
Karpo Decision 31B vs Nimble v3: Licencja odpowiada, zanim odpowie ranking
- 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
Two decision models shipped in the same autumn with almost no announcement, and they land on opposite sides of the one question that usually decides a purchase. Nimble v3 — filed as Bespoke-Nimble-9B-v3, uploaded to Hugging Face on 30 September 2026 — is a 9B LoRA adapter under CC BY-NC 4.0, which the card glosses as "it may not be used for commercial purposes." Karpo Decision 31B, created on 5 November 2026 by MachinePulse, is a 31.3B Gemma 4 fine-tune under Apache-2.0 with Gemma 4's own terms carried alongside. Everything else in this matchup — a 22-point leaderboard gap, a three-times difference in weight size, a calibration error that differs by a factor of two and a half — is downstream of that fork, and most teams discover it after they have already picked a winner on benchmarks.
Zacznijmy więc od licencji, ponieważ jest to jedyna część tego porównania, która jest zarówno rozstrzygnięta, jak i decydująca. Następnie spójrzmy na to, co liczby mogą, a czego nie mogą ci powiedzieć, ponieważ po tej stronie prawie nic nie jest rozstrzygnięte.
Co tak naprawdę zawiera każde repozytorium
Nimble v3 to pięć plików: README, adapter_config.json, adapter_model.safetensors, schema_config.json oraz .gitattributes. Jest to adapter PEFT, a nie samodzielny model, i oczekuje jako modelu bazowego Qwen/Qwen3.5-9B, którego repozytorium nie duplikuje. Karta opisuje kontekst i pytania z określonym typem odpowiedzi — wybór spośród opcji lub tak/nie — i zwraca prawdopodobieństwo dla każdej opcji. Bespoke Labs nie opublikowało dla v3 długości kontekstu, maksymalnej liczby opcji, temperatury ani noty o zmianach; wcześniejsze punkty kontrolne z tej rodziny dokumentowały część z tego, ten tego nie robi.
Karpo Decision 31B to pełny checkpoint: 62,5 GB wag przy 31,3 mld parametrów w bf16 oraz głowica odczytu 255 × 5 376 w fp32. Odczytuje tekst, JSON i obrazy, przyjmuje do 255 opcji na pytanie, ogranicza sekwencję do 32 768 tokenów, dzieli dłuższe żądania według pytań i odrzuca wszystko, co nadal się nie zmieści, zamiast to obcinać. Dostarczany jest jako pakiet Pythona i serwer HTTP w kształcie System One, POST /v1/systemone, ponieważ ogólny stos chat-completions nie jest w stanie go uruchomić: zarówno uwaga rozgałęzień, jak i odczyt mają kluczowe znaczenie, a wczytanie checkpointu jako zwykłego modelu czatu nie odtworzy jego odpowiedzi.
Różnica między repozytoriami ma praktyczny wymiar. README Nimble v3 nie mówi, jak poprawnie go serwować; karta Karpo mówi. Jeden to checkpoint z instrukcją obsługi, drugi to checkpoint z wierszem licencji.
Luka, a także instrumenty, którym musiałbyś zaufać, by w nią uwierzyć
On the Decision Index — the community board tracking open reproductions of TypeSafe's Jev, now in edition 0.4.1 — the two numbers are 73.86 and 51.06 on the Full score. That is a 22.8-point gap. The Full figure is the one worth trusting most, because the maintainers ran it themselves: roughly 60% of it comes from tests over the same skills as the public suite and 40% from domains nobody published for, and neither vendor saw either half beforehand. Karpo's split is 70.94 same-skills against 61.5 new-domains. Nimble v3's is 52.34 against 38.2.
Publicznie podane wartości na każdej karcie pochodzą z własnych uruchomień oficjalnego zestawu przez dostawców i należy je odczytywać osobno: 75,05 dla Karpo w przypadku 140 178 ocenionych żądań oraz 56,88 dla Nimble v3 — wartość, którą jego karta podaje dla starszego zestawu 0.2.1, a którą ponowne uruchomienie przez radę daje 57,19 w obecnej skali. Obie wartości zostały przyjęte przez radę, co jest rzeczywistym etapem weryfikacji, a nie tym samym co niezależne laboratorium uruchamiające model na własnym sprzęcie. Żaden z modeli nie pojawia się w Artificial Analysis. Nikt spoza tych dwóch repozytoriów nie ocenił żadnego z nich.
W praktyce oznacza to, że 22,8 punktu są bardziej wiarygodne niż większość porównań dostawców i mniej wiarygodne niż pojedynczy pomiar tym samym narzędziem obejmujący oba modele. Zostały wygenerowane przez jedną organizację, na jednym zestawie testów, według jednego wzoru, co jest naprawdę najlepszym dostępnym przypadkiem dla otwartych modeli decyzyjnych — a zestaw testów jest nieoficjalny, pasmo remisu wynosi 0,9 punktu, a prywatnej połowy nie możesz sprawdzić. Traktuj kierunek jako realny, a wielkość jako przybliżoną.
Gdzie model 9B jest bliżej, niż sugeruje różnica rozmiarów

Rozbij pięć wyników kategorii z rankingu, a opowieść przestaje być łatwą wygraną. W kategorii narzędzi i automatyzacji Nimble v3 uzyskuje 84,24 wobec 88,39 Karpo — cztery punkty, od modelu o jednej trzeciej rozmiaru, w kategorii obejmującej wybór narzędzi i bramkowanie agentów. To przypadek użycia, dla którego Bespoke Labs zbudowało tę rodzinę modeli, i różnica rozmiarów wychodzi z tego mniej więcej bez szwanku. Jeśli twoja warstwa decyzyjna istnieje po to, by odpowiadać „czy ten agent powinien wywołać narzędzie i które”, adapter 9B jest w tej samej rozmowie co checkpoint 31B.
Wszędzie indziej różnica jest taka, jak można by przewidzieć. Rozumienie języka wynosi 60,68 wobec 76,78, wyszukiwanie informacji 55,48 wobec 76,42, wiedza 40,96 wobec 65,46, sztuka i ocena otwarta 44,05 wobec 68,21. Przewaga Karpo koncentruje się dokładnie tam, gdzie dodatkowa pojemność modelu 31B powinna się opłacać: dłuższy kontekst, większa wiedza o świecie, lepsze odczytywanie gęstego stanu.
Opóźnienie również nie idzie w parze z różnicą rozmiarów. Na sprzęcie referencyjnym trackera — jeden GPU, jedno żądanie naraz — Nimble v3 osiąga medianę 73,9 ms wobec 94,3 ms Karpo. Dwadzieścia milisekund to nie powód, by wybierać model, ale przypomnienie, że scalony adapter 9B to inny obiekt w obsłudze: mieści się na laptopie w Q4, ładuje się w kilka sekund i może działać w pętli agenta krok po kroku bez rozmowy o budżecie GPU.
Kalibracja, w której mniejszy model jest nie tylko słabszy, lecz także mniej uczciwy
Dokładność mówi, jak często najlepsza odpowiedź jest poprawna. Kalibracja mówi, czy przypisane do niej prawdopodobieństwo może stanowić podstawę progu decyzyjnego, a dla modelu decyzyjnego to jedyna liczba, która ma znaczenie operacyjne.
Karta Karpo raportuje 4,8-punktowy oczekiwany błąd kalibracji na podstawie 34 411 odpowiedzi: średnia pewność 87,96% wobec rzeczywistej dokładności 83,19%. W najwyższym przedziale, obejmującym 68,5% wszystkich odpowiedzi, ma rację w 95,7% przypadków, deklarując 98,7%. Nadmierna pewność na górnym końcu, o około trzy punkty, a poza tym krzywa podąża za rzeczywistością.
Wynik Nimble v3 to 12,29 punktu na 34 833 odpowiedzi: pewność 87,26% wobec dokładności 74,97%. Najwyższy przedział obejmuje 67% odpowiedzi, deklaruje 98,6% i ma rację w 89,1% przypadków — 9,5-punktowe zawyżenie w paśmie, w którym faktycznie działa próg. Poniżej środkowe przedziały są jeszcze gorsze: przy deklarowanych 0,85 model ma rację mniej więcej w 59% przypadków. To nie jest model z niewielkim dryfem kalibracji; to model, którego pewności nie można użyć jako bramki bez przeskalowania, a dokumentacja samej rodziny nigdy nie obiecywała inaczej.
Przeczytaj oba akapity razem, a uczciwy wniosek jest węższy, niż sugeruje ranking. Karpo jest lepszy w podejmowaniu decyzji i lepszy w ocenie, jak dobre są jego decyzje. Nimble v3 jest tańszy w eksploatacji, a w jednej kategorii, która najbardziej liczy się w pracy agentów, jest blisko — ale jeśli planujesz automatycznie akceptować powyżej 0,9 i eskalować poniżej, pierwszy tydzień spędzisz na dopasowywaniu korekty do Nimble, którą Karpo daje ci w swojej karcie.
Fork licencyjny, przedstawiony bez ogródek
Nimble v3 jest objęty licencją CC BY-NC 4.0. To nie jest dwuznaczne: karta modelu mówi, że nie może być używany do celów komercyjnych. Każdy wcześniejszy checkpoint Nimble był objęty licencją Apache-2.0, a model bazowy jest objęty licencją Apache-2.0, co niczego nie zmienia — permisywna licencja bazowa nie łagodzi niekomercyjnej licencji adaptera, a to w adapterze znajduje się zachowanie. Repozytorium GitHub zawierające kod projektu do szkolenia i kuratorowania danych nie wskazuje żadnej licencji przez API GitHuba, co jest osobnym i prawdopodobnie gorszym problemem dla każdego, kto planuje na nim budować.
Karpo Decision 31B is Apache-2.0 for weights and code, with Gemma 4's terms carried alongside in the repository. That is the permissive end of open, with the usual Gemma caveat that downstream redistribution has to carry those terms too.
W przypadku notebooka badawczego, wewnętrznej oceny lub publikacji ta różnica jest niewidoczna, a Nimble v3 to tańsza opcja wejścia. W przypadku czegokolwiek, co dotyczy przychodów — bramki routingu w produkcie komercyjnym, modelu triażu w płatnym potoku, a nawet narzędzia wewnętrznego w firmie nastawionej na zysk — licencja rozstrzyga starcie, zanim 22,8 punktu w ogóle zostanie wzięte pod uwagę. Bespoke Labs ma hostowaną ścieżkę API i placeholder dla wariantu 27B, który raportuje 65,33 w starszym publicznym zestawie testów, i ani jedno, ani drugie nie zmienia warunków dla adaptera 9B.
Udostępnianie któregokolwiek z nich jest problemem routingu, zanim staje się problemem modelowania.

Modele decyzyjne są z założenia wąskie: odpowiadają tylko na pytania, które im przekażesz; nie potrafią pisać, wyjaśniać ani zwracać opcji, której nie dostarczyłeś. To czyni je mniejszą połową wzorca dwóch modeli — i tą połową, którą najłatwiej utrzymać wewnątrz organizacji. Połowa generatywna to miejsce, w którym pojedynczy endpoint zarabia na siebie.
OrcaRouter runs neither of these checkpoints, and neither would make sense behind a chat-completions route. The two models it does serve sit one layer down: TypeSafe's Jev 1.14, the target the whole board exists to reproduce, and the Gemma 4 31B checkpoint that Karpo was fine-tuned from. One key covers both, pricing follows the provider's list with nothing added on top, so a vendor change reaches you the same day. What suits a decision head is the routing layer in front of it — a routing DSL that sends each request class to the model that should answer it, with failover behind that — so a nightly rescoring job and a live guardrail share one contract while the decision model itself stays wherever its licence allows.
Trzy rzeczy, które zmieniłyby tę interpretację

Pierwszą kwestią jest zmiana licencji. Komercyjnie używalny adapter Nimble na bazie Qwen3.5-9B, z kontraktem kontekstowym i podaną temperaturą, uczyniłby opcję 9B naprawdę konkurencyjną w bramkowaniu agentów — wynik 84,24 w narzędziach pokazuje, że możliwości już są. Nic w publicznych materiałach Bespoke Labs nie sugeruje, że to nadchodzi; przejście z Apache-2.0 na CC BY-NC poszło w przeciwnym kierunku.
Drugi to specyfikacja kontekstu i promptu. Karta modelu Nimble v3 nie dokumentuje żadnego z nich, co oznacza, że każdy, kto go uruchamia, zgaduje format promptu, który wcześniejsze wydania dostarczały domyślnie. Model, którego dane wejściowe są rekonstruowane przez użytkownika, to model, którego wyniki trudno odtworzyć, a błąd kalibracji wynoszący 12,3 punktu to liczba, która wypada lepiej lub gorzej w zależności od tego, jak sformułujesz pytanie.
Trzecim jest dowolne niezależne narzędzie odczytujące oba. Decision Index jest staranny, przejrzysty co do swojej metody i uczciwy w kwestii swoich przedziałów remisowych, a mimo to wciąż jest jedną tablicą społecznościową. W dniu, w którym którykolwiek z modeli pojawi się w Artificial Analysis obok oceniającego od hyperscalera, porównanie przestaje być arytmetyką na dwóch kartach dostawców i staje się pomiarem. To nie stało się w przypadku żadnego z nich, a dopóki się nie stanie, stanowiskiem możliwym do obrony jest to nudne: Apache-2.0 i lepiej skalibrowany przy 31B, jeśli możesz go uruchomić, niekomercyjny i tani przy 9B, jeśli nie możesz, i żadnego powodu, by wybierać wyłącznie na podstawie wyniku.
