UserRepGen-4B vs Intern-Decision-4B: due team hanno fatto il fine-tuning sulla stessa base 4B e non sono d'accordo su nulla

Due rilasci silenziosi, a cinque settimane di distanza, diramatisi dallo stesso checkpoint. microsoft/UserRepGen-4B è comparso su Hugging Face il 14 ottobre 2026 come repository bfloat16 da 9,1 GB, senza alcun annuncio; internlm/Intern-Decision-4B è apparso il 26 settembre 2026 alle 05:36:37 UTC, all'interno di una finestra di quaranta secondi che ha prodotto anche un 0.8B e un 2B, anch'essi senza annuncio. Entrambi sono fine-tune LoRA di Qwen3.5-4B, entrambi sono solo testo pur portando una torre vision che non usano mai, entrambi restituiscono una struttura rigida invece di una risposta — e non potrebbero essere più in disaccordo su a cosa serva il modello. Intern-Decision-4B non scrive mai un token. UserRepGen-4B non scrive altro che token. Tutto il resto in questo confronto deriva da quella singola divisione.

Uno è un realizzatore, l'altro è uno scrittore.

La scheda di InternLM è insolitamente schietta riguardo ai propri meccanismi: "Questa API esegue uno scoring strutturato dei candidati. Non chiama generate() né campiona testo in forma libera." Le si fornisce uno stato, uno schema di domande denominate e un insieme di risposte candidate. Mappa le opzioni su simboli a token singolo, esegue un singolo passaggio in avanti causale, legge i logit nella posizione immediatamente precedente a ciascun segnaposto, applica una temperatura fittata di 1,99241824 e restituisce una probabilità calibrata per ogni opzione. Un solo passaggio. Nessun campionamento, nessun ciclo di decodifica, nessun testo.

RepGen-4B lo inverte. Gli si fornisce una conversazione completata. Emette fino a 1.024 token di prosa su due campi JSON — una descrizione del task e una descrizione di user_behavior — e la scheda è altrettanto schietta nella direzione opposta: il modello "genera rappresentazioni, non turni utente simulati", non esegue il compito dell'utente e non è il simulatore.

Metti i due fianco a fianco e le conseguenze ingegneristiche emergono immediatamente.

• Quanto vale l'output — Intern-Decision-4B restituisce un numero che puoi sottoporre a soglia, mediare e verificare. UserRepGen-4B restituisce un paragrafo la cui qualità può essere valutata solo da un giudice LLM, che è esattamente il modo in cui Microsoft l'ha valutato.

• Costo per chiamata — un singolo passaggio in avanti su un prompt fisso rispetto a un massimo di 1.024 token generati. È la differenza tra circa 44 millisecondi e un'intera esecuzione di decodifica, ed è per questo che il modello decisionale può stare dentro un ciclo in cui il modello di rappresentazione non può.

• Dove risiede il significato — InternLM ha deciso che la risposta dovesse essere già enumerabile nel prompt, così il modello deve solo classificare. Microsoft ha deciso che la risposta è latente in una conversazione, quindi il modello deve scriverela.

I tetti di input, e cosa ti dicono sulle scommesse

Entrambe le schede pubblicano un limite rigido, e confrontarle è il modo più rapido per vedere quanto diversamente i due team hanno circoscritto lo stesso modello di base.

Intern-Decision-4B rifiuta di lavorare oltre gli 8.192 token. Questo è un rifiuto, non un troncamento — una scelta di progettazione che indica che il modello è pensato per decisioni abbastanza compatte da poter essere enunciate completamente in un prompt.

UserRepGen-4B è addestrato su una sequenza di 9.216 token: fino a 8.192 token di prompt che coprono la conversazione, più 1.024 token di completamento per la rappresentazione. La scheda aggiunge che l'uso del contesto esteso oltre tale lunghezza «non è supportato da questa release», e che le prestazioni sul contesto lungo non sono mai state valutate separatamente. Così lo stesso tetto di 8.192 token compare su entrambi i lati, raggiunto in modo indipendente, da due team che presumibilmente non avevano alcuna visibilità sul lavoro l'uno dell'altro.

Quella convergenza è il risultato utile. Un fine-tune da 4B su questa base, a metà del 2026, è un componente dimensionato per un singolo prompt ben formulato — non un motore per contesti lunghi. Entrambe le release sono oneste al riguardo. Nessuna delle due lo nasconde dietro una finestra pubblicizzata più grande.

Entrambi hanno pubblicato una storia di calibrazione, e non sono la stessa storia.

È qui che il reperimento delle fonti diventa delicato, perché le due valutazioni non sono commensurabili e nessuna delle due è stata riprodotta al di fuori del proprio laboratorio.

Intern-Decision-4B pubblica un benchmark a sette suite in cui ottiene una media di 90,02 — la riga migliore nella sua stessa tabella, davanti a Intern-Decision-2B a 84,68 e Intern-Decision-0.8B a 79,38, tutti misurati sugli harness di InternLM. Pubblica anche la calibrazione: un Brier score di 0,347 e un errore di calibrazione atteso di 0,065. Uno studio pilota separato di 96 casi che utilizza distribuzioni di riferimento esatte passa da 0,628 di Brier e 0,213 di ECE a 0,550 e 0,089 dopo l'applicazione della sua temperatura stimata. Ognuno di questi numeri è del fornitore stesso, e nessuno al di fuori di InternLM li ha verificati.

UserRepGen-4B pubblica una tabella di fedeltà su una scala di valutazione da 1 a 10 — 4,95 best-of-1 e 6,02 best-of-3, contro 3,90 e 4,90 per GPT-5.5 usato così com'è e 3,41 e 4,42 per la base non ottimizzata. Ognuno di questi numeri è di Microsoft stessa, prodotto con GPT-5.4 mini che agisce simultaneamente come simulatore, assistente e giudice, e nessuno al di fuori di Microsoft li ha verificati.

L'asimmetria che conta non sono i punteggi — misurano cose diverse su scale diverse. È che Intern-Decision-4B pubblica una regola di punteggio propria rispetto a distribuzioni di riferimento note, falsificabile per costruzione, mentre UserRepGen-4B pubblica un punteggio di un giudice LLM, falsificabile solo eseguendo un giudice diverso. InternLM ha costruito un modello che può essere verificato con l'aritmetica. Microsoft ne ha costruito uno che deve essere verificato con un altro modello. Dato che entrambi sostengono di aver battuto le baseline, questa differenza di verificabilità è una parte reale di ciò tra cui stai scegliendo.

Il rilevamento sulla privacy che solo uno di loro stampa

La scheda di Intern-Decision-4B non contiene alcuna sezione sulla privacy di rilievo. Quella di UserRepGen-4B ne contiene un numero che dovrebbe far riflettere qualsiasi team: su oltre 147 utenti, un selettore incaricato di individuare quale di quattro conversazioni proveniva dalla stessa persona raggiunge il 51,02% usando le descrizioni del comportamento del modello, contro il 44,22% usando le conversazioni grezze complete e il 25% in caso di scelta casuale. La rappresentazione compressa identifica la persona meglio rispetto al materiale da cui è stata derivata.

Microsoft lo etichetta come rischio di collegabilità e dichiara apertamente che le rappresentazioni non sono dati anonimizzati. È la gestione corretta, ed è un avvertimento che vale per l'intera classe di modelli — incluso il modello decisionale, i cui input sono conversazioni sulle situazioni delle persone. La differenza è solo che una scheda lo dice e l'altra no, il che non equivale a dire che un modello sia sicuro.

Nessuno dei due è un'API, ma la base che condividono è

Entrambi questi sono download, non endpoint. Intern-Decision-4B viene distribuito come una classe Python DecisionEngine caricata una volta e riutilizzata, il suo Space demo risponde 401 e il suo link GitHub dà 404; UserRepGen-4B viene distribuito come un singolo file safetensors non quantizzato e un example.py. OrcaRouter non include né l'uno né l'altro. Se stai dicendo che uno dei due è disponibile oggi tramite un'API ospitata, stai descrivendo un piano, non un fatto.

Ciò che è realmente richiamabile è il checkpoint da cui entrambi si sono diramati. La famiglia di Qwen3.5-4B è nel nostro catalogo — Qwen3.5-Flash con una finestra di contesto superiore a un milione di token a $0,10 per milione di token di input e $0,40 per milione di output, Qwen3.5-35B-A3B a $0,057 e $0,459, Qwen3.5-27B a $0,086 e $0,688 — tutti sulla stessa chiave, tutti al prezzo di listino del provider senza nulla in più. Questo è utile per la parte della pipeline che non riguarda questi due modelli: il lato assistente di una simulazione, o il passaggio di ragionamento attorno a una chiamata decisionale, può passare attraverso un unico endpoint mentre valuti localmente il fine-tuning.

Come scegliere

Se il tuo problema è una domanda delimitata con risposte enumerabili e ti serve un numero calibrato diecimila volte al secondo, Intern-Decision-4B è l'unico modello qui che lo fa, e il fatto che non campioni mai è la caratteristica, non il limite. Se il tuo problema è che vuoi un simulatore che si comporti come un utente reale, UserRepGen-4B è l'unico modello qui addestrato per farlo, e l'entità del suo guadagno dichiarato rispetto a GPT-5.5 è il motivo per cui interessarsene. Nessuno dovrebbe scegliere l'uno o l'altro sulla base dei numeri dell'altro, perché non hanno mai misurato la stessa cosa. Ciò che risolverebbe il confronto è un singolo esame esterno su una delle due schede — e per due rilasci usciti nel silenzio più totale, a settimane di distanza, nessuno dei due ne ha ricevuto alcuno.

Due rilasci silenziosi sono anche un promemoria di quanto di questa classe di modelli venga distribuito senza documentazione, e i fallimenti che ne derivano sono raccolti in l'Archivio degli incidenti AI di OrcaRouter, dove ogni voce riporta le proprie fonti, la gravità, il grado di confidenza e il flag di contestazione.