
Karpo Decision 31B vs Microsoft-Decision-1: у одного есть цена, у другого — оценка
- 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 · 215 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 · 97 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 · 76 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 за 1 млн токенов · 109 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 · 68 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
Поставьте Karpo Decision 31B рядом с Microsoft-Decision-1 — и первое, что вы заметите, это то, что ни одна из компаний не дала вам того, что нужно, чтобы выбрать между ними. У Karpo Decision 31B — дообученной версии Gemma 4 на 31,3 млрд параметров, которую MachinePulse выложила на Hugging Face 5 ноября 2026 года без поста о запуске, — есть показатель в лидерборде и нет цены. У Microsoft-Decision-1, доступной в Microsoft Foundry с 8 октября 2026 года, есть цена, контракт Azure, пакет документов по ответственному ИИ и вообще нет опубликованной таблицы бенчмарков. Одна измерима и не продаётся. Другая продаётся и — по собственному выбору поставщика — не измерена.
Эта инверсия — это и есть всё сравнение, и стоит противиться искушению разрешить её арифметикой. 73.86, которое несёт Karpo, и 62.07, которое Artificial Analysis присваивает Microsoft-Decision-1, — не два прочтения одного и того же. Они происходят с разных стендов, из разных наборов задач, разных формул подсчёта баллов и разных представлений о том, для чего нужна модель принятия решений. Полезный вопрос не в том, какое число больше. А в том, какой из двух пробелов — недостающая цена или недостающий балл — ваше внедрение действительно способно выдержать.
Что именно продаёт Microsoft
Microsoft-Decision-1 — это прошедшая посттренировку модель Qwen3.5-9B, которая отвечает распределением вероятностей по вариантам, а не текстом. Контракт узок: да/нет, множественный выбор, шкала оценки, набор классов или рубрика — в пределах до 32 768 токенов текста. Без изображений, без аудио, без поля объяснения, без генерации токенов. Microsoft прямо указывает, что модель не предназначена для открытых вопросов, перевода или суммирования, и не рекомендует использовать её как единственную основу для решений о кредитовании, трудоустройстве, жилье, страховании, образовании или здравоохранении.
Что он действительно дает — это то, чего не может дать открытый чекпоинт: развертывание Foundry в портфеле Direct from Azure, бессерверное или с унифицированной конечной точкой, стандартный SKU, аутентификацию Azure, один счет, намеренно отключенный пакетный вывод и отсутствие пути загрузки весов или дообучения. Для банка или больничной группы этот последний набор фактов часто стоит больше двадцати пунктов в таблице лидеров, потому что это разница между моделью, которую команда платформы может одобрить, и моделью, вокруг которой команде платформы приходится строить стек обслуживания.
Цена реальна, но неудобна для цитирования. На странице модели не указана ставка за токен; она ведёт на страницу с ценами Azure. Artificial Analysis отслеживает для неё $143 за миллион задач по входному тарифу против $345 за миллион задач для Gemini Decision 1 от Google. У Karpo нет сопоставимого показателя, потому что у Karpo нет никакого прайс-листа — ни хостинга, ни консоли, ни пробного периода, ни опубликованной стоимости за GPU.
Что совет директоров измерил, а что — нет

Показатель Karpo — общественный. Decision Index, открытая таблица, отслеживающая воспроизведения Jev от TypeSafe, ставит его на 73,86 Full в выпуске 0.4.1 — делит первое место среди 307 строк в опубликованном дампе таблицы вместе с GLiDE 27B при 73,37, поскольку таблица объединяет всё, что в пределах 0,9 балла от лидера. Эта оценка Full является сторонней в важном смысле: сопровождающие таблицы проводили закрытые тесты, которых вендор никогда не видел, примерно 60% на тех же навыках и 40% на новых предметных областях. У Karpo разбивка показывает 70,94 на знакомых навыках и 61,5 на незнакомых — обычная картина для модели, которую интенсивно настраивали на известном наборе.
75.05 в карточке модели — это совсем другая история, и карточка честно об этом говорит: это собственный прогон MachinePulse официального комплекта для оценки, 140 178 оценённых запросов, из которых одиннадцать отклонены за превышение окна, принятый советом после того, как повторная оценка с помощью комплекта совпала с заявленным результатом. Публично и воспроизводимо, но по-прежнему собственные данные. Собственная строка совета подтверждает принятие и отмечает, что совпадение с приватным тестом по поданным строкам составило 100% на 827 строках.
У Microsoft-Decision-1 ничего этого нет. На её странице в каталоге есть вкладка «Benchmarks», которая содержит абзац о методологии и ни одной цифры: публичные и общественные бенчмарки решений, отложенные внутренние наборы, точность и ошибка калибровки, варьирование порядка вариантов, применение парных статистических тестов. Microsoft заявляет, что модель работает «на уровне ведущих моделей принятия решений и опережает другие открытые модели принятия решений, оценённые по той же методологии», а затем отказывается показывать результаты оценки. Все заявления о её производительности на сегодняшний день исходят от производителя и не воспроизведены.
Единственный инструмент, который его оценил, — это Artificial Analysis с Decision Index v2.1, и компоненты информативнее композитного показателя. Microsoft-Decision-1 набирает 88,0 в When2Call, почти вровень с лидерами, и 86,8 в EvalSafe-O*NET. Он набирает 51,8 в AA-Paperclip при доле прохождения документов по принципу «всё или ничего» 20,9%, 54,9 в AA-Omniscience-Decision при доле ответов без галлюцинаций 21,7% и 39,4 в HLE-MultiChoice при сырой точности 8,6%. Картина такова: это компетентный оценщик суждений на рабочем месте со слабым поведением в области знаний, и именно показатель отказов от ответа заслуживает того, чтобы над ним задуматься: модель, которая отказывается отвечать на 78% вопросов на знания, защищает свою калибровку ценой полезности.
Формы запросов, бок о бок

• Параметры — Karpo 31.3B в bf16 плюс readout 255 × 5 376 fp32, около 62,5 ГБ на диске; Microsoft-Decision-1 — плотная базовая модель 9B, доступная только через API.
• Ввод — Karpo принимает текст, JSON и изображения, при этом скриншот передаётся как state.viewport_screenshot; Microsoft-Decision-1 принимает только текст, сериализуемый в 32 768 токенов.
• Контекст — 32 768 токенов для обоих, с важным различием в поведении при отказе: Karpo разбивает длинный запрос по вопросам и отказывается обрабатывать всё, что всё ещё не помещается, тогда как у Microsoft предельный размер — это входные данные плюс набор опций, без возможности его увеличить.
• Типы вопросов — Karpo choice с поддержкой до 255 вариантов, noul для «истина/ложь», score для упорядоченного уровня; Microsoft «да/нет», множественный выбор, рейтинг, классификация и рубрика, при этом внутри набора поддерживаются варианты воздержания, например «не могу сказать».
• Пакетная обработка — Karpo кодирует одно состояние и множество вопросов в одной последовательности, поэтому сто вопросов об одном счёте-фактуре обходятся примерно в один проход по этому счёту-фактуре; опубликованный контракт Microsoft предполагает одно состояние и его набор вопросов на каждый вызов, а широта достигается за счёт группировки.
• Задержка — медиана 94 мс на запрос на эталонном оборудовании трекера, один GPU, по одному запросу за раз для Karpo; 274 мс на задачу для Microsoft-Decision-1 по измерению AA — показатель на задачу по набору документов, а не на запрос.
• Лицензия и доступ — веса под Apache-2.0 с дополнительными условиями Gemma 4 для Karpo; у Microsoft-Decision-1 весов нет вовсе — только API на условиях Azure.
Цена — для Karpo опубликованного тарифа нет; $143 за миллион задач в системе отслеживания AA для Microsoft-Decision-1, при этом ставка за входные токены указана на странице цен Azure, а не в карточке модели.
Калибровка — это та ось, по которой обоим есть что сказать.
Для модели, весь вывод которой — это вероятность, числом, определяющим развёртывание, является не точность, а то, означает ли вероятность то, что заявляет. Карточка Karpo сообщает об ошибке калибровки в 4,8 пункта: по 34 411 оценённым ответам её средняя уверенность составляла 87,96% при точности 83,19%, а в верхней группе уверенности — 68,5% всех ответов — она была права в 95,7% случаев, заявляя 98,7%. Это модель, для которой можно задать порог, с известным дрейфом на верхнем конце.
Microsoft не публикует ни ожидаемую ошибку калибровки, ни оценку Бриера, ни кривую надёжности. То, на что указывают компонентные оценки AA, — это модель, уверенность которой расходуется консервативно: высокие показатели отсутствия галлюцинаций на Omniscience и HLE означают, что она воздерживается от ответа, когда не уверена, а не отвечает; именно такого поведения хочет механизм защитных ограничений, но не классификатор. Неизвестно, означает ли её 0,8 именно 0,8 за пределами собственной оценки Microsoft, и документация Microsoft по-своему говорит об этом, советуя интеграторам проверять на репрезентативных данных и устанавливать пороги исходя из цены их ошибок.
У этой асимметрии есть практическое следствие. С Karpo вы наследуете опубликованную калибровочную кривую и можете задать начальный порог, прежде чем что-либо запускать. С Microsoft-Decision-1 вы наследуете методологию и обещание, и ваши первые две недели — это проект по измерениям. Ни то, ни другое не дисквалифицирует; это просто разные виды работы.
Версия, о которой не упоминает ни одно название
Microsoft-Decision-1 больше не является текущей моделью в своём семействе. Microsoft-Decision-1.1 вышла 17 ноября 2026 года на Ignite на базе смеси экспертов Gemma 4 26B A4B, по той же цене и с тем же потолком в 32K, и Artificial Analysis оценивает её в 67,78 балла — на 5,7 балла выше версии 1, при 123 мс на задачу вместо 274 мс, а показатель отсутствия галлюцинаций на Omniscience вырос с 21,7% до 49,4%. Она также стала хуже по тем метрикам, по которым оценщик должен быть стабилен: 6,29% сырой точности на HLE-MultiChoice против 8,64%, и 47,5% семейств вопросов AA-Symmetry с согласованными ответами против 51,7%.
Любой, кто в конце ноября сравнивает Karpo с «моделью принятия решений Microsoft», тем самым сравнивает её с заменённой версией. Это не делает сравнение бессмысленным — версия 1 всё ещё та, под которую рассчитывались многие развёртывания Foundry, — но означает, что числом, которое нужно побить на стороне Microsoft, является 67.78, а вторичный вопрос состоит в том, подходит ли модель, которая обменивает точность знаний на дисциплину воздержания от ответа, для вашего конвейера в принципе.
Что каждая сторона не может вам дать
Karpo не может предоставить вам контракт. Нет ни эндпоинта, ни тарифной карты, ни канала поддержки, ни SLA и никаких заявлений вендора, кроме карточки модели и README. Если ваша организация не может запустить 62,5 ГБ чекпоинт на собственном оборудовании, сравнение на этом заканчивается независимо от оценки. Загрузка его как обычной чат-модели также не воспроизведёт его ответы: требуются и branch attention, и считывание 255 кодов, а Python-пакет и POST /v1/systemone сервер существуют именно потому, что универсальный стек инференса не подойдёт.
{{1}}Microsoft-Decision-1{{/1}} не может дать вам число, которое не нужно было бы принимать на веру, не может быть дообучен на ваших собственных данных о решениях, не умеет читать скриншот и не может работать офлайн. Вы также не можете провести для него бенчмарк с помощью того же инструмента, что и для Karpo, потому что Decision Index — это реестр открытых воспроизведений, а у закрытой API-модели нет весов, которые можно воспроизвести. Эти две модели так и будут проходить мимо друг друга: одна таблица лидеров никогда не включит в свой список скоринг Microsoft, а в Artificial Analysis нет строки для Karpo.
Есть третья позиция, которая полезнее любой из этих двух колонок. Если вам на самом деле нужен слой принятия решений рядом с генеративным конвейером, то генератор — это та половина, которую вы уже можете стандартизировать. OrcaRouter не размещает Karpo Decision 31B или Microsoft-Decision-1, и ни одна из них не должна стоять за маршрутом chat-completions. Что он размещает — так это две модели, вокруг которых и крутится всё это сравнение: Gemma 4 31B, базу, от которой был дообучен Karpo, и Jev 1.14 от TypeSafe, модель, за которой и существует табло открытого воспроизведения. Обе доступны по одному ключу, совместимому с OpenAI, наряду с 200+ другими моделями по прайс-листовой цене провайдера, передаваемой без наценки, так что снижение цены поставщиком доходит до нас в тот же день, и автоматическое переключение при сбое поддерживает работу цикла оценки, когда один из провайдеров даёт сбой.
Какой из них выбрать?

Если слой принятия решений должен находиться внутри инфраструктуры Azure, если вам нужен журнал согласований в большей степени, чем место в таблице лидеров, и если ваши входные данные — это текст, укладывающийся в 32K, выбирайте Microsoft-Decision-1 или, что разумнее, Microsoft-Decision-1.1. Заложите бюджет на калибровочное исследование, потому что Microsoft его вам не предоставила, и устанавливайте пороги отказа от ответа исходя из стоимости ваших ошибок, а не из того, как их описывает поставщик.
Берите Karpo Decision 31B, если у вас есть GPU, если скриншоты или состояние JSON входят в задачу, если Apache-2.0 важна для продукта, который вы собираетесь выпускать, и если оценка стороннего закрытого теста плюс опубликованная калибровочная кривая — это доказательство, которое принимает ваша команда. Взамен примите, что теперь вы — поставщик: нет поддержки, нет SLA, нет цены, под которую можно заложить бюджет, и есть модель двухнедельной давности, репозиторий которой всё ещё редактировали 16 ноября.
Не выбирайте ни один из них, опираясь на 73.86 против 62.07. Эти цифры получили организации, которые никогда не оценивали одну и ту же работу, на наборах тестов с разной долей закрытых тестов и разными формулами подсчёта баллов, и честный вывод таков: обе модели выглядят убедительно, и ни одна из них не доказала превосходства над другой. Проверка, которая могла бы это решить, — появление Karpo в независимом рейтинге, который также оценивает модель Microsoft, или публикация Microsoft таблицы результатов, описанной в разделе методологии, — так и не состоялась. Пока этого не произойдёт, решение зависит от закупок, аппаратного обеспечения и способа ввода — а именно на этом его и следовало основывать с самого начала.
