UserRepGen-4B vs Intern-Decision-4B: Dua Tim Menyetel Halus Basis 4B yang Sama dan Tidak Menyepakati Apa Pun

Dua rilis senyap, terpaut lima minggu, bercabang dari checkpoint yang sama. microsoft/UserRepGen-4B diunggah ke Hugging Face pada 14 Oktober 2026 sebagai repositori bfloat16 9,1 GB tanpa pengumuman; internlm/Intern-Decision-4B muncul pada 26 September 2026 pukul 05:36:37 UTC di dalam jendela empat puluh detik yang juga menghasilkan model 0.8B dan 2B, sama-sama tanpa pengumuman. Keduanya adalah fine-tune LoRA dari Qwen3.5-4B, keduanya hanya teks meskipun membawa vision tower yang tidak pernah mereka gunakan, keduanya mengembalikan struktur yang kaku alih-alih jawaban — dan keduanya sangat tidak sepakat tentang untuk apa model itu. Intern-Decision-4B tidak pernah menulis satu token pun. UserRepGen-4B tidak menulis apa pun selain token. Segala hal lain dalam perbandingan ini mengikuti satu perpecahan itu.

Yang satu adalah pencetak skor, yang lain adalah penulis.

Kartu InternLM terbilang sangat blak-blakan tentang mekanisme kerjanya sendiri: "API ini melakukan penilaian kandidat terstruktur. API ini tidak memanggil generate() atau mengambil sampel teks bentuk bebas." Anda memberinya sebuah state, sebuah skema pertanyaan bernama, dan sekumpulan jawaban kandidat. API ini memetakan opsi-opsi ke simbol satu token, menjalankan satu forward pass kausal, membaca logits pada posisi tepat sebelum setiap placeholder, menerapkan temperature yang telah di-fit sebesar 1.99241824, dan mengembalikan probabilitas terkalibrasi untuk setiap opsi. Satu pass. Tanpa sampling, tanpa loop decoding, tanpa teks.

UserRepGen-4B membalikkannya. Anda menyerahkannya sebuah percakapan yang sudah selesai. Model ini menghasilkan hingga 1.024 token prosa di dua bidang JSON — deskripsi tugas dan deskripsi user_behavior — dan kartunya sama-sama blak-blakan ke arah sebaliknya: model tersebut "menghasilkan representasi, bukan giliran pengguna yang disimulasikan," model tidak menjalankan tugas pengguna, dan model bukan simulator.

Letakkan keduanya berdampingan dan konsekuensi teknisnya langsung terlihat.

• Apa nilainya output tersebut — Intern-Decision-4B mengembalikan angka yang dapat Anda tetapkan ambangnya, rata-ratakan, dan audit. UserRepGen-4B mengembalikan paragraf yang kualitasnya hanya dapat dinilai oleh juri LLM, yang persis seperti cara Microsoft mengevaluasinya.

• Biaya per panggilan — satu forward pass atas prompt tetap versus hingga 1.024 token yang dihasilkan. Itulah perbedaan antara sekitar 44 milidetik dan proses decoding penuh, dan itulah sebabnya model keputusan dapat berada di dalam loop yang tidak dapat dimasuki model representasi.

• Di mana maknanya berada — InternLM memutuskan bahwa jawabannya seharusnya sudah dapat dienumerasi dalam prompt, sehingga model hanya perlu memberi peringkat. Microsoft memutuskan bahwa jawabannya laten dalam sebuah percakapan, sehingga model harus menulisnya. Pemeringkatan bersifat terbatas dan dapat diverifikasi. Menulis bersifat terbuka dan membutuhkan penilai.

Batas atas input, dan apa yang mereka sampaikan tentang taruhan tersebut

Kedua kartu mencantumkan batas keras, dan membandingkannya adalah cara tercepat untuk melihat betapa berbedanya kedua tim menentukan cakupan model dasar yang sama.

Intern-Decision-4B menolak pekerjaan di atas 8.192 token. Itu adalah penolakan, bukan pemotongan — sebuah pilihan desain yang menyatakan bahwa model ini ditujukan untuk keputusan yang cukup ringkas untuk dinyatakan sepenuhnya dalam sebuah prompt.

UserRepGen-4B dilatih pada urutan 9.216 token: hingga 8.192 token prompt yang mencakup percakapan, ditambah 1.024 token completion untuk representasi. Kartu tersebut menambahkan bahwa penggunaan konteks yang diperluas melebihi panjang itu "tidak didukung oleh rilis ini," dan bahwa kinerja konteks panjang tidak pernah dibenchmark secara terpisah. Jadi batas 8.192 token yang sama muncul di kedua sisi, dicapai secara independen, dari dua tim yang dianggap tidak memiliki visibilitas terhadap pekerjaan satu sama lain.

Konvergensi itu adalah temuan yang berguna. Fine-tune 4B pada basis ini, pada pertengahan 2026, adalah komponen yang ukurannya cocok untuk satu prompt yang tersusun baik — bukan mesin konteks panjang. Kedua rilis jujur tentang hal itu. Tak satu pun menyembunyikannya di balik jendela yang diiklankan lebih besar.

Keduanya menerbitkan cerita kalibrasi, dan itu bukan cerita yang sama.

Di sinilah penelusuran sumber menjadi pelik, karena kedua evaluasi tersebut tidak sebanding dan tidak satu pun telah direproduksi di luar laboratoriumnya sendiri.

Intern-Decision-4B menerbitkan tolok ukur tujuh suite yang di dalamnya ia mencetak rata-rata 90,02 — baris terbaik dalam tabelnya sendiri, mengungguli Intern-Decision-2B pada 84,68 dan Intern-Decision-0.8B pada 79,38, semuanya diukur pada harness milik InternLM. Ia juga menerbitkan kalibrasi: skor Brier 0,347 dan galat kalibrasi yang diharapkan 0,065. Sebuah uji percontohan terpisah dengan 96 kasus yang menggunakan distribusi referensi eksak beranjak dari Brier 0,628 dan ECE 0,213 menjadi 0,550 dan 0,089 setelah suhu hasil fitting-nya diterapkan. Setiap angka tersebut adalah milik vendor itu sendiri, dan tidak ada seorang pun di luar InternLM yang memeriksanya.

UserRepGen-4B menerbitkan tabel fidélitas pada skala penilaian 1 sampai 10 — 4,95 best-of-1 dan 6,02 best-of-3, dibandingkan dengan 3,90 dan 4,90 untuk GPT-5.5 yang digunakan apa adanya dan 3,41 dan 4,42 untuk model dasar yang belum disetel. Setiap angka itu milik Microsoft sendiri, dihasilkan dengan GPT-5.4 mini yang sekaligus berperan sebagai simulator, asisten, dan juri, dan tidak ada pihak di luar Microsoft yang memeriksanya.

Asimetri yang penting bukanlah skornya — keduanya mengukur hal yang berbeda pada skala yang berbeda. Yang penting adalah bahwa Intern-Decision-4B menerbitkan aturan penilaian yang tepat terhadap distribusi referensi yang diketahui, yang secara konstruksi dapat difalsifikasi, sementara UserRepGen-4B menerbitkan skor LLM-judge, yang hanya dapat difalsifikasi dengan menjalankan judge yang berbeda. InternLM membangun model yang dapat diaudit dengan aritmetika. Microsoft membangun model yang harus diaudit dengan model lain. Mengingat keduanya mengklaim telah mengalahkan baseline, perbedaan dalam kemampuan audit itu adalah bagian nyata dari apa yang Anda pilih di antara keduanya.

Temuan privasi yang hanya dicetak oleh salah satu dari mereka.

Kartu Intern-Decision-4B tidak memuat bagian privasi yang berarti. Kartu UserRepGen-4B memuat angka yang seharusnya membuat tim mana pun berpikir dua kali: dari lebih dari 147 pengguna, sebuah selektor yang diminta memilih mana dari empat percakapan yang berasal dari orang yang sama mencapai 51,02% dengan menggunakan deskripsi perilaku model, dibandingkan dengan 44,22% menggunakan percakapan mentah yang lengkap dan 25% secara acak. Representasi terkompresi tersebut mengidentifikasi orang itu lebih baik daripada materi asal yang menjadi sumbernya.

Microsoft menyebutnya sebagai risiko keterkaitan dan mengatakan terus terang bahwa representasi bukanlah data yang dianonimkan. Itu adalah penanganan yang tepat, dan itu adalah peringatan yang berlaku untuk seluruh kelas model — termasuk model keputusan, yang inputnya sendiri adalah percakapan tentang situasi orang. Perbedaannya hanya bahwa satu kartu menyatakan demikian dan yang lain tidak, yang tidak sama dengan satu model menjadi aman.

Keduanya bukan API, tetapi dasar yang mereka miliki bersama adalah

Keduanya adalah unduhan, bukan endpoint. Intern-Decision-4B dikirim sebagai kelas Python DecisionEngine yang dimuat sekali dan digunakan kembali, Space demo-nya merespons 401, dan tautan GitHub-nya menghasilkan 404; UserRepGen-4B dikirim sebagai satu file safetensors yang tidak terkuantisasi dan sebuah example.py. OrcaRouter tidak membawa keduanya. Jika Anda mengatakan salah satunya tersedia melalui API yang dihosting saat ini, Anda sedang menjelaskan rencana, bukan fakta.

Yang benar-benar dapat dipanggil adalah checkpoint yang menjadi asal percabangan keduanya. Keluarga Qwen3.5-4B ada di katalog kami — Qwen3.5-Flash dengan konteks lebih dari satu juta token dengan harga $0.10 per juta token input dan $0.40 per juta token output, Qwen3.5-35B-A3B dengan $0.057 dan $0.459, Qwen3.5-27B dengan $0.086 dan $0.688 — semuanya dengan kunci yang sama, semuanya dengan harga daftar penyedia tanpa tambahan apa pun. Itu berguna untuk bagian dari pipeline yang bukan kedua model ini: sisi asisten dari simulasi, atau langkah penalaran di sekitar panggilan keputusan, dapat dijalankan melalui satu endpoint sementara Anda mengevaluasi fine-tune secara lokal.

Cara memilih

Jika masalah Anda adalah pertanyaan berbatas dengan jawaban yang dapat dienumerasi dan Anda memerlukan angka terkalibrasi sepuluh ribu kali per detik, Intern-Decision-4B adalah satu-satunya model di sini yang melakukannya, dan fakta bahwa model ini tidak pernah melakukan sampling adalah fiturnya, bukan keterbatasannya. Jika masalah Anda adalah Anda menginginkan simulator yang berperilaku seperti pengguna nyata, UserRepGen-4B adalah satu-satunya model di sini yang dilatih untuk itu, dan besarnya peningkatan yang dilaporkan atas GPT-5.5 adalah alasan untuk memedulikannya. Tidak seorang pun seharusnya memilih salah satunya berdasarkan angka yang dimiliki yang lain, karena keduanya tidak pernah mengukur hal yang sama. Yang akan menyelesaikan perbandingan ini adalah satu tinjauan eksternal terhadap salah satu kartu — dan bagi dua rilis yang diluncurkan dalam kesunyian total, berselang beberapa minggu, tidak satu pun dari keduanya yang pernah mendapatkannya.

Dua rilis senyap juga menjadi pengingat betapa banyak model kelas ini yang dirilis tanpa dokumentasi, dan kegagalan yang menyusul dikumpulkan dalam Arsip Insiden AI OrcaRouter, di mana setiap entri mencantumkan sumbernya sendiri, tingkat keparahan, nilai keyakinan, dan penanda status sengketa.