Pareto 26.10 vs Pareto 26.9: jedna liczba odróżnia te dwa wydania

Porównanie Pareto 26.10 z Pareto 26.9to głównie studium rzeczy, które się nie zmieniły. Ten sam dostawca, ta sama architektura kompozytowa, ta sama maksymalna odpowiedź 131 072 tokenów, te same pięć zadeklarowanych parametrów, te same publikowane stawki na własnej stronie cenowej dostawcy i — w jedynym benchmarku wspólnym dla obu wydań — różnica jednej dziesiątej punktu na korzyść starszego modelu. Na płaszczyznach, na których zwykle porównuje się modele, te dwa to ten sam produkt w różnych numerach wersji. Na jednej płaszczyźnie tak nie jest, i to ta płaszczyzna decyduje, które obciążenia mogą w ogóle korzystać z któregokolwiek z nich: okno kontekstu, gdzie 26.9 oferuje 262 144 tokeny, a 26.10 oferuje 1 048 576. Udokumentowane awarie AI i incydenty agentów stojące za takimi wydaniami jak to są zbierane w OrcaRouter AI Incident Archive, gdzie każdy wpis zawiera własne źródła, stopień ważności, ocenę pewności i flagę sporności.

Oba są aktywne. pareto-26.10 to wydanie, które 15 października 2026 r. stało się domyślnym wydaniem wskazywanym przez alias pareto, gdy Unbiased przeniósł na nie swoje wydanie ogólnodostępne; pareto-26.9 to wrześniowe wydanie, o którym dostawca mówi, że „pozostaje dostępne” dla każdego, kto chce pozostać. To cała decyzja, przed którą stoi dziś dzwoniący, a reszta tej strony to szczegóły, które za nią stoją.

Okoliczności faktyczne

Obydwa modele są udokumentowane jako przyjmujące dane wejściowe w postaci tekstu i obrazów oraz zwracające tekst, a żaden z nich nie publikuje identyfikatora Hugging Face — wagi są zamknięte po obu stronach tego porównania, więc nie ma nic do pobrania i samodzielnego hostowania. Żaden z nich nie ma niezależnego benchmarku. Oba są udostępniane przez jednego dostawcę, samego Unbiased, co oznacza, że w stosie technologicznym dostawcy nie ma drugiego hosta awaryjnego dla żadnego z tych wydań. Poniższe porównanie dotyczy zatem dwóch konfiguracji jednej linii produktowej jednego dostawcy, a nie dwóch ekosystemów.

Kontekst to cała argumentacja.

Wzrost kontekstu 4× brzmi jak pozycja z karty specyfikacji, dopóki nie przełożysz go na to, co ludzie faktycznie robią z modelami o długim kontekście.

Przy 262 144 tokenach pełna sesja agenta obejmująca całe repozytorium, długi transkrypt wsparcia albo wielogodzinny wątek badawczy to problem dzielenia na fragmenty. Pobierasz dane, streszczasz je, utrzymujesz ruchome okno i akceptujesz, że model widzi rekonstrukcję zadania, a nie samo zadanie. Przy 1 048 576 tokenach te obciążenia się mieszczą — nie zawsze komfortowo i nie tanio, przy 0,80 USD za milion tokenów wejściowych bez trafienia w pamięć podręczną, ale się mieszczą. Praktyczna różnica między tymi dwoma wydaniami polega na tym, czy Twój potok przetwarzania wymaga warstwy wyszukiwania między Twoimi danymi a modelem.

To prawdziwa decyzja inżynierska, a zarazem jedyna na tej stronie, dla której można obronić odpowiedź. Wszystko inne jest na tyle bliskie, że wyboru należy dokonać na podstawie czegoś innego niż jakość.

Obok siebie, wymiar po wymiarze

• Ciąg modelu — pareto-26.10 (domyślny dla pareto od 2026-10-15) vs pareto-26.9 (zachowany, niebędący domyślnym).

• Okno kontekstu — 1,048,576 tokenów vs 262,144 tokenów.

• Maksymalna odpowiedź — 131 072 tokeny w obu przypadkach. Bez zmian między wydaniami.

• Modalności — tekst + obraz na wejściu, tekst na wyjściu, w obu przypadkach.

• Deklarowane parametry — max_tokens, temperature, top_p, tools, tool_choice w 26.10; ten sam zestaw plus response_format w 26.9.

• Wywoływanie narzędzi — tool_choice ograniczone do auto w 26.10; model decyduje, czy wywołać, nie możesz go do tego zmusić.

• Wagi — zamknięte w obu przypadkach; w żadnym z rekordów nie ma identyfikatora Hugging Face.

• Świadczenie usług — jeden, dostawca, w obu.

• Opublikowana stawka — 0,80 USD za wejście / 0,03 USD za pamięć podręczną / 3,20 USD za wyjście za milion w obu przypadkach, zgodnie z aktualną stroną cennika dostawcy.

DeepSWE v1.1 — 69,9% przy 0,24 USD na zadanie w dniu 26.10 vs 70,0% przy 0,29 USD na zadanie w dniu 26.9, oba uruchamiane przez dostawcę.

Dwa z tych wierszy zasługują na osobny akapit, ponieważ to właśnie one bywają błędnie przedstawiane.

Różnica w structured output, o której nikt nie mówi

Listy parametrów nie są identyczne. Rekord katalogowy dla 26.9 deklaruje response_format wśród obsługiwanych parametrów; rekord dla 26.10 nie. Deklarowany zakres dla 26.10 to max_tokens, temperature, top_p, tools i tool_choice — i to wszystko.

Przeczytaj to uważnie, a nie tylko jak nagłówek: brak parametru na zadeklarowanej liście nie jest dowodem, że endpoint go odrzuca, a dokumentacja API samego dostawcy nie wylicza ani jednej, ani drugiej listy. Jeśli jednak Twój pipeline zależy od trybu JSON lub danych wyjściowych ograniczonych schematem i przechodzisz z wersji 26.9 na 26.10 przy założeniu, że nowsze wydanie jest ścisłym nadzbiorem, to tego założenia nie potwierdza nic, co zostało opublikowane. Przetestuj to na własnym ruchu przed migracją albo zaplanuj walidację danych wyjściowych po stronie klienta. To drobiazg, który w pewien wtorek zamienia się w incydent.

Dwie aktywne karty stawek nie zgadzają się co do kosztu 26,9

To najbardziej zagmatwana część porównania i ta, która najprawdopodobniej wpłynie na rzeczywistą decyzję.

Unbiased publikuje jedną kartę stawek — 0,80 USD za wejście, 0,03 USD za wejście z pamięci podręcznej, 3,20 USD za wyjście — i nie wersjonuje jej według wydania. Czytana dosłownie, oznacza to, że 26.10 i 26.9 kosztują dziś tyle samo za token, co czyni migrację darmową, a zwiększenie kontekstu jedyną zmienną. Tymczasem techniczny rekord oferty samego modelu wciąż zawiera wrześniowe wartości dla 26.9: 2,50 USD za wejście, 0,25 USD za wejście z pamięci podręcznej, 7,50 USD za wyjście. Oba źródła były aktywne, gdy to pisano. Żadne nie ma daty, a dostawca nie opublikował żadnego wpisu w changelogu wyjaśniającego tę zmianę, więc nigdzie w zapisie nie ma cytowalnego zdania „tego dnia cena spadła”.

Praktyczne wskazówki są mało efektowne. Zakładaj niższą kartę, ponieważ dwie z trzech powierzchni, które możesz odczytać, publikują ją, a jedna z nich to strona, na podstawie której klient otrzymuje fakturę — a potem sprawdź ją ponownie, zanim zatwierdzisz liczbę w budżecie. Jeśli przypisujesz którekolwiek z wydań do alokacji kosztów, wiedz, że miesiąc mieszany obejmujący przejście z 15 października nie rozłoży się czysto po fakcie, ponieważ wydania miały różne ceny w różnych momentach, a dostawca nie datuje swoich zmian.

Jeden wynik, jedna dziesiąta punktu i nic do wywnioskowania

Jedynym benchmarkiem wspólnym dla obu wydań jest DeepSWE v1.1, a według własnych danych dostawcy 26.9 osiąga 70,0%, zaś 26.10 – 69,9%. Obie wartości pochodzą z testów przeprowadzonych przez dostawcę, przy czym starsza opiera się na wycinku 30 zadań, a nie na pełnym zestawie ewaluacyjnym, a całe porównanie jest opisane przez Unbiased jako niezweryfikowane niezależnie.

Uczciwa interpretacja jest taka, że ten pomiar nie pozwala odróżnić wydań. Jedna dziesiąta punktu na wycinku częściowego zadania mieści się w szumie pojedynczego przebiegu, a traktowanie tego jako rankingu w którąkolwiek stronę — „26.10 uległo regresji” albo „26.10 jest lepsze, bo jest tańsze na zadanie” — to wróżenie z fusów. Wartości kosztu na zadanie różnią się bardziej (0,24 USD wobec 0,29 USD), a nawet one pochodzą z przebiegów w różnych miesiącach na modelu mieszanym, którego bazowego składu dostawca nie ujawnia.

To, co ten arkusz faktycznie mówi, to gdzie nie szukać. Jeśli wybierasz między tymi dwoma pod kątem jakości, wybierasz na podstawie liczby, która nie jest w stanie udźwignąć tego wyboru. Dowody, które je rozdzielają, mają charakter architektoniczny — okno kontekstu i przestrzeń parametrów — a oba te elementy da się zweryfikować w sposób, w jaki wyniki punktowe już nie.

Które wywołać — według obciążenia

• Programowanie agentowe na pełnym repozytorium — 26.10. Okno 1M to różnica między wysłaniem repozytorium a wysłaniem jego podsumowania.

• Analiza długich dokumentów lub długich transkrypcji — 26.10, z tego samego powodu, i uważaj na koszt wejścia: 1M tokenów bez trafienia w cache to $0.80 na żądanie tylko za wejście.

• Potoki wyjściowe w trybie JSON lub ograniczone schematem — 26.9, dopóki samodzielnie nie przetestujesz zachowania wersji 26.10, ponieważ zadeklarowana lista parametrów wersji 26.9 obejmuje response_format, a wersji 26.10 już nie.

• Obciążenie już obecne w produkcji i mieszczące się w 262K — 26.9. Nie ma opublikowanych dowodów, że przeniesienie poprawia wyniki, a przypięcie jest tańszą decyzją.

• Wszystko, gdy chcesz mieć bieżącą domyślną wersję dostawcy bez utrzymywania przypięcia — 26.10, przez sam alias pareto, przy założeniu, że alias kieruje się kalendarzem dostawcy, a nie Twoim.

Dla zespołów obsługujących obie strony pętli budowania i weryfikacji przydatnym wzorcem jest przypięcie 26.10 do przebiegu z długim kontekstem i utrzymanie 26.9 jako ramienia porównawczego — dokładnie temu służy warstwa routingu. OrcaRouter nie obsługuje żadnego modelu Unbiased, więc oba ciągi są wywoływane przez własne API dostawcy; zapewniamy natomiast jeden klucz i jedną integrację dla modeli, aby testować 26.10 wobecnich, więc ocena przełączenia nie oznacza podpisywania drugiej umowy. OrcaRouter przekazuje cenę listową dostawcy bezpośrednio z marżą 0%, co dotyczy modeli, które faktycznie obsługujemy, a nie tego jednego.

Migracja, której nikt nie zaplanował

Powód, dla którego to porównanie jest aktualne, a nie akademickie, jest taki, że zmiana dotknęła już osób, które o nią nie prosiły. 15 października alias pareto został przeniesiony z wydania wrześniowego do 26.10. Każdy, kto wywołał sam ciąg, otrzymał czterokrotnie większe okno kontekstu i inny zestaw parametrów bez zmiany w kodzie — a ponieważ dokumentacja dostawcy wskazuje, że nieznane identyfikatory modeli nie są odrzucane, błędnie zapisane przypięcie nadal jest obsługiwane i rozliczane jako Pareto, zamiast głośno zgłosić błąd.

Jeśli zamiast tego korzystałeś z kanału preview, ta ścieżka jest zamknięta: Unbiased poinformował użytkowników preview, aby przenieśli się na pareto lub pareto-26.10. Jeśli korzystałeś z pareto i zakładałeś stabilność, to założenie jest teraz widoczne w twoich własnych logach — niezależnie od tego, czy spowodowało problem.

Tak czy inaczej, poprawka jest ta sama i wymaga jednej linii: podaj nazwę wydania, które testowałeś. Ciąg z kwalifikatorem wersji sprawia, że model kosztów można odjąć, a regresję przypisać, i jest to jedyny mechanizm, jaki ten dostawca ci daje w obu tych celach.

Co wciąż jest niezweryfikowane

Ani jedno z tych wydań nie ma niezależnego benchmarku. Artificial Analysis nie prowadzi dla żadnego z nich strony, a żaden ewaluator nie opublikował ponownego uruchomienia zestawu testowego dostawcy. Każda liczba w tym porównaniu — cztery wyniki, wartości kosztu na zadanie, okna kontekstu — została albo opublikowana przez dostawcę, albo odczytana z technicznego wpisu katalogowego modelu, a same wyniki noszą własne etykiety dostawcy „wstępne” i „niezweryfikowane niezależnie”.

To nie jest powód, by unikać któregokolwiek z modeli. To powód, by zdecydować o rzeczach, które da się sprawdzić: czy Twoje obciążenie mieści się w 262K, czy Twój pipeline potrzebuje response_format i czy chcesz być na aliasie, czy na pinie. Te trzy pytania mają odpowiedzi. Który model jest lepszy — nie, i żadna ilość czytania opublikowanego arkusza nie da odpowiedzi.