
Karpo Decision 31B vs Microsoft-Decision-1: jeden ma cenę, drugi ma wynik
- OrcaNOWOŚĆOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 za 1 mln tokenów · 184 tok/s
- tencentNOWOŚĆTencent: Hy4 Flash2026-11-16$0.02 / $0.07 za 1 mln tokenów · 215 tok/s
- GoogleNOWOŚĆGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 za 1 mln tokenów · 87 tok/s
- AnthropicNOWOŚĆAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 za 1 mln tokenów · 97 tok/s
- orcaNOWOŚĆOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 za 1 mln tokenów · 90 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 za 1 mln tokenów · 131 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 za 1 mln tokenów · 76 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 za 1 mln tokenów · 109 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 za 1 mln tokenów · 114 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 za 1 mln tokenów · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 za 1 mln tokenów · 94 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 za 1 mln tokenów · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Inteligencja
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 za 1 mln tokenów · 209 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Inteligencja
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 za 1 mln tokenów · 111 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Inteligencja
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 za 1 mln tokenów · 311 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Inteligencja
Postaw Karpo Decision 31B obok Microsoft-Decision-1 i pierwszą rzeczą, którą zauważysz, jest to, że żadna z firm nie dała ci tego, czego potrzebujesz, aby wybrać między nimi. Karpo Decision 31B, dostrojony model Gemma 4 z 31,3 miliarda parametrów, który MachinePulse opublikował na Hugging Face 5 listopada 2026 r. bez wpisu premierowego, ma wynik na liście rankingowej i nie ma ceny. Microsoft-Decision-1, dostępny w Microsoft Foundry od 8 października 2026 r., ma cenę, umowę Azure, pakiet odpowiedzialnej sztucznej inteligencji i w ogóle nie ma opublikowanej tabeli benchmarków. Jeden da się zmierzyć, ale nie da się go sprzedać. Drugi da się sprzedać i — z własnego wyboru swojego dostawcy — pozostaje niezmierzony.
Ta inwersja to całe porównanie i warto oprzeć się pokusie rozstrzygnięcia jej za pomocą arytmetyki. Wartość 73,86, którą podaje Karpo, i 62,07, którą Artificial Analysis przypisuje Microsoft-Decision-1, nie są dwoma odczytami tego samego. Pochodzą z różnych zestawów ewaluacyjnych, różnych zestawów zadań, różnych formuł punktacji i różnych wyobrażeń o tym, do czego służy model decyzyjny. Przydatne pytanie nie brzmi, która liczba jest większa. Brzmi: którą z dwóch luk — brakującą cenę czy brakujący wynik — Twoje wdrożenie jest w stanie faktycznie zaabsorbować.
Co dokładnie sprzedaje Microsoft
Microsoft-Decision-1 to model Qwen3.5-9B po treningu dostrajającym, który zamiast prozy odpowiada rozkładem prawdopodobieństwa po opcjach. Kontrakt jest wąski: tak/nie, wielokrotny wybór, skala ocen, zestaw klasyfikacji lub rubryka, dla tekstu o długości do 32 768 tokenów. Brak obrazów, dźwięku, pola wyjaśnienia i generowanych tokenów. Microsoft wyraźnie zaznacza, że model nie jest przeznaczony do pytań otwartych, tłumaczenia ani streszczania, i zaleca, aby nie używać go jako jedynej podstawy decyzji dotyczących kredytu, zatrudnienia, mieszkalnictwa, ubezpieczeń, edukacji lub opieki zdrowotnej.
To, co wnosi, to element, którego otwarty checkpoint zapewnić nie może: wdrożenie Foundry w ramach portfolio Direct from Azure, serverless lub unified-endpoint, standard SKU, uwierzytelnianie Azure, jedną fakturę, celowo wyłączone wnioskowanie wsadowe oraz brak ścieżki pobierania wag i dostrajania. Dla banku lub grupy szpitalnej ten ostatni zestaw faktów jest często wart więcej niż dwadzieścia punktów na leaderboardzie, ponieważ stanowi różnicę między modelem, który zespół platformowy może zatwierdzić, a modelem, wokół którego zespół platformowy musi zbudować stos do serwowania.
Cena jest realna, ale trudna do podania. Strona modelu nie podaje stawki za token; odsyła do strony cennika Azure. Artificial Analysis rejestruje dla niego 143 USD za milion zadań według stawki za dane wejściowe, w porównaniu z 345 USD za milion zadań dla Gemini Decision 1 firmy Google. Karpo nie ma porównywalnej liczby, ponieważ Karpo nie ma jakiegokolwiek cennika — żadnego hosta, konsoli, wersji próbnej ani publikowanego kosztu za GPU.
Co zarząd zmierzył, a czego nie

Wynik Karpo jest wynikiem społecznościowym. {{1}}Decision Index{{/1}}, otwarty ranking śledzący reprodukcje Jev firmy TypeSafe, umieszcza go na poziomie {{2}}73.86 Full{{/2}} w edycji {{3}}0.4.1{{/3}} — ex aequo na pierwszym miejscu wśród {{4}}307 wierszy{{/4}} w opublikowanym zrzucie rankingu, ex aequo z {{5}}GLiDE 27B{{/5}} na {{6}}73.37{{/6}}, ponieważ ranking grupuje wszystko w granicach {{7}}0.9 punktu{{/7}} od lidera. Ten wynik Full pochodzi od strony trzeciej w tym istotnym sensie: opiekunowie rankingu przeprowadzili prywatne testy, których dostawca nigdy nie widział, podzielone w przybliżeniu na {{8}}60% tych samych umiejętności{{/8}} i {{9}}40% nowych dziedzin{{/9}}. Podział Karpo odczytuje {{10}}70.94{{/10}} w przypadku znanych umiejętności i {{11}}61.5{{/11}} w przypadku nieznanych, co jest typowym profilem dla modelu, który został mocno dostrojony pod znany zestaw testów.
75,05 na karcie modelu to zupełnie inna kategoria, a karta jest co do tego uczciwa: to własny przebieg MachinePulse na oficjalnym zestawie do oceniania — 140 178 ocenionych żądań, z których jedenaście odrzucono za przekroczenie okna — przyjęty przez radę po tym, jak ponowna ocena zestawem dała wynik równy deklaracji. Publiczne i powtarzalne, ale wciąż własne. Wiersz samej rady potwierdza przyjęcie i odnotowuje, że zgodność testu prywatnego z przesłanymi wierszami wyniosła 100% na 827 wierszach.
Microsoft-Decision-1 nie ma nic z tego. Jego strona katalogowa zawiera kartę Benchmarks z akapitem metodologicznym i bez żadnych liczb: publiczne i społecznościowe benchmarki decyzyjne, wydzielone wewnętrzne zestawy, błąd dokładności i kalibracji, zmieniana kolejność opcji, zastosowane sparowane testy statystyczne. Microsoft stwierdza, że model działa „na równi z wiodącymi modelami decyzyjnymi i wyprzedza inne otwarte modele decyzyjne oceniane według tej samej metodologii”, po czym odmawia pokazania oceny. Wszelkie dzisiejsze twierdzenia o jego wydajności są raportowane przez dostawcę i niepowtórzone.
Jedynym narzędziem, które go oceniło, jest Artificial Analysis, w oparciu o Decision Index v2.1, a komponenty są bardziej informacyjne niż wynik zbiorczy. Microsoft-Decision-1 uzyskuje 88,0 w When2Call, blisko liderów, oraz 86,8 w EvalSafe-O*NET. Uzyskuje 51,8 w AA-Paperclip przy 20,9% wskaźniku zaliczenia dokumentu w trybie wszystko-albo-nic, 54,9 w AA-Omniscience-Decision przy 21,7% wskaźniku braku halucynacji oraz 39,4 w HLE-MultiChoice przy 8,6% surowej dokładności. Wzorzec to kompetentny oceniający osąd w miejscu pracy ze słabym zachowaniem wiedzowym, a wskaźnik wstrzymywania się od odpowiedzi jest tym, nad którym warto się zatrzymać: model, który odmawia odpowiedzi na 78% pytań wiedzowych, chroni swoją kalibrację kosztem bycia użytecznym.
Kształty żądań, obok siebie

• Parametry — Karpo 31.3B w bf16 oraz odczyt 255 × 5,376 fp32, około 62,5 GB na dysku; Microsoft-Decision-1, gęsta baza 9B udostępniana wyłącznie jako API.
• Wejście — Karpo przyjmuje tekst, JSON i obrazy, przy czym zrzut ekranu jest przekazywany jako state.viewport_screenshot; Microsoft-Decision-1 przyjmuje wyłącznie tekst, serializowany do 32 768 tokenów.
• Kontekst — 32 768 tokenów w obu przypadkach, z istotną różnicą w sposobie obsługi przekroczenia limitu: Karpo dzieli długie zapytanie na pytania i odrzuca wszystko, co nadal się nie zmieści, podczas gdy limit Microsoftu obejmuje dane wejściowe oraz zestaw opcji i nie można go podnieść.
• Typy pytań — Karpo choice do 255 opcji, noul dla prawda/fałsz, punktacja dla uporządkowanego poziomu; Microsoft tak/nie, wielokrotny wybór, ocena, klasyfikacja i rubryka, z opcjami wstrzymania się, takimi jak „nie można stwierdzić”, obsługiwanymi w ramach zestawu.
• Przetwarzanie wsadowe — Karpo koduje jeden stan i wiele pytań w jednej sekwencji, więc sto pytań dotyczących jednej faktury kosztuje w przybliżeniu jedno przejście przez fakturę; opublikowany kontrakt Microsoftu to jeden stan i jego zestaw pytań na wywołanie, a szeroki zakres uzyskuje się dzięki grupowaniu.
• Opóźnienie — mediana 94 ms na żądanie na referencyjnym sprzęcie trackera, jedna karta GPU, jedno żądanie naraz dla Karpo; 274 ms na zadanie dla Microsoft-Decision-1 w pomiarze AA — wartość na zadanie obejmująca zestaw dokumentów, a nie na żądanie.
• Licencja i dostęp — wagi Apache-2.0 wraz z warunkami Gemma 4 dla Karpo; brak jakichkolwiek wag dla Microsoft-Decision-1, który jest dostępny wyłącznie przez API na warunkach Azure.
• Cena — brak publikowanej stawki dla Karpo; 143 USD za milion zadań w śledzeniu AA dla Microsoft-Decision-1, przy czym stawka za token wejściowy widnieje na stronie cennika Azure, a nie na karcie modelu.
Kalibracja to oś, w której oboje mają coś do powiedzenia.
Dla modelu, którego całym wynikiem jest prawdopodobieństwo, liczbą decydującą o wdrożeniu nie jest dokładność, lecz to, czy prawdopodobieństwo znaczy to, co mówi. Karta Karpo podaje błąd kalibracji na poziomie 4,8 punktu: w przypadku 34 411 ocenionych odpowiedzi średnia pewność wyniosła 87,96% przy dokładności 83,19%, a w najwyższym przedziale pewności — obejmującym 68,5% wszystkich odpowiedzi — model miał rację w 95,7% przypadków, deklarując 98,7%. To model, dla którego można ustalić próg, ze znanym dryfem na górnym krańcu.
Microsoft nie publikuje oczekiwanego błędu kalibracji, wyniku Briera ani krzywej niezawodności. To, co sugerują wyniki składowe AA, to model, którego pewność jest wykorzystywana konserwatywnie: wysokie wskaźniki braku halucynacji w Omniscience i HLE oznaczają, że wstrzymuje się od odpowiedzi, zamiast odpowiadać, gdy nie jest pewien — a tego oczekuje mechanizm zabezpieczający, ale nie klasyfikator. Nie wiadomo, czy jego 0,8 oznacza 0,8 poza własną ewaluacją Microsoftu, a dokumentacja Microsoftu mówi to na swój sposób, zalecając integratorom walidację na reprezentatywnych danych i ustalanie progów na podstawie kosztu popełnianych błędów.
Ta asymetria ma praktyczną konsekwencję. W przypadku Karpo dziedziczysz opublikowaną krzywą kalibracji i możesz ustawić próg początkowy, zanim cokolwiek uruchomisz. W przypadku Microsoft-Decision-1 dziedziczysz metodologię i obietnicę, a Twoje pierwsze dwa tygodnie są projektem pomiarowym. Żadne z nich nie jest dyskwalifikujące; to po prostu różne rodzaje pracy.
Wersja, której nie wymienia żaden tytuł
Microsoft-Decision-1 nie jest już aktualnym modelem we własnej rodzinie. Microsoft-Decision-1.1 pojawił się 17 listopada 2026 r. na Ignite na bazie mieszaniny ekspertów Gemma 4 26B A4B, w tej samej cenie i z tym samym limitem 32K, a Artificial Analysis ocenia go na 67,78 — o 5,7 punktu więcej niż wersja 1, przy 123 ms na zadanie zamiast 274 ms, ze wskaźnikiem niehalucynacji w Omniscience wzrosłym z 21,7% do 49,4%. Pogorszył się także w obszarach, w których oceniający powinien być stabilny: surowa dokładność na HLE-MultiChoice wyniosła 6,29% wobec 8,64%, a 47,5% rodzin pytań AA-Symmetry zostało odpowiedzianych spójnie wobec 51,7%.
Każdy, kto pod koniec listopada porównuje Karpo z „modelem decyzyjnym Microsoftu”, porównuje je zatem z wersją zastąpioną. Nie czyni to samego zestawienia bezprzedmiotowym — wersja 1 wciąż jest punktem odniesienia, względem którego wymiarowano bardzo wiele wdrożeń Foundry — ale oznacza, że liczbą do pobicia po stronie Microsoftu jest 67,78, a pytaniem drugiego rzędu jest, czy model, który wymienia dokładność wiedzy na dyscyplinę wstrzymywania się od odpowiedzi, jest w ogóle właściwym kształtem dla twojego potoku.
Czego każda ze stron nie może ci dać
Karpo nie może dać ci umowy. Nie ma endpointu, cennika, ścieżki wsparcia, SLA ani oświadczenia dostawcy poza kartą modelu i README. Jeśli twoja organizacja nie może uruchomić checkpointu o rozmiarze 62,5 GB na własnym sprzęcie, porównanie na tym się kończy, niezależnie od wyniku. Załadowanie go jako zwykłego modelu czatu również nie odtworzy jego odpowiedzi: wymagane są zarówno branch attention, jak i odczyt 255 kodów, a pakiet Python oraz POST /v1/systemone serwer istnieją właśnie dlatego, że ogólny stos inferencyjny nie wystarczy.
Microsoft-Decision-1 nie może podać ci liczby, której nie przyjąłeś na wiarę, nie można go dostroić na twoich własnych danych decyzyjnych, nie potrafi odczytać zrzutu ekranu ani nie można go uruchomić offline. Nie możesz go również poddać benchmarkowi za pomocą tego samego narzędzia co Karpo, ponieważ Decision Index to rejestr otwartych reprodukcji, a zamknięty model API nie ma wag do odtworzenia. Te dwa modele będą się nieustannie rozmijać: jeden ranking nigdy nie będzie zawierał oceniającego Microsoftu, a Artificial Analysis nie ma wiersza dla Karpo.
Istnieje trzecia opcja, bardziej użyteczna niż którakolwiek z tych dwóch kolumn. Jeśli tak naprawdę potrzebujesz warstwy decyzyjnej obok potoku generatywnego, generator to ta połowa, którą już można ustandaryzować. OrcaRouter nie hostuje Karpo Decision 31B ani Microsoft-Decision-1, a żaden z nich nie powinien znajdować się za trasą chat-completions. Hostuje natomiast dwa modele, wokół których to porównanie wciąż krąży: Gemma 4 31B, bazę, z której dostrojono Karpo, oraz Jev 1.14 firmy TypeSafe, model, którego ściganie jest celem tablicy otwartej reprodukcji. Oba są dostępne za jednym kluczem zgodnym z OpenAI obok ponad 200 innych modeli w cenie katalogowej dostawcy przekazywanej bez marży, więc obniżka ceny dostawcy trafia na naszą stronę tego samego dnia, a automatyczne przełączanie awaryjne utrzymuje pętlę oceniania przy życiu, gdy jeden dostawca szwankuje.
Po który sięgnąć

Wybierz Microsoft-Decision-1, a rozsądniej Microsoft-Decision-1.1, jeśli warstwa decyzyjna musi działać w środowisku Azure, jeśli bardziej potrzebujesz ścieżki zatwierdzeń niż pozycji w rankingu i jeśli dane wejściowe to tekst mieszczący się w 32K. Zaplanuj budżet na badanie kalibracyjne, ponieważ Microsoft go nie zapewnił, i ustal progi wstrzymania się od odpowiedzi na podstawie kosztu swoich błędów, a nie opisu dostawcy.
Wybierz Karpo Decision 31B, jeśli masz GPU, jeśli zrzuty ekranu lub stan JSON są częścią zadania, jeśli Apache-2.0 ma znaczenie dla produktu, który zamierzasz wydać, i jeśli wynik prywatnego testu przeprowadzonego przez stronę trzecią wraz z opublikowaną krzywą kalibracji to dowód, który akceptuje twój zespół. W zamian zaakceptuj, że teraz to ty jesteś dostawcą: brak wsparcia, brak SLA, brak ceny, względem której można planować budżet, i model mający dwa tygodnie, którego repozytorium wciąż było edytowane 16 listopada.
Nie opieraj wyboru żadnego z nich na 73,86 kontra 62,07. Te liczby zostały wygenerowane przez organizacje, które nigdy nie oceniały tej samej pracy, na zestawach o różnym udziale testów prywatnych i różnych formułach punktacji, a uczciwa interpretacja jest taka, że oba modele są wiarygodne i żaden nie został udowodniony przeciwko drugiemu. Test, który by to rozstrzygnął — pojawienie się Karpo na niezależnym panelu, który ocenia także model Microsoftu, albo opublikowanie przez Microsoft tabeli wyników opisanej w jego sekcji metodologii — nie nastąpił. Dopóki to nie nastąpi, decyzja zależy od zakupów, sprzętu i modalności wejścia, i właśnie od tego powinna zależeć od początku.
