
Karpo Decision 31B возглавляет рейтинг из 307 моделей, хотя не имеет ни одного анонса о запуске
- OrcaНОВИНКАOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 за 1 млн токенов · 184 tok/s
- tencentНОВИНКАTencent: Hy4 Flash2026-11-16$0.02 / $0.07 за 1 млн токенов · 223 tok/s
- GoogleНОВИНКАGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 за 1 млн токенов · 87 tok/s
- AnthropicНОВИНКАAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 за 1 млн токенов · 96 tok/s
- orcaНОВИНКАOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 за 1 млн токенов · 90 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 за 1 млн токенов · 131 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 за 1 млн токенов · 77 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 за 1 млн токенов · 94 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 за 1 млн токенов · 114 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 за 1 млн токенов · 69 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 за 1 млн токенов · 94 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 за 1 млн токенов · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Интеллект
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 за 1 млн токенов · 209 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Интеллект
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 за 1 млн токенов · 111 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Интеллект
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 за 1 млн токенов · 311 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Интеллект
12 ноября 2026 года Decision Index — рейтинг сообщества, отслеживающий открытые воспроизведения Jev от TypeSafe, — поместил Karpo Decision 31B на первое место в своей Full score с результатом 73,9 — самым высоким среди 307 записей. В ту же неделю начали распространяться утверждения, что эта модель, дообученная версия открытой Gemma 4 31B от Google, превосходит собственную модель Google Gemini Decision 1. Только одно из этих двух утверждений читатель может проверить сегодня, и разница между ними — это вся суть. То, что рейтинг поставил Karpo на первое место, публично, датировано и воспроизводимо по файлу результатов размером 45 МБ, опубликованному лабораторией. Прямое сравнение с Gemini Decision 1 никогда не проводилось: эти две модели не входят в один и тот же рейтинг, а инструменты, с помощью которых их оценивали, — не один и тот же инструмент.
То, что делает первую половину странной, — не счёт. Это тишина вокруг него. MachinePulse Pte. Ltd., сингапурская компания, стоящая за Karpo, создала репозиторий на Hugging Face 5 ноября 2026 года, в тот же день опубликовала репозиторий инференса на GitHub, а 12 ноября выпустила пять меньших «братьев» — 12B, 9B, 4B, 2B и 0.8B. На момент написания этого текста нет ни страницы продукта, ни поста в блоге, ни цен, ни анонса модели, ни API. Собственный сайт компании возвращает 404 на каждом пути, где что-либо из этого могло бы находиться. Karpo существует как веса, README, Python-пакет и строка в лидерборде. Этот материал о том, что эти четыре вещи могут и чего не могут вам рассказать.

Даты — и почему они важнее, чем обычно
Отметка создания репозитория — 5 ноября 2026 года, 15:33 UTC. Код инференса GitHub был создан двадцатью двумя минутами позже. Датасет запуска Decision Index — то, что делает 73,9 проверяемым, — был загружен 6 ноября в 05:18 UTC. README всё ещё редактировался 16 ноября; последние два коммита меняли только строку об авторских правах и заявление о лицензии.
Это модель двухнедельной давности с активным репозиторием и без запуска. Это не утечка и не переименование чего-то более старого: веса новые, файл лицензии новый, а семейство из шести моделей было выложено за один день. А на самом деле это лаборатория, которая решила опубликовать артефакт раньше маркетинга.
Что именно измеряет 73,9

Decision Index в текущем виде — это редакция 0.4.1. Его показатель Full вычисляется сопровождающими совета на закрытых тестах: примерно 60% заданий взяты из тех же навыков, что и публичный набор, а 40% — из областей, которые публичный набор не покрывает. В строке Karpo указано 73,9 Full, при этом 70,7 — на части с теми же навыками и 78,6 — на части с новыми доменами. Эти два последних числа идут в необычном порядке — модель обычно показывает худший результат на незнакомой территории, чем на навыках, под которые её настраивали, — и карточка сообщает об этом без комментариев.
Совет присваивает один ранг моделям в пределах 0,9 балла от лидера, поэтому Karpo не единолично занимает первое место. GLiDE 27B с результатом 73,4 делит первое место. За ними располагаются REAX 1.3 с 72,6, Logits Sigma-1 Duo с 72,3, Copernicus-31B с 72,1 и KnowLine 31B Gen1.5 с 71,9. Это плотная верхушка, а не безоговорочный отрыв.
Второе число на карточке, 75.05, имеет другое происхождение, и читать его следует иначе. Это публичный индекс, и он получен из собственного прогона MachinePulse официального комплекта для оценки — 140 178 оценённых запросов, девять из которых были отклонены, поскольку один вопрос вместе с его состоянием превысил окно в 32 768 токенов. Совет принял этот прогон. Причина доверять ему больше, чем типичной цифре поставщика, — каталог прогона является публичным: results.jsonl.gz — файл оценок по каждому запросу, манифест окружения. Любой может повторно запустить комплект и сравнить. Само принятие советом и есть этап проверки. Это более строгий стандарт, чем тот, которому соответствуют большинство заявлений о запуске, и он всё равно не то же самое, что независимая лаборатория, оценивающая модель на собственном оборудовании.
Итак, две метки, и их не следует объединять: Full score рассчитывается третьей стороной на основе закрытых тестов; публичный индекс рассчитывается первой стороной на основе публичного набора и принимается. Ни то, ни другое не является вендорским бенчмарком в обычном смысле. Ни то, ни другое не является Artificial Analysis.
Почему «beats Gemini Decision 1» — пока не измеренное утверждение
У Gemini Decision 1 есть числовая оценка. Artificial Analysis оценила её в 65,98 балла по Decision Index v2.1 — композитному показателю из шести оценок, взвешенных по решениям по документам, вызову инструментов, знаниям, рассуждению и инвариантности. В этом рейтинге она занимает одиннадцатое место среди моделей принятия решений, ранжируемых AA, ниже d1.2-ultra с 74,85, Drex Max v1.1 с 72,62 и SubQ Snap 1.2 с 72,58 и выше Microsoft-Decision-1 с 62,07. Оценка принадлежит AA, получена на оборудовании AA, а запуск стоит $345 за миллион задач.
Karpo вообще не фигурирует на этой панели. У Artificial Analysis нет для него ни страницы, ни строки. Gemini Decision 1 также отсутствует в трекере Decision Index, где фигурирует Karpo, — эта панель представляет собой реестр открытых воспроизведений, а модель Google — это закрытый продукт, доступный только через API, без весов для воспроизведения.
Итак, сравнение, которое все проводят, — это вывод из двух чисел, полученных двумя организациями на двух наборах тестов с разным составом задач, разной долей закрытых тестов и разными формулами подсчёта. 73,9 не больше 65,98 ни в каком смысле, который выдерживает соприкосновение с методологией. Если завтра оба прогонят через один и тот же стенд, Karpo вполне может победить — его профиль по категориям силён, — но никто этого не делал, и сейчас главный вывод — это гипотеза в одежде результата.
Есть ещё один нюанс, о котором стоит знать, потому что он скорее говорит против этого утверждения, чем за него. В разбивке трекера по пяти категориям самая слабая область Karpo — знания и рассуждения, с показателем 65,5 балла по навыку с поправкой на случайность. Самая сильная — инструменты и автоматизация, 88,4. В рейтинге AA единственный компонент, где Gemini Decision 1 обходит почти всех, — это знания: 66,3 в AA-Omniscience, самый высокий показатель среди четырёх проверенных здесь моделей. Область, в которой модель Google сильнее всего, — это область, где дообученная Gemma сравнительно слабее всего. Прямое сравнение в этой области было бы настоящей борьбой, а не лёгкой победой, и именно поэтому непроведённое сравнение не следует выдавать за победу.
Та часть карточки, которая интереснее рейтинга

Karpo — это не чат-модель с режимом JSON. Это считывание. Каждый вариант в вопросе получает код варианта, и линейная голова оценивает 255 кодов в фиксированном слоте, а затем применяет softmax к вариантам, которые фактически предлагались в вопросе. Ничего не генерируется, поэтому ответ всегда является одним из предоставленных вами вариантов, а стоимость вывода структурно равна нулю.
Архитектура заслуживает отдельного абзаца, потому что она объясняет задержку. Запрос — это одно состояние плюс любое количество вопросов, закодированных в виде одной последовательности: сначала вопросы, затем состояние, затем по одной ветви на каждый вопрос. Ветвевое внимание позволяет ветви читать общий блок и саму себя, но никогда — другую ветвь. Состояние вычисляется один раз. Поэтому сто вопросов об одном счёте обходятся примерно в один проход по счёту, а не в сто.
• Параметры — 31,3 млрд в bf16, плюс считывающий слой 255 × 5 376 в fp32; около 62,5 ГБ на диске.
• Контекст — 32 768 токенов на последовательность; более длинный запрос разбивается по вопросам, каждая часть несёт полное состояние, а вопрос, который всё ещё не помещается, отклоняется, а не усекается.
• Ввод — текст, JSON и изображения; скриншот можно передать как state.viewport_screenshot или как data URL.
• Типы вопросов — choice с числом вариантов до 255, noul для «верно/неверно», score для упорядоченного уровня.
• Интерфейс — Python API и HTTP-сервер в стиле System One, POST /v1/systemone.
• Лицензия — Apache-2.0 для весов и кода, а собственная лицензия Gemma 4 прилагается рядом в репозитории.
Измеренная задержка на эталонном оборудовании трекера — с одним GPU и при одном запросе за раз — составляет 94 мс медианы. Этого недостаточно, чтобы оставаться незаметной в пошаговом агентном цикле, который делает двадцать небольших вызовов за ход, но достаточно, чтобы стоять за шлюзом вызовов инструментов, срабатывающим несколько раз за разговор. В карточке также указана ошибка калибровки 4,8 пункта — именно от этого числа фактически зависит развёртывание: точность говорит о том, как часто верхний ответ верен, а калибровка — о том, можно ли применять порог к связанной с ним вероятности.
То, что не подтверждено, сказано прямо.
Цены нет. Не «скрыта до запуска» — нет тарифной сетки, нет хостингового эндпоинта, нет консоли, нет пробного периода. Если вам нужен Karpo Decision 31B сегодня, вы скачиваете 62.5 GB и запускаете его на собственном GPU с помощью собственного загрузчика из репозитория. Загрузка контрольной точки как обычной чат-модели не воспроизведёт её ответы; требуются и ветвевое внимание, и считывающий слой.
Независимой оценки не существует. Decision Index является неофициальным и поддерживается сообществом. Он тщателен, хорошо документирован и необычайно прозрачен в отношении методологии; это не Artificial Analysis, и его не просили оценивать эту модель на собственном оборудовании. Самым сильным элементом со стороны третьих лиц является то, что его сопровождающие вычислили Full score на тестах, которые производитель никогда не видел.
Нет заявления вендора о том, для каких задач создавалась модель, помимо собственного описания в README: небольшие решения, которые агент принимает на каждом шаге, — вызывать ли инструмент или сначала спросить, на какой элемент страницы нажать, соответствует ли возврат условиям политики. Это описание — формулировка лаборатории, а не независимо подтверждённая сфера применения.
И никакого анонса. Ни тихого, ни записи в changelog. Через две недели после выкладки весов публичная витрина компании — это страница вакансий и другая продуктовая линейка.
Что это значит для команды, которая хочет это попробовать
Если честно, вывод такой: Karpo Decision 31B — самая интересная открытая модель принятия решений за последние две недели и при этом наименее подкреплённая. Её лидерство реально, но не единолично; её публичный индекс воспроизводим; её результат на закрытом тесте действительно получен независимой третьей стороной; а центральное маркетинговое утверждение — что дообученная Gemma теперь превосходит Google в его собственной модели принятия решений — не измерено.
Для команд, которые уже используют слой принятия решений, практичный путь — теневое развёртывание, а не миграция. Оставьте модель, обслуживающую продакшн-трафик, запустите Karpo на тех же запросах в офлайне и сравните вероятности, а не метки: ошибка калибровки в 4,8 пункта означает, что примерно один ответ из двадцати ошибается с большей уверенностью, чем предполагает заявленная вероятность, и именно ваша пороговая политика превращает это либо в очередь на проверку человеком, либо в инцидент. Если вы стандартизируете остальную часть стека на одном эндпоинте, то модели, до которых вы реально можете дотянуться на этой неделе, — это те, что есть в каталоге, — сама Gemma 4 31B, базовая модель Karpo, и она обслуживается через один API для 200+ моделей по прайс-листу провайдера без наценки, а также TypeSafe's Jev 1.14 — модель, за которой и создавалась вся эта доска открытого воспроизведения. Karpo придётся заслужить своё место так же, как это сделали другие: тем, что её можно вызвать.
Следить стоит не за 73.9. А за тем, выпустит ли MachinePulse страницу продукта, цену и заявку в AA в течение следующего месяца. У лаборатории, которая публикует веса до появления сайта, обычно есть причина, и эта причина, как правило, проявляется либо в виде хостингового эндпоинта, либо в виде пивота. В любом случае первое независимое число в таблице AA уладит за неделю то, что две недели арифметики по лидерборду не уладили.
