UserRepGen-4B vs Intern-Decision-4B: Dwa zespoły dostroiły tę samą bazę 4B i nie uzgodniły niczego

Dwa ciche wydania, pięć tygodni od siebie, odgałęziające się od tego samego checkpointu. microsoft/UserRepGen-4B pojawiło się na Hugging Face 14 października 2026 jako repozytorium bfloat16 o rozmiarze 9,1 GB bez żadnej zapowiedzi; internlm/Intern-Decision-4B pojawiło się 26 września 2026 o 05:36:37 UTC w czterdziestosekundowym oknie, które przyniosło również model 0.8B i 2B, równie niezapowiedziane. Oba są dostrojonymi metodą LoRA wariantami Qwen3.5-4B, oba są wyłącznie tekstowe, mimo że mają wieżę wizyjną, której nigdy nie używają, oba zwracają sztywną strukturę, a nie odpowiedź — i nie mogłyby się bardziej różnić co do tego, do czego model ma służyć. Intern-Decision-4B nie zapisuje ani jednego tokenu. UserRepGen-4B nie zapisuje niczego poza tokenami. Wszystko inne w tym porównaniu wynika z tego jednego podziału.

Jeden jest strzelcem, drugi jest pisarzem

Karta modelu InternLM jest zaskakująco bezpośrednia w opisie mechaniki samego modelu: „To API wykonuje ustrukturyzowane punktowanie kandydatów. Nie wywołuje generate() ani nie próbkuje swobodnego tekstu”. Przekazujesz mu stan, schemat nazwanych pytań oraz zestaw odpowiedzi kandydujących. Mapuje opcje na symbole pojedynczych tokenów, wykonuje jeden przyczynowy przebieg w przód, odczytuje logity na pozycji bezpośrednio przed każdym placeholderem, stosuje dopasowaną temperaturę 1,99241824 i zwraca skalibrowane prawdopodobieństwo dla każdej opcji. Jeden przebieg. Bez próbkowania, bez pętli dekodowania, bez tekstu.

RepGen-4B odwraca to. Przekazujesz mu ukończoną rozmowę. Emituje do 1024 tokenów prozy w dwóch polach JSON — opis zadania i opis user_behavior — a karta jest równie bez ogródek w drugą stronę: model „generuje reprezentacje, a nie symulowane tury użytkownika”, nie wykonuje zadania użytkownika i nie jest symulatorem.

Postaw oba obok siebie, a konsekwencje inżynierskie od razu się ujawnią.

• Wartość danych wyjściowych — Intern-Decision-4B zwraca liczbę, którą można porównać z progiem, uśrednić i poddać audytowi. UserRepGen-4B zwraca akapit, którego jakość może ocenić wyłącznie sędzia LLM, i dokładnie tak Microsoft go ocenił.

• Koszt na wywołanie — jeden przebieg w przód na ustalonym prompcie w porównaniu z nawet 1024 generowanymi tokenami. To różnica między około 44 milisekundami a pełnym przebiegiem dekodowania i dlatego model decyzyjny może działać w pętli, w której model reprezentacji nie może.

• Gdzie tkwi znaczenie — InternLM uznał, że odpowiedź powinna być już wyliczalna w prompcie, więc model musi jedynie uszeregować. Microsoft uznał, że odpowiedź jest ukryta w rozmowie, więc model musi napisać ją. Ranking jest ograniczony i weryfikowalny. Pisanie jest otwarte i wymaga sędziego.

Limity nakładów i co mówią ci o zakładach

Obie karty podają twardy limit, a porównanie ich to najszybszy sposób, by zobaczyć, jak odmiennie oba zespoły określiły zakres tego samego modelu bazowego.

Intern-Decision-4B odmawia pracy powyżej 8,192 tokenów. To odmowa, a nie obcięcie — wybór projektowy, który mówi, że model jest przeznaczony do decyzji na tyle zwięzłych, by można je w pełni przedstawić w prompcie.

UserRepGen-4B jest trenowany na sekwencji 9 216 tokenów: do 8 192 tokenów promptu obejmujących rozmowę plus 1 024 tokeny uzupełnienia dla reprezentacji. Karta dodaje, że korzystanie z rozszerzonego kontekstu poza tę długość „nie jest obsługiwane w tym wydaniu” oraz że wydajność w długim kontekście nigdy nie była osobno benchmarkowana. Ten sam limit 8 192 tokenów pojawia się więc po obu stronach, ustalony niezależnie przez dwa zespoły, które przypuszczalnie nie miały wglądu w pracę drugiej strony.

Ta zbieżność to użyteczne odkrycie. Model 4B dostrojony na tej bazie, w połowie 2026 roku, to komponent o rozmiarze odpowiednim dla pojedynczego dobrze sformułowanego promptu — a nie silnik długiego kontekstu. Oba wydania są w tej kwestii uczciwe. Żadne z nich nie ukrywa tego za większym reklamowanym oknem.

Oboje opublikowali historię kalibracji, a nie jest to ta sama historia.

To tutaj pozyskiwanie źródeł staje się delikatne, ponieważ obie oceny nie są współmierne i żadna z nich nie została odtworzona poza własnym laboratorium.

Intern-Decision-4B publikuje benchmark siedmiu zestawów, w którym osiąga średnio 90,02 — najlepszy wiersz we własnej tabeli, przed Intern-Decision-2B z 84,68 i Intern-Decision-0.8B z 79,38, wszystkie mierzone na harnessach InternLM. Publikuje także kalibrację: wynik Brier wynoszący 0,347 i oczekiwany błąd kalibracji 0,065. Odrębne badanie pilotażowe na 96 przypadkach wykorzystujące dokładne rozkłady referencyjne przechodzi z 0,628 Brier i 0,213 ECE do 0,550 i 0,089 po zastosowaniu dopasowanej temperatury. Każda z tych liczb pochodzi od samego dostawcy, a nikt spoza InternLM ich nie zweryfikował.

UserRepGen-4B publikuje tabelę wierności w skali ocen sędziowskich od 1 do 10 — 4,95 w trybie best-of-1 i 6,02 w trybie best-of-3, wobec 3,90 i 4,90 dla GPT-5.5 użytego w wersji gotowej oraz 3,41 i 4,42 dla niestrojonej wersji bazowej. Każda z tych liczb została podana przez sam Microsoft, uzyskano je przy jednoczesnym udziale GPT-5.4 mini jako symulatora, asystenta i sędziego, a nikt spoza Microsoftu ich nie zweryfikował.

Asymetria, która ma znaczenie, nie polega na wynikach — te mierzą różne rzeczy w różnych skalach. Polega na tym, że Intern-Decision-4B publikuje właściwą regułę punktacji względem znanych rozkładów referencyjnych, którą można sfalsyfikować z samej konstrukcji, podczas gdy UserRepGen-4B publikuje wynik oceny sędziego LLM, który można sfalsyfikować tylko przez uruchomienie innego sędziego. InternLM zbudował model, który można audytować za pomocą arytmetyki. Microsoft zbudował taki, który trzeba audytować za pomocą innego modelu. Biorąc pod uwagę, że oba twierdzą, iż pobiły wyniki bazowe, ta różnica w możliwości audytu jest realną częścią tego, między czym wybierasz.

Ustalenie dotyczące prywatności, które wypisuje tylko jedno z nich

Karta Intern-Decision-4B nie zawiera żadnej istotnej sekcji dotyczącej prywatności. Karta UserRepGen-4B zawiera liczbę, która powinna dać każdemu zespołowi do myślenia: ponad 147 użytkowników, selektor poproszony o wskazanie, która z czterech rozmów pochodzi od tej samej osoby, osiąga 51,02% przy użyciu opisów zachowania modelu, w porównaniu z 44,22% przy użyciu pełnych surowych rozmów i 25% w przypadku losowego wyboru. Skompresowana reprezentacja identyfikuje tę osobę lepiej niż materiał, z którego została wyprowadzona.

Microsoft określa to jako ryzyko powiązania i mówi wprost, że reprezentacje nie są danymi zanonimizowanymi. To właściwe postępowanie i przestroga, która dotyczy całej klasy modeli — w tym modelu decyzyjnego, którego własne dane wejściowe to rozmowy o sytuacjach ludzi. Różnica polega tylko na tym, że jedna karta tak mówi, a druga nie, co nie jest tym samym, co bezpieczeństwo jednego modelu.

Żadne z nich nie jest API, ale wspólna podstawa, którą dzielą, jest

Oba te elementy to pliki do pobrania, a nie endpointy. Intern-Decision-4B jest dostarczany jako klasa DecisionEngine w Pythonie, ładowana raz i używana ponownie, jego demo Space zwraca 401, a jego link do GitHuba zwraca 404; UserRepGen-4B jest dostarczany jako pojedynczy niekwantyzowany plik safetensors oraz example.py. OrcaRouter nie zawiera ani jednego, ani drugiego. Jeśli twierdzisz, że którykolwiek z nich jest dziś dostępny przez hostowane API, opisujesz plan, a nie fakt.

Tym, co naprawdę da się wywołać, jest punkt kontrolny, od którego oba się odgałęziły. Rodzina Qwen3.5-4B jest w naszym katalogu — Qwen3.5-Flash z kontekstem przekraczającym milion tokenów w cenie 0,10 USD za milion tokenów wejściowych i 0,40 USD za milion tokenów wyjściowych, Qwen3.5-35B-A3B po 0,057 USD i 0,459 USD, Qwen3.5-27B po 0,086 USD i 0,688 USD — wszystko na tym samym kluczu, wszystko w cenie katalogowej dostawcy, bez żadnych dodatków. To przydaje się w tej części potoku, która nie obejmuje tych dwóch modeli: strona asystenta w symulacji albo krok rozumowania wokół wywołania decyzyjnego mogą działać przez jeden punkt końcowy, podczas gdy lokalnie oceniasz dostrajany model.

Jak wybrać

Jeśli twój problem to pytanie o ograniczonym zakresie i wyliczalnych odpowiedziach, a potrzebujesz skalibrowanej liczby dziesięć tysięcy razy na sekundę, Intern-Decision-4B jest tu jedynym modelem, który to potrafi, a to, że nigdy nie próbkuje, jest cechą, a nie ograniczeniem. Jeśli twój problem polega na tym, że chcesz symulator, który zachowuje się jak prawdziwy użytkownik, UserRepGen-4B jest tu jedynym modelem wytrenowanym do tego, a wielkość jego raportowanej przewagi nad GPT-5.5 jest powodem, dla którego warto się tym interesować. Nikt nie powinien wybierać żadnego z nich na podstawie wyników tego drugiego, ponieważ nigdy nie mierzyły tego samego. Co rozstrzygnęłoby porównanie, to pojedyncza zewnętrzna weryfikacja którejkolwiek z kart — a w przypadku dwóch wydań, które ukazały się w całkowitej ciszy, w odstępie kilku tygodni, żadne z nich nie doczekało się żadnej.

Dwa ciche wydania przypominają też, jak wiele modeli tej klasy trafia do użytku bez dokumentacji, a następujące po nich awarie są gromadzone w OrcaRouter AI Incident Archive, gdzie każdy wpis ma własne źródła, wagę, stopień pewności i flagę sporu.