Pareto 26.10 vs Pareto 26.9: одно число отличает эти два выпуска

Сравнение Pareto 26.10 с Pareto 26.9 — это в основном исследование того, что не изменилось. Тот же поставщик, та же композитная архитектура, тот же максимальный ответ в 131 072 токена, те же пять заявленных параметров, те же опубликованные тарифы на собственной странице цен поставщика и — на единственном бенчмарке, общем для обоих релизов — разница в одну десятую балла в пользу более старой модели. На тех поверхностях, по которым обычно сравнивают модели, эти две — один и тот же продукт с разными номерами версий. Но есть одна поверхность, где это не так, и именно она определяет, какие рабочие нагрузки вообще могут использовать любой из них: контекстное окно, где 26.9 предлагает 262 144 токена, а 26.10 — 1 048 576. Документированные сбои ИИ и инциденты с агентами, стоящие за подобными релизами, собраны в OrcaRouter AI Incident Archive, где каждая запись содержит свои источники, уровень серьёзности, степень уверенности и флаг спорности.

Оба релиза доступны. pareto-26.10 — это релиз, который стал версией по умолчанию за алиасом pareto 15 октября 2026 года, когда Unbiased перевела на него свой релиз общего доступа; pareto-26.9 — сентябрьский релиз, который, по словам вендора, «остаётся доступным» для всех, кто хочет остаться на нём. Вот и всё решение, которое сегодня предстоит принять обращающемуся, а остальная часть этой страницы — подробности, стоящие за ним.

Сопутствующие факты

Согласно документации, обе модели принимают на вход текст и изображения и возвращают текст, и ни одна из них не публикует идентификатор Hugging Face — в этом сравнении веса закрыты с обеих сторон, поэтому скачивать и развертывать самостоятельно нечего. Ни у одной из них нет независимого бенчмарка. Обе обслуживаются единственным провайдером — самой Unbiased, а значит, в собственном стеке поставщика ни для одного из релизов нет второго хоста, на который можно переключиться при сбое. Поэтому сравнение ниже — это сравнение двух конфигураций одной продуктовой линейки одного поставщика, а не двух экосистем.

Контекст — это и есть весь аргумент.

Увеличение контекста в 4 раза звучит как строчка из спецификации, пока не соотнесёшь его с тем, что люди на самом деле делают с моделями с длинным контекстом.

При 262 144 токенах полная сессия агента по всему репозиторию, длинная стенограмма поддержки или многочасовой исследовательский тред — это задача чанкинга. Вы извлекаете данные, суммируете их, держите скользящее окно и принимаете тот факт, что модель видит реконструкцию задачи, а не саму задачу. При 1 048 576 токенах такие рабочие нагрузки помещаются — не всегда с комфортом и не дёшево при $0,80 за миллион входных токенов без попадания в кэш, но помещаются. Практическая разница между двумя релизами в том, нужен ли вашему пайплайну слой извлечения между вашими данными и моделью.

Это настоящее инженерное решение, и это также единственное на этой странице, для которого можно дать обоснованный ответ. Всё остальное настолько близко, что выбор следует делать не по качеству, а по чему-то другому.

Бок о бок, измерение за измерением

• Строка модели — pareto-26.10 (по умолчанию в pareto с 2026-10-15) против pareto-26.9 (сохранена, не по умолчанию).

• Контекстное окно — 1 048 576 токенов против 262 144 токенов.

• Максимальный ответ — 131 072 токена в обоих. Без изменений между релизами.

• Модальности — текст + изображение на входе, текст на выходе, в обоих случаях.

Объявленные параметры — max_tokens, temperature, top_p, tools, tool_choice в 26.10; тот же набор плюс response_format в 26.9.

• Вызов инструментов — параметр tool_choice ограничен значением auto в версии 26.10; решение о вызове принимает сама модель, принудительно задать его нельзя.

• Веса — закрыты в обоих; ни в одной из записей нет идентификатора Hugging Face.

• Поставщики услуг — один, вендор, на обоих.

Опубликованный тариф — $0.80 за ввод / $0.03 за кэшированные данные / $3.20 за вывод на миллион у обоих, согласно текущей странице цен поставщика.

• DeepSWE v1.1 — 69,9% при $0,24 за задачу на 26.10 против 70,0% при $0,29 за задачу на 26.9; оба прогона проведены вендором.

Две из этих строк заслуживают отдельного абзаца, потому что именно о них чаще всего сообщают неверно.

Разница в структурированном выводе, которую никто не рекламирует

Списки параметров не идентичны. В каталожной записи для 26.9 среди поддерживаемых параметров указан response_format; в записи для 26.10 — нет. Заявленный набор для 26.10 — max_tokens, temperature, top_p, tools и tool_choice, и точка.

Вдумайтесь в это, а не воспринимайте как заголовок: отсутствие параметра в объявленном списке не доказывает, что эндпоинт его отклоняет, а собственная документация API поставщика не перечисляет ни один из этих списков. Но если ваш конвейер зависит от JSON-режима или вывода, ограниченного схемой, и вы переходите с 26.9 на 26.10 в предположении, что новая версия является строгим надмножеством, это предположение не подтверждается ничем опубликованным. Проверьте это на собственном трафике перед миграцией или запланируйте проверку вывода на стороне клиента. Это мелочь, которая однажды во вторник превращается в инцидент.

Две действующие тарифные карты расходятся в том, сколько стоит 26.9

Это самая запутанная часть сравнения и та, что с наибольшей вероятностью повлияет на реальное решение.

Unbiased публикует единый прайс-лист — $0.80 за входные данные, $0.03 за кэшированные входные данные, $3.20 за выходные данные — и не версионирует его по релизам. Если читать буквально, это означает, что 26.10 и 26.9 сегодня стоят одинаково за токен, поэтому миграция бесплатна, а единственная переменная — увеличение контекста. Между тем в собственной технической записи модели для 26.9 по-прежнему указаны сентябрьские цифры: $2.50 за входные данные, $0.25 за кэшированные, $7.50 за выходные. Оба источника были доступны на момент написания. Ни один из них не датирован, и поставщик не опубликовал запись в журнале изменений, объясняющую это изменение, поэтому нигде в записях нет цитируемой строки «в этот день цена снизилась».

Практическая рекомендация прозаична. Исходите из нижней карточки, потому что две из трёх поверхностей, которые вы можете прочитать, публикуют её, и одна из них — это страница, по которой клиенту выставляют счёт, — а затем перепроверьте её, прежде чем зафиксировать цифру в бюджете. Если вы привязываете любой из релизов для отнесения затрат, знайте, что смешанный месяц, охватывающий переход 15 октября, не разложится чисто постфактум, поскольку релизы были оценены по-разному в разные моменты, а поставщик не датирует свои изменения.

Один счёт, одна десятая балла — и никаких выводов.

Единственный бенчмарк, общий для обоих релизов, — это DeepSWE v1.1, и собственные цифры вендора дают для 26.9 70,0%, а для 26.10 — 69,9%. Оба показателя получены вендором, причём более старый — на срезе из 30 задач, а не на полном наборе оценки, а всё сравнение описывается Unbiased как не прошедшее независимую проверку.

Честная интерпретация такова: это измерение не позволяет различить релизы. Десятая доля балла на частичном срезе задач находится в пределах шума одного прогона, и трактовать это как рейтинг в любую сторону — «26.10 ухудшилась» или «26.10 лучше, потому что дешевле в расчёте на задачу» — это гадание на кофейной гуще. Показатели стоимости выполнения одной задачи расходятся сильнее (0,24 доллара против 0,29), и даже они получены в прогонах разных месяцев на смешанной модели, базовый состав которой поставщик не раскрывает.

Что таблица действительно сообщает вам, так это то, куда не стоит смотреть. Если вы выбираете между этими двумя по качеству, вы делаете выбор на основе числа, которое не может обосновать этот выбор. Доказательства, которые их разделяют, носят архитектурный характер — контекстное окно и параметрическая поверхность — и оба из них поддаются проверке так, как оценки — нет.

Что вызывать, в зависимости от нагрузки

• Агентное программирование по всему репозиторию — 26.10. Окно в 1M — это разница между отправкой репозитория и отправкой его краткого описания.

• Анализ длинных документов или длинных расшифровок — 26.10, по той же причине, и следите за счётом за входные данные: 1 млн токенов без попадания в кэш — это $0,80 за запрос только за входные данные.

• Конвейеры вывода в режиме JSON или с ограничениями схемы — 26.9, пока вы сами не проверили поведение 26.10, поскольку объявленный список параметров 26.9 включает response_format, а 26.10 — нет.

• Рабочая нагрузка уже в продакшене и укладывается в 262K — 26.9. Нет опубликованных данных о том, что переход улучшает результаты, а закрепление — более дешёвое решение.

• Любой случай, когда вам нужна текущая версия поставщика по умолчанию без необходимости поддерживать закреплённую версию — 26.10, через простой алиас pareto, с пониманием того, что алиас следует календарю поставщика, а не вашему.

Для команд, которые работают с обеими сторонами цикла сборки и проверки, полезный паттерн — закрепить 26.10 для прохода с длинным контекстом и оставить 26.9 доступной в качестве сравнительного плеча — именно для этого и нужен слой маршрутизации. OrcaRouter не предлагает ни одной модели Unbiased, поэтому обе строки вызываются через собственный API поставщика; мы же предоставляем один ключ и одну интеграцию для моделей, чтобы вы могли сравнивать 26.10 с ними, поэтому оценка перехода не означает подписания второго контракта. OrcaRouter передаёт прейскурантную цену поставщика напрямую с наценкой 0%, и это утверждение относится к моделям, которые мы действительно обслуживаем, а не к этой.

Миграция, которую никто не планировал

Причина, по которой это сравнение носит практический, а не академический характер, состоит в том, что изменение уже затронуло людей, которые о нём не просили. 15 октября алиас pareto перешёл с сентябрьского релиза на 26.10. Все, кто вызывал голую строку, получили вчетверо большее контекстное окно и иную поверхность параметров без изменения кода — а поскольку в документации поставщика отмечено, что неизвестные идентификаторы моделей не отклоняются, закреплённая версия с опечаткой по-прежнему обслуживается и тарифицируется как Pareto, а не завершается явной ошибкой.

Если же вы были на preview-ветке, этот путь закрыт: Unbiased сообщил пользователям preview перейти на pareto или pareto-26.10. Если вы были на pareto и предполагали стабильность, теперь это предположение видно в ваших собственных логах — независимо от того, вызвало ли оно проблему.

В любом случае исправление одно и занимает одну строку: укажите релиз, который вы тестировали. Строка с указанием версии — это то, что делает модель затрат вычитаемой, а регрессию атрибутируемой, и это единственный механизм, который этот поставщик предоставляет для того и другого.

Что ещё не проверено

Ни один из релизов не имеет независимого бенчмарка. У Artificial Analysis нет страницы ни для одного из них, и ни один оценщик не опубликовал повторный прогон вендорского харнесса. Каждая цифра в этом сравнении — четыре оценки, показатели стоимости на задачу, размеры контекстных окон — либо опубликована вендором, либо взята из технической записи модели, причём на самих оценках стоят собственные пометки вендора «предварительно» и «не подтверждено независимо».

Это не причина избегать любой из моделей. Это причина решить вопросы, которые можно проверить: помещается ли ваша нагрузка в 262K, нужен ли вашему пайплайну response_format и хотите ли вы использовать alias или pin. У этих трёх вопросов есть ответы. А у вопроса, какая модель лучше, — нет, и никакое чтение опубликованной таблицы его не даст.