
Karpo Decision 31B против Nimble v3: лицензия даёт ответ раньше, чем таблица лидеров
- 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
Two decision models shipped in the same autumn with almost no announcement, and they land on opposite sides of the one question that usually decides a purchase. Nimble v3 — filed as Bespoke-Nimble-9B-v3, uploaded to Hugging Face on 30 September 2026 — is a 9B LoRA adapter under CC BY-NC 4.0, which the card glosses as "it may not be used for commercial purposes." Karpo Decision 31B, created on 5 November 2026 by MachinePulse, is a 31.3B Gemma 4 fine-tune under Apache-2.0 with Gemma 4's own terms carried alongside. Everything else in this matchup — a 22-point leaderboard gap, a three-times difference in weight size, a calibration error that differs by a factor of two and a half — is downstream of that fork, and most teams discover it after they have already picked a winner on benchmarks.
Начните с лицензии, потому что это единственная часть данного сравнения, которая одновременно урегулирована и имеет решающее значение. Затем посмотрите, что числа могут вам сказать, а чего не могут, потому что в этой части почти ничего не решено.
Что на самом деле содержит каждый репозиторий
Nimble v3 — это пять файлов: README, adapter_config.json, adapter_model.safetensors, schema_config.json и .gitattributes. Это PEFT-адаптер, а не самостоятельная модель, и в качестве базовой он ожидает Qwen/Qwen3.5-9B, которую репозиторий не дублирует. Карточка описывает контекст и типизированные вопросы — выбор среди вариантов или «да/нет» — и возвращает вероятность для каждого варианта. Bespoke Labs не опубликовала для v3 ни длину контекста, ни предельное число вариантов, ни температуру, ни примечание об изменениях; более ранние контрольные точки семейства документировали часть этого, а эта — нет.
Karpo Decision 31B — это полный чекпоинт: 62,5 ГБ весов при 31,3 млрд параметров в bf16, плюс fp32-голова readout размером 255 × 5 376. Он читает текст, JSON и изображения, принимает до 255 вариантов на вопрос, ограничивает последовательность 32 768 токенами, разбивает более длинные запросы по вопросам и отказывается от всего, что всё равно не помещается, вместо того чтобы обрезать это. Он поставляется в виде Python-пакета и HTTP-сервера в форме System One, POST /v1/systemone, потому что универсальный стек chat-completions не может его запустить: и branch attention, и readout являются несущими элементами, а загрузка чекпоинта как обычной чат-модели не воспроизведёт его ответы.
Разница между репозиториями имеет практическое значение. README от Nimble v3 не рассказывает, как правильно его обслуживать; карточка Karpo — рассказывает. Один — это чекпоинт с инструкцией по эксплуатации, другой — чекпоинт со строкой лицензии.
Разрыв — и инструменты, которым вам пришлось бы доверять, чтобы в него поверить
On the Decision Index — the community board tracking open reproductions of TypeSafe's Jev, now in edition 0.4.1 — the two numbers are 73.86 and 51.06 on the Full score. That is a 22.8-point gap. The Full figure is the one worth trusting most, because the maintainers ran it themselves: roughly 60% of it comes from tests over the same skills as the public suite and 40% from domains nobody published for, and neither vendor saw either half beforehand. Karpo's split is 70.94 same-skills against 61.5 new-domains. Nimble v3's is 52.34 against 38.2.
Показатели, опубликованные на каждой карточке, — это собственные прогоны вендоров официального набора, и их следует читать отдельно: 75,05 для Karpo по 140 178 оценённым запросам и 56,88 для Nimble v3 — цифра, которую его карточка указывает для более старого набора 0.2.1, тогда как повторный прогон совета даёт 57,19 по текущей шкале. Оба показателя были приняты советом, что является настоящим этапом проверки, а не тем же самым, что независимая лаборатория, запускающая модель на собственном оборудовании. Ни одна из моделей не представлена на Artificial Analysis. Никто за пределами этих двух репозиториев не оценивал ни одну из них.
На практике это означает, что 22,8 балла заслуживают большего доверия, чем большинство сравнений от поставщиков, и меньшего доверия, чем показания одного инструмента, оценивающего обе модели. Они получены одной организацией на одном наборе тестов по одной формуле — это действительно лучший из доступных вариантов для открытых моделей принятия решений, — но набор тестов неофициальный, полоса ничьей составляет 0,9 балла, а закрытую половину вы не можете проверить. Считайте направление реальным, а величину — приблизительной.
Где модель 9B ближе, чем предполагает разрыв в размерах

Если разбить пять категорийных оценок таблицы лидеров, история перестаёт быть лёгкой победой. В категории инструментов и автоматизации Nimble v3 набирает 84,24 против 88,39 у Karpo — разрыв в четыре балла, причём у модели, которая втрое меньше, в категории, охватывающей выбор инструментов и управление доступом агентов. Именно для этого сценария Bespoke Labs и создавала это семейство, и он более или менее сохраняется, несмотря на разницу в размере. Если ваш слой принятия решений существует, чтобы отвечать на вопрос «должен ли этот агент вызывать инструмент и какой именно», то 9B-адаптер находится в той же весовой категории, что и 31B-чекпойнт.
Везде в остальном разрыв именно такой, какой можно было предсказать. Понимание языка — 60,68 против 76,78, извлечение информации — 55,48 против 76,42, знания — 40,96 против 65,46, гуманитарные дисциплины и открытые суждения — 44,05 против 68,21. Преимущество Karpo сосредоточено именно там, где должна окупаться дополнительная ёмкость модели на 31B: более длинный контекст, больше знаний о мире, лучшее считывание плотного состояния.
Задержка также не следует за разрывом в размере. На эталонном оборудовании трекера — один GPU, один запрос за раз — Nimble v3 показывает медиану 73,9 мс против 94,3 мс у Karpo. Двадцать миллисекунд — не причина выбирать модель, но напоминание о том, что объединённый 9B-адаптер — это другой объект для эксплуатации: он помещается на ноутбуке в Q4, загружается за секунды и может работать внутри цикла агента на каждом шаге без разговоров о бюджете GPU.
Калибровка, где меньшая модель не просто слабее, но и менее честна
Точность показывает, как часто правильным оказывается ответ с наивысшим баллом. Калибровка показывает, можно ли на основе связанной с ним вероятности задавать порог, а для модели принятия решений это единственное число, которое имеет значение на практике.
В карточке Karpo указана ожидаемая ошибка калибровки 4,8 пункта по 34 411 ответам: средняя уверенность 87,96% при фактической точности 83,19%. В верхней корзине, которая охватывает 68,5% всех ответов, она оказывается права в 95,7% случаев, заявляя 98,7%. На верхнем конце наблюдается переуверенность примерно на три пункта, в остальном кривая совпадает.
У Nimble v3 — 12,29 пункта по 34 833 ответам: уверенность 87,26% при точности 74,97%. Верхняя корзина содержит 67% ответов, заявляет 98,6% и оказывается права в 89,1% случаев — преувеличение на 9,5 пункта в диапазоне, где фактически задаётся порог. Ниже средние корзины ещё хуже: при заявленных 0,85 модель права примерно в 59% случаев. Это не модель с небольшим дрейфом калибровки; это модель, чью уверенность нельзя использовать как порог без перемасштабирования, и документация самого семейства никогда не обещала обратного.
Прочитайте эти два абзаца вместе, и честный вывод окажется более узким, чем предполагает таблица лидеров. Karpo лучше принимает решения и лучше понимает, насколько хороши его решения. Nimble v3 дешевле в эксплуатации, и в единственной категории, которая важнее всего для работы агентов, он близок — но если вы планируете автоматически принимать при значении выше 0,9 и эскалировать при более низком, вам придётся потратить первую неделю на подгонку коррекции для Nimble, которую Karpo даёт вам в своей карточке.
Лицензионная развилка, без обиняков
Nimble v3 распространяется по лицензии CC BY-NC 4.0. Это не двусмысленно: в карточке модели указано, что её нельзя использовать в коммерческих целях. Все более ранние контрольные точки Nimble были под Apache-2.0, и базовая модель тоже под Apache-2.0, но это ничего не меняет — разрешительная базовая лицензия не ослабляет некоммерческую лицензию адаптера, а именно в адаптере и заключено поведение. Репозиторий GitHub, в котором хранится код обучения и курирования проекта, вообще не сообщает о лицензии через API GitHub, что является отдельной и, возможно, даже более серьёзной проблемой для всех, кто планирует строить на нём.
Karpo Decision 31B is Apache-2.0 for weights and code, with Gemma 4's terms carried alongside in the repository. That is the permissive end of open, with the usual Gemma caveat that downstream redistribution has to carry those terms too.
Для исследовательского ноутбука, внутренней оценки или статьи это различие незаметно, и Nimble v3 — более дешёвая точка входа. Для всего, что влияет на выручку — шлюза маршрутизации внутри коммерческого продукта, модели триажа в платном пайплайне, даже внутреннего инструмента в коммерческой компании, — лицензия решает исход сравнения ещё до того, как кто-то станет слушать про 22,8 балла. У Bespoke Labs есть путь через размещённый API и заглушка для варианта 27B, который показывает 65,33 в старом публичном наборе тестов, и ни один из этих вариантов не меняет условия для адаптера 9B.
Обслуживание любого из них — в первую очередь задача маршрутизации, а уже потом моделирования.

Модели принятия решений узки по построению: они отвечают только на те вопросы, которые вы им передаёте; они не могут писать, объяснять или возвращать вариант, который вы не предложили. Поэтому они — меньшая половина паттерна из двух моделей, и та половина, которую проще всего держать внутри компании. Генеративная половина — это то, где один эндпоинт оправдывает своё существование.
OrcaRouter runs neither of these checkpoints, and neither would make sense behind a chat-completions route. The two models it does serve sit one layer down: TypeSafe's Jev 1.14, the target the whole board exists to reproduce, and the Gemma 4 31B checkpoint that Karpo was fine-tuned from. One key covers both, pricing follows the provider's list with nothing added on top, so a vendor change reaches you the same day. What suits a decision head is the routing layer in front of it — a routing DSL that sends each request class to the model that should answer it, with failover behind that — so a nightly rescoring job and a live guardrail share one contract while the decision model itself stays wherever its licence allows.
Три вещи, которые изменили бы это прочтение

Первое — это изменение лицензии. Коммерчески пригодный адаптер Nimble на базе Qwen3.5-9B, с контрактом контекста и заявленной температурой, сделал бы вариант 9B по-настоящему конкурентоспособным для гейтинга агентов — оценка 84.24 по инструментам говорит о том, что такая возможность уже есть. Ничто в публичных материалах Bespoke Labs не указывает на то, что это произойдёт; переход с Apache-2.0 на CC BY-NC стал шагом в обратном направлении.
Второй — спецификация контекста и промпта. В карточке Nimble v3 не документировано ни то, ни другое, а значит, любой, кто её запускает, вынужден угадывать формат промпта, который поставлялся в предыдущих релизах. Модель, входные данные для которой реконструирует пользователь, — это модель, чьи показатели трудно воспроизвести, а ошибка калибровки в 12,3 пункта — это как раз та цифра, которая становится лучше или хуже в зависимости от того, как сформулировать вопрос.
Третий — любой независимый инструмент, который оценивает оба. Decision Index аккуратен, прозрачен в отношении метода и честен насчёт своих диапазонов ничьей, и при этом это всё ещё одна общественная таблица лидеров. В тот день, когда любая из моделей появится в Artificial Analysis рядом с оценщиком от гиперскейлера, сравнение перестанет быть арифметикой по двум вендорским карточкам и станет измерением. Ни с одной из них этого не произошло, и пока не произойдёт, защитимая позиция — скучная: Apache-2.0 и лучшая калибровка при 31B, если вы можете её запустить; некоммерческая и дешёвая при 9B, если не можете; и никаких причин выбирать только по счёту.
