepuluh poin yang menguntungkan model yang lebih lama. Pada aspek-aspek yang biasanya digunakan orang untuk membandingkan model, keduanya adalah produk yang sama dengan nomor versi yang berbeda. Pada satu aspek, keduanya tidak sama, dan aspek itulah yang menentukan apakah suatu beban kerja dapat menggunakan salah satu dari keduanya atau tidak: jendela konteks, di mana 26.9 menawarkan 262.144 token dan 26.10 menawarkan 1.048.576. Kegagalan AI dan insiden agen yang terdokumentasi di balik rilis seperti ini dikumpulkan di OrcaRouter AI Incident Archive di mana setiap entri mencantumkan sumbernya sendiri, tingkat keparahan, tingkat keyakinan, dan penanda diperdebatkan.

Keduanya aktif. pareto-26.10 adalah rilis yang menjadi default di balik alias pareto pada 15 Oktober 2026, saat Unbiased memindahkan rilis ketersediaan umumnya ke rilis tersebut; pareto-26.9 adalah rilis September yang menurut vendor "tetap tersedia" bagi siapa pun yang ingin bertahan. Itulah keseluruhan keputusan yang dihadapi penelepon hari ini, dan sisa halaman ini adalah detail di baliknya.

Fakta-fakta di sekitarnya

Kedua model didokumentasikan menerima input teks dan gambar serta mengembalikan teks, dan tidak satu pun menerbitkan pengenal Hugging Face — bobotnya tertutup di kedua sisi perbandingan ini, jadi tidak ada yang dapat diunduh dan di-hosting sendiri. Tidak ada satu pun yang memiliki benchmark independen. Keduanya dilayani oleh satu penyedia, Unbiased sendiri, yang berarti tidak ada host kedua untuk failover di dalam stack vendor itu sendiri untuk kedua rilis. Perbandingan di bawah ini karena itu adalah antara dua konfigurasi dari satu lini produk satu vendor, bukan antara dua ekosistem.

Konteks adalah keseluruhan argumennya.

Peningkatan konteks 4× terdengar seperti sekadar baris di lembar spesifikasi sampai Anda memetakannya pada apa yang sebenarnya dilakukan orang dengan model konteks panjang.

Pada 262.144 token, sesi agen untuk seluruh repositori, transkrip dukungan yang panjang, atau thread riset berjam-jam merupakan masalah chunking. Anda mengambil, merangkum, mempertahankan jendela bergulir, dan menerima bahwa model melihat rekonstruksi tugas, bukan tugas itu sendiri. Pada 1.048.576 token, beban kerja tersebut muat — tidak selalu nyaman, dan tidak murah pada $0,80 per juta token input tanpa cache hit, tetapi muat. Perbedaan praktis antara kedua rilis ini adalah apakah pipeline Anda memerlukan lapisan pengambilan antara data Anda dan model.

Itu adalah keputusan rekayasa yang nyata, dan itu juga satu-satunya di halaman ini yang memiliki jawaban yang dapat dipertanggungjawabkan. Semua yang lain cukup berdekatan sehingga pilihan harus dibuat berdasarkan sesuatu selain kualitas.

Berdampingan, dimensi demi dimensi

• String model — pareto-26.10 (default di balik pareto sejak 2026-10-15) vs pareto-26.9 (dipertahankan, bukan default).

• Jendela konteks — 1.048.576 token vs 262.144 token.

• Respons maksimum — 131.072 token pada keduanya. Tidak berubah antar rilis.

• Modalitas — teks + gambar masuk, teks keluar, pada keduanya.

• Parameter yang dideklarasikan — max_tokens, temperature, top_p, tools, tool_choice pada 26.10; kumpulan yang sama ditambah response_format pada 26.9.

• Pemanggilan tool — tool_choice dibatasi ke auto pada 26.10; model yang memutuskan apakah akan memanggil, Anda tidak dapat memaksanya.

• Bobot — tertutup pada keduanya; tidak ada pengenal Hugging Face di kedua catatan.

• Menyajikan penyedia — satu, vendor, pada keduanya.

Tarif yang dipublikasikan — $0.80 input / $0.03 cache / $3.20 output per juta untuk keduanya, sesuai halaman harga vendor saat ini.

• DeepSWE v1.1 — 69,9% dengan $0,24 per tugas pada 26.10 vs 70,0% dengan $0,29 per tugas pada 26.9, keduanya dijalankan oleh vendor.

Dua dari baris-baris itu layak mendapat paragrafnya sendiri, karena justru keduanya yang sering salah diberitakan.

Perbedaan structured-output yang tidak diiklankan siapa pun

Daftar parameternya tidak identik. Catatan katalog untuk 26.9 mencantumkan response_format di antara parameter yang didukungnya; catatan untuk 26.10 tidak. Permukaan yang dinyatakan untuk 26.10 adalah max_tokens, temperature, top_p, tools, dan tool_choice, itu saja.

Baca itu dengan saksama, bukan seperti membaca judul berita: tidak adanya suatu parameter dalam daftar yang dideklarasikan bukanlah bukti bahwa endpoint menolaknya, dan dokumentasi API milik vendor sendiri tidak merinci kedua daftar tersebut. Tetapi jika pipeline Anda bergantung pada mode JSON atau output yang dibatasi skema, dan Anda beralih dari 26.9 ke 26.10 dengan asumsi bahwa rilis yang lebih baru adalah superset ketat, asumsi itu tidak didukung oleh apa pun yang dipublikasikan. Ujilah dengan traffic Anda sendiri sebelum migrasi, atau rencanakan untuk memvalidasi output di sisi klien. Ini hal kecil yang berubah menjadi insiden pada hari Selasa.

Dua kartu tarif aktif tidak sepakat soal berapa biaya 26.9

Ini adalah bagian paling berantakan dari perbandingan dan bagian yang paling mungkin memengaruhi keputusan nyata.

Unbiased menerbitkan satu kartu tarif tunggal — input $0,80, input yang di-cache $0,03, output $3,20 — dan tidak membuat versinya berdasarkan rilis. Dibaca secara literal, itu berarti 26.10 dan 26.9 berbiaya sama per token saat ini, yang membuat migrasi gratis dan peningkatan konteks menjadi satu-satunya variabel. Sementara itu, catatan daftar teknis model itu sendiri masih memuat angka September untuk 26.9: input $2,50, input yang di-cache $0,25, output $7,50. Kedua sumber aktif saat tulisan ini dibuat. Tidak ada yang bertanggal, dan vendor tidak menerbitkan entri changelog yang menjelaskan perubahan tersebut, sehingga tidak ada baris yang dapat dikutip "pada hari ini harga turun" di mana pun dalam catatan.

Panduan praktisnya tidak menarik. Anggap saja kartu yang lebih rendah, karena dua dari tiga permukaan yang dapat Anda baca mempublikasikannya dan salah satunya adalah halaman yang menjadi dasar penagihan pelanggan — lalu periksa ulang sebelum Anda menetapkan angka dalam anggaran. Jika Anda menyematkan salah satu rilis untuk atribusi biaya, ketahuilah bahwa bulan campuran yang mencakup transisi 15 Oktober tidak akan terurai dengan rapi setelah kejadian, karena rilis-rilis tersebut diberi harga secara berbeda pada titik waktu yang berbeda dan vendor tidak mencantumkan tanggal perubahannya.

Satu skor, sepersepuluh poin, dan tidak ada yang bisa disimpulkan

Satu-satunya benchmark yang dimiliki bersama oleh kedua rilis tersebut adalah DeepSWE v1.1, dan angka dari vendor itu sendiri menempatkan 26.9 pada 70,0% dan 26.10 pada 69,9%. Kedua angka tersebut dijalankan oleh vendor, yang lebih lama berdasarkan potongan 30 tugas alih-alih kumpulan evaluasi penuh, dan keseluruhan perbandingan tersebut digambarkan oleh Unbiased sebagai belum divalidasi secara independen.

Pembacaan yang jujur adalah bahwa pengukuran ini tidak membedakan rilis tersebut. Seper sepuluh poin pada irisan tugas parsial berada di dalam derau satu kali eksekusi, dan memperlakukannya sebagai peringkat ke arah mana pun — “26.10 mengalami regresi,” atau “26.10 lebih baik karena lebih murah per tugas” — adalah membaca daun teh. Angka biaya per tugas lebih jauh berbeda ($0,24 versus $0,29), dan bahkan angka-angka itu berasal dari eksekusi pada bulan yang berbeda dengan model campuran yang komposisi dasarnya tidak diungkapkan oleh vendor.

Apa yang diberitahukan lembar itu kepada Anda adalah di mana tidak boleh melihat. Jika Anda memilih di antara keduanya berdasarkan kualitas, Anda memilih berdasarkan angka yang tidak dapat mendukung pilihan itu. Bukti yang membedakan keduanya bersifat arsitektural — jendela konteks dan permukaan parameter — dan keduanya dapat diverifikasi dengan cara yang tidak dapat dilakukan oleh skor.

Mana yang harus dipanggil, berdasarkan beban kerja

• Pengodean agentik pada seluruh repositori — 26.10. Jendela 1M adalah pembeda antara mengirim repositori dan mengirim ringkasannya.

• Analisis dokumen panjang atau transkrip panjang — 26.10, karena alasan yang sama, dan perhatikan biaya input: 1M token tanpa cache hit adalah $0.80 per permintaan hanya untuk input.

• Pipeline output mode JSON atau yang dibatasi skema — {{1}}26.9{{/1}} sampai Anda menguji {{2}}perilaku 26.10 sendiri{{/2}}, karena daftar parameter yang dideklarasikan {{1}}26.9{{/1}} mencakup response_format sedangkan {{2}}26.10{{/2}} tidak.

• Beban kerja yang sudah ada di produksi dan muat dalam 262K — 26.9. Tidak ada bukti yang dipublikasikan bahwa memindahkannya meningkatkan output, dan penyematan adalah keputusan yang lebih murah.

• Apa pun yang menginginkan default terkini dari vendor tanpa perlu memelihara pin — 26.10, melalui alias pareto polos, dengan pemahaman bahwa alias tersebut mengikuti kalender vendor, bukan kalender Anda.

Bagi tim yang menjalankan kedua sisi siklus build-and-verify, pola yang berguna adalah menetapkan 26.10 untuk proses long-context dan menjaga 26.9 tetap tersedia sebagai kelompok pembanding — yang memang menjadi fungsi lapisan routing. OrcaRouter tidak menyediakan model Unbiased apa pun, jadi kedua string dipanggil melalui API milik vendor itu sendiri; yang kami sediakan adalah satu kunci dan satu integrasi untuk model-model yang akan Anda benchmark dengan 26.10 sebagai pembanding, jadi mengevaluasi peralihan ini tidak berarti menandatangani kontrak kedua. OrcaRouter meneruskan harga daftar penyedia secara langsung dengan markup 0%, yang merupakan pernyataan tentang model yang kami layani, bukan tentang model ini.

Migrasi yang tidak dijadwalkan oleh siapa pun

Alasan perbandingan ini bersifat aktual, bukan akademis, adalah bahwa perubahan tersebut sudah terjadi pada orang-orang yang tidak memintanya. Pada 15 Oktober, alias pareto berpindah dari rilis September ke 26.10. Siapa pun yang memanggil string polos mendapatkan jendela konteks empat kali lebih besar dan susunan parameter yang berbeda tanpa perubahan kode — dan karena dokumentasi vendor mencatat bahwa pengenal model yang tidak dikenal tidak ditolak, pin yang salah ketik tetap dilayani dan ditagih sebagai Pareto alih-alih gagal secara terang-terangan.

Jika Anda justru berada di string preview, jalur itu sudah ditutup: Unbiased memberi tahu pengguna preview untuk beralih ke pareto atau pareto-26.10. Jika Anda berada di pareto dan mengasumsikan stabilitas, asumsi itu kini terlihat di log Anda sendiri, terlepas dari apakah hal itu menyebabkan masalah atau tidak.

Apa pun caranya, perbaikannya sama dan hanya perlu satu baris: sebutkan rilis yang Anda uji. String yang memuat kualifikasi versi adalah yang membuat model biaya dapat dikurangkan dan regresi dapat diatribusikan, dan itu satu-satunya mekanisme yang diberikan vendor ini kepada Anda untuk keduanya.

Apa yang masih belum terverifikasi

Tidak ada satu pun dari kedua rilis tersebut yang memiliki tolok ukur independen. Artificial Analysis tidak menyediakan halaman untuk keduanya, dan belum ada evaluator yang menerbitkan pengujian ulang atas harness milik vendor. Setiap angka dalam perbandingan ini — keempat skor, angka biaya per tugas, jendela konteks — berasal dari publikasi vendor atau dibaca dari catatan daftar teknis model, dan skor secara khusus membawa label milik vendor sendiri, yaitu "preliminary" dan "not independently validated".

Itu bukan alasan untuk menghindari salah satu model. Itu adalah alasan untuk memutuskan hal-hal yang dapat diperiksa: apakah beban kerja Anda muat dalam 262K, apakah pipeline Anda memerlukan response_format, dan apakah Anda ingin menggunakan alias atau pin. Ketiga pertanyaan itu memiliki jawaban. Mana model yang lebih baik tidak, dan sebanyak apa pun membaca lembar yang diterbitkan tidak akan menghasilkan jawabannya.