UserRepGen-4B vs Intern-Decision-4B: Duas Equipes Fizeram Ajuste Fino na Mesma Base 4B e Não Concordaram em Nada

Dois lançamentos discretos, com cinco semanas de diferença, ramificando-se do mesmo checkpoint. microsoft/UserRepGen-4B foi publicado no Hugging Face em 14 de outubro de 2026 como um repositório de 9,1 GB em bfloat16, sem qualquer anúncio; internlm/Intern-Decision-4B surgiu em 26 de setembro de 2026, às 05:36:37 UTC, dentro de uma janela de quarenta segundos que também gerou um modelo de 0,8B e um de 2B, igualmente sem anúncio. Ambos são fine-tunes LoRA do Qwen3.5-4B, ambos são somente texto, apesar de carregarem uma torre de visão que nunca usam, ambos retornam uma estrutura rígida em vez de uma resposta — e não poderiam discordar mais sobre para que serve o modelo. O Intern-Decision-4B nunca escreve um token. O UserRepGen-4B não escreve nada além de tokens. Todo o resto nesta comparação decorre dessa única divisão.

Um é um goleador, o outro é um escritor.

O cartão do InternLM é incomumente direto sobre sua própria mecânica: "Esta API realiza pontuação estruturada de candidatos. Ela não chama generate() nem faz amostragem de texto livre." Você passa para ela um estado, um esquema de perguntas nomeadas e um conjunto de respostas candidatas. Ela mapeia as opções para símbolos de token único, executa uma passagem direta causal, lê os logits na posição imediatamente anterior a cada placeholder, aplica uma temperatura ajustada de 1,99241824 e retorna uma probabilidade calibrada por opção. Uma passagem. Sem amostragem, sem loop de decodificação, sem texto.

O UserRepGen-4B inverte isso. Você entrega a ele uma conversa concluída. Ele emite até 1.024 tokens de texto em dois campos JSON — uma descrição de tarefa e uma descrição de user_behavior — e a ficha é igualmente taxativa no sentido inverso: o modelo "gera representações, não turnos simulados de usuário", não executa a tarefa do usuário e não é o simulador.

Coloque os dois lado a lado e as consequências de engenharia surgem imediatamente.

• Quanto vale a saída — O Intern-Decision-4B retorna um número ao qual você pode aplicar um limiar, calcular a média e auditar. O UserRepGen-4B retorna um parágrafo cuja qualidade só um juiz LLM consegue pontuar, que é exatamente como a Microsoft o avaliou.

• Custo por chamada — uma passagem direta sobre um prompt fixo versus até 1.024 tokens gerados. Essa é a diferença entre cerca de 44 milissegundos e uma execução completa de decodificação, e é por isso que o modelo de decisão pode ficar dentro de um loop, enquanto o modelo de representação não pode.

• Onde mora o significado — InternLM decidiu que a resposta já deveria ser enumerável no prompt, então o modelo só precisa classificá-la. A Microsoft decidiu que a resposta está latente em uma conversa, então o modelo precisa escrever isso. O ranking é limitado e verificável. A escrita é aberta e precisa de um juiz.

Os tetos de entrada, e o que eles lhe dizem sobre as apostas

Ambos os cards publicam um limite rígido, e compará-los é a maneira mais rápida de ver quão diferentemente as duas equipes delimitaram o mesmo modelo base.

Intern-Decision-4B recusa trabalho acima de 8.192 tokens. Isso é uma recusa, não um truncamento — uma escolha de design que diz que o modelo é para decisões compactas o suficiente para serem declaradas por completo em um prompt.

UserRepGen-4B é treinado em uma sequência de 9.216 tokens: até 8.192 tokens de prompt cobrindo a conversa, mais 1.024 tokens de conclusão para a representação. O card acrescenta que o uso de contexto estendido além desse comprimento "não é suportado por esta versão", e que o desempenho em contexto longo nunca foi avaliado separadamente em benchmarks. Assim, o mesmo teto de 8.192 tokens aparece dos dois lados, alcançado de forma independente, por duas equipes que, presumivelmente, não tinham visibilidade do trabalho uma da outra.

Essa convergência é a descoberta útil. Um fine-tune de 4B sobre esta base, em meados de 2026, é um componente dimensionado para um único prompt bem formulado — não um mecanismo de contexto longo. Ambos os lançamentos são honestos quanto a isso. Nenhum dos dois esconde isso por trás de uma janela anunciada maior.

Ambos publicaram uma história de calibração, e não são a mesma história.

É aqui que a obtenção de fontes se torna delicada, porque as duas avaliações não são comensuráveis e nenhuma delas foi reproduzida fora de seu próprio laboratório.

A Intern-Decision-4B publica um benchmark de sete suítes no qual pontua 90,02 em média — a melhor linha de sua própria tabela, à frente da Intern-Decision-2B, com 84,68, e da Intern-Decision-0.8B, com 79,38, todas medidas nos harnesses da InternLM. Ela também publica a calibração: um escore de Brier de 0,347 e um erro de calibração esperado de 0,065. Um piloto separado de 96 casos, usando distribuições de referência exatas, passa de 0,628 de Brier e 0,213 de ECE para 0,550 e 0,089 depois que sua temperatura ajustada é aplicada. Todos esses números são do próprio fornecedor, e ninguém fora da InternLM os verificou.

O UserRepGen-4B publica uma tabela de fidelidade em uma escala de avaliação de 1 a 10 — 4,95 em best-of-1 e 6,02 em best-of-3, contra 3,90 e 4,90 do GPT-5.5 em configuração padrão e 3,41 e 4,42 da base sem ajuste. Todos esses números são da própria Microsoft, produzidos com o GPT-5.4 mini atuando simultaneamente como simulador, assistente e juiz, e ninguém fora da Microsoft os verificou.

A assimetria que importa não está nas pontuações — elas medem coisas diferentes em escalas diferentes. Está no fato de que o Intern-Decision-4B publica uma regra de pontuação própria contra distribuições de referência conhecidas, que é falsificável por construção, enquanto o UserRepGen-4B publica uma pontuação de juiz LLM, que só é falsificável executando um juiz diferente. A InternLM construiu um modelo que pode ser auditado com aritmética. A Microsoft construiu um que precisa ser auditado com outro modelo. Dado que ambos afirmam ter superado as linhas de base, essa diferença de auditabilidade é uma parte real da escolha que você está fazendo.

A constatação de privacidade que apenas um deles imprime

A ficha do Intern-Decision-4B não contém nenhuma seção de privacidade relevante. A do UserRepGen-4B contém um número que deveria fazer qualquer equipe hesitar: com mais de 147 usuários, um seletor solicitado a escolher qual de quatro conversas veio da mesma pessoa atinge 51,02% usando as descrições de comportamento do modelo, contra 44,22% usando as conversas brutas completas e 25% ao acaso. A representação comprimida identifica a pessoa melhor do que o material do qual foi derivada.

A Microsoft classifica-o como um risco de ligação e afirma claramente que as representações não são dados anonimizados. Essa é a forma correta de lidar com isso, e é uma advertência que se aplica a toda a classe de modelos — incluindo o modelo de decisão, cujas próprias entradas são conversas sobre as situações das pessoas. A diferença é apenas que um cartão afirma isso e o outro não, o que não é o mesmo que um modelo ser seguro.

Nenhum dos dois é uma API, mas a base que compartilham é

Ambos são downloads, não endpoints. O Intern-Decision-4B vem como uma classe Python DecisionEngine carregada uma vez e reutilizada, seu Space de demonstração responde 401 e seu link do GitHub dá 404; o UserRepGen-4B vem com um único arquivo safetensors não quantizado e um example.py. O OrcaRouter não traz nenhum dos dois. Se você está dizendo que qualquer um dos dois está disponível por meio de uma API hospedada hoje, você está descrevendo um plano, e não um fato.

O que é genuinamente invocável é o checkpoint do qual ambos se ramificaram. A família do Qwen3.5-4B está no nosso catálogo — Qwen3.5-Flash com contexto de mais de um milhão de tokens a US$ 0,10 por milhão de tokens de entrada e US$ 0,40 por milhão de saída, Qwen3.5-35B-A3B a US$ 0,057 e US$ 0,459, Qwen3.5-27B a US$ 0,086 e US$ 0,688 — tudo na mesma chave, tudo pelo preço de tabela do provedor sem nada acrescentado. Isso é útil para a parte do pipeline que não corresponde a esses dois modelos: o lado assistente de uma simulação, ou a etapa de raciocínio em torno de uma chamada de decisão, pode rodar por um único endpoint enquanto você avalia o fine-tune localmente.

Como escolher

Se o seu problema é uma pergunta delimitada com respostas enumeráveis e você precisa de um número calibrado dez mil vezes por segundo, o Intern-Decision-4B é o único modelo aqui que faz isso, e o fato de ele nunca fazer amostragem é o recurso, não a limitação. Se o seu problema é que você quer um simulador que se comporte como um usuário real, o UserRepGen-4B é o único modelo aqui treinado para isso, e a magnitude do ganho relatado sobre o GPT-5.5 é o motivo para se importar. Ninguém deveria escolher um ou outro com base nos números do outro, porque eles nunca mediram a mesma coisa. O que resolveria a comparação seria uma única análise externa sobre qualquer uma das fichas — e, para dois lançamentos que saíram em silêncio total, com semanas de diferença, nenhum dos dois teve nada disso.

Dois lançamentos discretos também são um lembrete de quanto dessa classe de modelo é lançado sem documentação, e as falhas que se seguem são reunidas no OrcaRouter AI Incident Archive, onde cada entrada traz suas próprias fontes, gravidade, grau de confiança e sinalizador de disputa.