UserRepGen-4B: Microsoft w nocy wgrał model symulacji użytkownika i nic nie ogłosił

14 października 2026 o 20:30 UTC w organizacji Microsoft na Hugging Face pojawiło się repozytorium o nazwie microsoft/UserRepGen-4B, a ostatni commit trafił do niego dwie godziny później. Nie ma za nim żadnego wpisu zapowiadającego premierę, żadnej pracy naukowej, żadnego wpisu na blogu dostawcy, żadnego demo Space ani repozytorium kodu — github.com/microsoft/UserRepGen zwraca 404, a wyszukiwanie kodu w GitHubie po tej nazwie daje zero wyników. Istnieje natomiast plik safetensors o rozmiarze 9 078 620 536 bajtów, szablon czatu, prompt reprezentacji, działający przykład oraz karta modelu, która jest niezwykle szczera co do tego, czego nie dowodzi. Karta wskazuje jako szkielet Qwen3.5-4B, gęsty checkpoint A​libaba z lutego 2026, z dołączonym LoRA o randze 64. To przypadek cichej premiery: artefakt jest prawdziwy i można go pobrać, ogłoszenia nie ma, a właściwym działaniem jest przeczytanie repozytorium zamiast czekania na komunikat prasowy, który może nigdy nie nadejść.

Co właściwie znajduje się na hubie

Wszystko poniżej odczytano bezpośrednio z repozytorium, które jest jedynym źródłem własnym, jakie obecnie istnieje.

• Wagi — jeden plik, model.safetensors, o rozmiarze 9 078 620 536 bajtów w formacie bfloat16. Około 9,1 GB, bez kwantyzacji, bez GGUF, bez ONNX, bez kompilacji MLX, bez jakiegokolwiek formatu specyficznego dla urządzenia. Pasek boczny samego Hub-a zaokrągla to do „5B params”, podczas gdy karta opisuje model jako „4B-class” — drobna niespójność w metadanych, nie w pliku.

• Baza — Qwen3.5-4B, gęsty czteromiliardowy checkpoint A​libaby z lutego 2026, dostrojony przy użyciu LoRA o randze 64. Karta podaje, że wszystkie 7 235 zapisanych nazw i kształtów tensorów sprawdzono względem konfiguracji upstream w rewizji 851bf6e oraz że głowica wyjściowa współdzieli wagi embeddingu wejściowego.

• Licencja — MIT na własny wkład Microsoftu, a zasoby upstream Q​wen pozostają na licencji Apache 2.0 w osobnym pliku LICENSE.Q​wen. To para licencji permisywnych i warta odnotowania, ponieważ nie jest to wzorzec, po który sięga zespół badawczy, gdy zamierza coś zatrzymać komercyjnie.

• Okno treningowe — od lipca do sierpnia 2026, czyli mniej więcej dwa miesiące pracy ukończone, a potem przeleżały przed wysłaniem.

• Samo wgranie — własny kanał aktywności organizacji Microsoft na Hubie odnotowuje je jako „philippelaban opublikował model”, na kilka minut przed zrzutem. To nie konto premierowe ani nie bot publikacyjny: jeden z dwóch badaczy wskazanych jako kontakt w karcie modelu. Jeśli istniał plan wydania, to nie tak on wyglądał.

• Adopcja, w tej chwili — zero pobrań i zero polubień w momencie pisania. Ta liczba to odczyt zegara, nie wyrok, i to ona jest najbardziej ulotną liczbą w tym artykule.

Co model faktycznie robi — a czego celowo nie robi

Nazwa jest precyzyjna, gdy przeczyta się kartę. UserRepGen-4B nie generuje tur użytkownika. Odczytuje ukończoną wieloetapową rozmowę użytkownika z asystentem i zapisuje obiekt JSON z dokładnie dwoma polami tekstowymi: task, opisującym, co użytkownik próbował osiągnąć, oraz user_behavior, opisującym, jak do tego podszedł — jak formułuje prośby, jak rozkłada cel na kolejne tury, kiedy sam podaje kontekst, jak reaguje, gdy odpowiedź się nie uda, i czy kończy wcześniej.

Ten wynik nie jest odpowiedzią ani transkrypcją. To sygnał warunkujący, przeznaczony do przekazania osobnemu LLM, który odgrywa rolę użytkownika w symulacji. Zamierzony przebieg pracy na karcie wyraźnie określa przekazanie dalej: wybierz rozmowę, którą masz uprawnienia przetwarzać, usuń materiały identyfikujące, wygeneruj reprezentację, zweryfikuj ją jako JSON, przejrzyj ją pod kątem nieuzasadnionych wniosków, a następnie przekaż przejrzaną wersję do symulatora.

Cała istota tego modelu tkwi w odróżnieniu go od wcześniejszych prac Microsoftu w tym obszarze. UserLM-8b oraz UserLM-2.0 generują wypowiedzi użytkownika. UserRepGen generuje opis, na którym warunkowany jest symulator, co czyni go wielokrotnego użytku w wielu uruchomieniach symulatora i tańszym w audycie raz, a nie na każdą turę. Karta mówi to wprost, a to właśnie ten rodzaj twierdzenia architektonicznego, który zwykle pojawia się w towarzystwie artykułu.

Tutaj artykuł nie jest załączony. Sekcja cytowania zawiera: „Link do artykułu i wpis BibTeX oczekują na potwierdzenie i zostaną dodane przed sfinalizowaniem karty modelu”. Druga linia, w sekcji użycia, mówi, aby uwierzytelnić się za pomocą hf auth login „gdy repozytorium jest prywatne” — repozytorium nie jest prywatne, więc to zdanie to pozostałość po przygotowanym do publikacji wgraniu. Razem te dwa szczegóły mówią coś konkretnego: ta karta została napisana, aby towarzyszyć wydaniu, które jeszcze nie miało miejsca, gdy przygotowywano wgranie.

Tabela benchmarków i dlaczego nie jest rankingiem

Karta publikuje ocenę na 700 rozmowach odłożonych, po 100 pobranych z każdego z siedmiu źródłowych zbiorów danych. Każda liczba w niej pochodzi od samego Microsoftu i została uzyskana przy użyciu GPT-5.4 mini, który jednocześnie pełnił rolę symulatora, asystenta i sędziego, a następnie oceniona przez oddzielne wywołanie sędziowskie w skali wierności od 1 do 10.

• Qwen3.5-4B base — 3,41 best-of-1, 4,42 best-of-3.

• GPT-5.5, użyty prosto z półki jako generator reprezentacji — 3,90 i 4,90.

• Zwykłe nadzorowane dostrajanie — 4,64 i 5,68; OPSD — 4,46 i 5,60; GRPO — 3,57 i 4,59.

• Sam UserRepGen-4B, trenowany z użyciem nadzorowanego dostrajania online poprzez destylację retrospektywną — 4,95 i 6,02.

Przeczytaj tę tabelę taką, jaka jest. Ciekawe wiersze to nie ten na samej górze. To dwa środkowe wiersze: zarówno OPSD, jak i GRPO, dwie metody uczenia ze wzmocnieniem, po które ta dziedzina sięga domyślnie, wypadają poniżejzwykłego nadzorowanego dostrajania w tym zadaniu. Metodą, która wygrywa, jest ta, która optymalizuje reprezentację wielokrotnego użytku, a nie politykę symulatora. To autentyczny argument o tym, gdzie powinien trafić gradient, i najbardziej uniwersalne twierdzenie w całej tej karcie.

To, czego tabela nie może ci powiedzieć, to czy cokolwiek z tego się przenosi. Sędzia, asystent i symulator to wszystko GPT-5.4 mini, więc pętla zamyka się wewnątrz modelu jednego dostawcy. Osobny eksperyment w czasie testowania jest bardziej sugestywny: uruchomienie modelu bazowego z dziesięcioma rundami iteracyjnych informacji zwrotnych z perspektywy czasu podnosi wierność do 6,10 best-of-1, ze szczytem 7,07 best-of-3 przy dziewięciu rundach. To przewyższa wytrenowany model — ale tylko poprzez wydawanie przebiegów symulacji i wywołań informacji zwrotnych podczas wnioskowania, co jest dokładnie tym kosztem, którego wytrenowany model ma unikać. Karta jest skrupulatna w oznaczaniu tych dwóch jako różnych pomiarów i każdy, kto je cytuje, powinien być tak samo skrupulatny.

Walidacja ludzka jest skąpa, ale obecna: 100 par symulacji o nierównych ocenach sędziego, jeden ekspert adnotujący, zaślepiony co do tożsamości modelu i kolejności prezentacji, 88% zgodności z sędzią. Jeden adnotator i sto par to nie jest badanie, na którym oparłbyś decyzję produktową. To jednak więcej niezależnej weryfikacji, niż dostaje większość cichych uploadów.

Ustalenie dotyczące prywatności, które karta publikuje na swój temat

W dodatkowych ewaluacjach ukryta jest liczba, która zasługuje na to, by być nagłówkiem tego wydania: w przypadku ponad 147 użytkowników z ThoughtTrace, którzy nie występują w danych treningowych, selektor GPT-5.4 mini został zapytany, która z czterech kandydackich rozmów pochodziła od tego samego użytkownika co zapytanie. Opisy zachowań generowane przez UserRepGen-4B dają 51,02% dokładności. Pełne rozmowy dają 44,22%. Losowy wybór daje 25%.

Wyuczona reprezentacja to lepszy identyfikator osoby niż surowa rozmowa, którą podsumowuje. Karta nie łagodzi tego — mówi, że wynik „wykazuje ryzyko powiązania, a nie anonimizację ani przydatność do odkrywania tożsamości”, a gdzie indziej stwierdza wprost, że „reprezentacje nie są danymi zanonimizowanymi”. To artefakt badawczy, który mierzy własny tryb awarii i wypisuje go, co wykracza poza to, na co stać większość wydań, ale oznacza też, że zalecany sposób postępowania nie jest opcjonalnym gestem uprzejmości. Jeśli przetwarzasz rozmowy, do których nie masz podstawy prawnej, wynik tego modelu to zwięzły, przenośny, czytelny dla człowieka profil osoby, której dotyczą.

Gdzie można, a gdzie nie można tego dzisiaj uruchomić

Microsoft nie udostępnia tego modelu. Nie ma endpointu, ceny ani API. Karta podaje, że wnioskowanie przetestowano z vLLM na sprzęcie H100, A100, RTX A6000 i B200, a także test dymny na CPU w systemie Linux z Transformers 5.2.0, PyTorch 2.11.0 i Accelerate 1.10.1, który wygenerował prawidłowy JSON z 481-tokenowego promptu. My również go nie oferujemy — OrcaRouter nie wymienia UserRepGen-4B, nasz własny katalog nie ma dla niego wpisu, a niczego tutaj nie należy odczytywać jako twierdzenia o dostępności. Obecnie jedynym sposobem, aby go użyć, jest pobranie 9,1 GB i uruchomienie dołączonego example.py.

Warto powiedzieć to wprost, zamiast tego upiększać, ponieważ uczciwa wersja tego wydania jest wąska: checkpoint, karta i twierdzenie o tym, gdzie umieścić gradient. Jeśli się to potwierdzi, ciekawym ciągiem dalszym nie jest hostowany endpoint — tylko to, czy ten sam trik reprezentacyjny przenosi się na model bazowy o klasę większy, w którym symulator, którego warunkowanie zastępuje, jest znacznie droższy.

Co obejrzeć

Trzy rzeczy, w kolejności od tego, jak bardzo zmieniłyby obraz sytuacji. Artykuł, kiedy już się pojawi, albo pozwoli zweryfikować twierdzenie o destylacji z perspektywy czasu, albo ujawni, że mieszanka siedmiu zbiorów danych robi więcej pracy niż sama metoda. Drugi checkpoint powiedziałby ci, czy Microsoft traktuje to jako linię produktową, czy jako artefakt badawczy. A pierwsza niezależna ewaluacja, przeprowadzona przez kogokolwiek spoza laboratorium, jest tym, co zamienia 4,95 w liczbę, na której można planować. Dopóki nie nastąpi przynajmniej jedno z tych zdarzeń, to repozytorium do przeczytania, a nie model, na który warto stawiać.

Tydzień, w którym ten checkpoint pojawił się bez zapowiedzi, to także rozsądny moment, by przyjrzeć się temu, co już poszło nie tak w tej klasie modeli: udokumentowane incydenty AI i awarie agentów z udziałem modeli takich jak ten są gromadzone w OrcaRouter AI Incident Archive, gdzie każdy wpis zawiera własne źródła, wagę, stopień pewności i oznaczenie sporności.