UserRepGen-4B: Microsoft за ночь загрузила модель симуляции пользователей и ничего не объявила

14 октября 2026 года в 20:30 UTC в организации Microsoft на Hugging Face появился репозиторий microsoft/UserRepGen-4B, а последний коммит в нём был сделан двумя часами позже. За ним нет ни анонса запуска, ни статьи, ни записи в корпоративном блоге, ни демо-Space, ни репозитория с кодом — github.com/microsoft/UserRepGen отвечает 404, а поиск кода на GitHub по этому имени даёт ноль результатов. А есть вот что: файл safetensors размером 9 078 620 536 байт, шаблон чата, промпт представления, рабочий пример и карточка модели, на удивление откровенно рассказывающая о том, чего она не доказывает. В карточке указано, что в основе лежит Qwen3.5-4B, плотный чекпойнт Alibaba за февраль 2026 года, несущий LoRA ранга 64. Это случай тихого выпуска: артефакт реален и доступен для скачивания, анонса нет, и правильно поступить так — читать репозиторий, а не ждать пресс-релиза, который может никогда не появиться.

Что на самом деле находится на хабе

Всё нижеследующее считано напрямую из репозитория, который является единственным первоисточником, существующим прямо сейчас.

• Веса — один файл, model.safetensors, размером 9 078 620 536 байт в bfloat16. Примерно 9,1 ГБ, без квантизации, без GGUF, без ONNX, без сборки MLX, без какого-либо формата под конкретное устройство. В боковой панели самого Hub это округляется до «5B params», тогда как в карточке модель описывается как «4B-class» — небольшое несоответствие в метаданных, а не в файле.

• Базовая — Qwen3.5-4B, плотный чекпоинт Alibaba от февраля 2026 года на 4 миллиарда параметров, адаптированный с помощью LoRA ранга 64. В карточке указано, что все имена и формы 7 235 сохранённых тензоров были сверены с апстрим-конфигурацией на ревизии 851bf6e, а также что выходная голова разделяет веса входных эмбеддингов.

• Лицензия — MIT для собственного вклада Microsoft, а активы Q​wen из upstream остаются под Apache 2.0 в отдельном файле LICENSE.Q​wen. Это пара разрешительных лицензий, и это стоит отметить, потому что это не та схема, к которой прибегает исследовательская команда, когда намеревается что-то придержать в коммерческом плане.

• Окно обучения — с июля по август 2026 года, то есть примерно два месяца работы были завершены, а затем пролежали без движения до загрузки.

• Сама загрузка — собственная лента активности организации Microsoft на Hub зафиксировала её как «philippelaban опубликовал модель» за несколько минут до снимка. Не аккаунт для запуска, не релиз-бот: один из двух исследователей, указанных в качестве контакта в карточке модели. Если план релиза и существовал, выглядел он не так.

• Внедрение, прямо сейчас — ноль загрузок и ноль лайков на момент написания. Это число — показание часов, а не приговор, и это самая скоропортящаяся цифра в этой статье.

Что модель на самом деле делает — и чего она намеренно не делает

Название точное — стоит только прочитать карточку. UserRepGen-4B не генерирует реплики пользователя. Он читает готовый многоходовой диалог пользователя и ассистента и записывает JSON-объект ровно с двумя строковыми полями: task — описание того, чего пользователь пытался добиться, и user_behavior — описание того, как он это делал: как формулирует запросы, как разбивает цель на несколько ходов, когда сам сообщает контекст, как реагирует, когда ответ не подходит, и завершает ли диалог досрочно.

Этот вывод не является ответом и не является транскриптом. Это сигнал обусловливания, предназначенный для передачи отдельной LLM, которая играет роль пользователя в симуляции. Предполагаемый рабочий процесс на карточке явно описывает передачу: выберите разговор, который вам разрешено обрабатывать, удалите идентифицирующие данные, сгенерируйте представление, проверьте его как JSON, просмотрите его на предмет необоснованных выводов, затем передайте проверенную версию симулятору.

Отличие от более ранних работ Microsoft в этой области — в этом вся суть модели. UserLM-8b и UserLM-2.0 генерируют реплики пользователя. UserRepGen генерирует описание, на которое обусловлен симулятор, что делает его пригодным для повторного использования во множестве запусков симулятора и позволяет дешевле проверять его один раз, а не на каждом ходу. В карточке об этом сказано прямо, и это из тех архитектурных заявлений, которые обычно идут в комплекте со статьёй.

Здесь статья не прикреплена. В разделе цитирования сказано: «Ссылка на статью и запись BibTeX ожидают подтверждения и будут добавлены до того, как карточка модели будет окончательно оформлена». Вторая строка в разделе использования предлагает аутентифицироваться с помощью hf auth login, «пока репозиторий является приватным», — но репозиторий не является приватным, поэтому это предложение — остаток от поэтапной загрузки. Вместе эти две детали говорят о конкретной вещи: эта карточка была написана для сопровождения релиза, который ещё не состоялся на момент подготовки загрузки.

Таблица бенчмарков и почему она не является таблицей лидеров

Карточка публикует оценку на 700 отложенных диалогах, по 100 из каждого из семи исходных наборов данных. Каждый показатель в ней принадлежит Microsoft, получен с помощью GPT-5.4 mini, одновременно выступающей в роли симулятора, ассистента и судьи, и оценён отдельным вызовом судьи по шкале достоверности от 1 до 10.

• Qwen3.5-4B base — 3,41 лучший из 1, 4,42 лучший из 3.

• GPT-5.5, использованный без доработки в качестве генератора представлений — 3,90 и 4,90.

• Обычная тонкая настройка с учителем — 4.64 и 5.68; OPSD — 4.46 и 5.60; GRPO — 3.57 и 4.59.

• Сама UserRepGen-4B, обученная с помощью онлайн-дообучения с учителем посредством ретроспективной дистилляции — 4,95 и 6,02.

Воспринимайте эту таблицу такой, какая она есть. Интересны вовсе не верхняя строка, а две средние: и OPSD, и GRPO — два метода обучения с подкреплением, к которым эта область обращается по умолчанию, — оказываются ниже обычного обучения с учителем на этой задаче. Побеждает метод, который оптимизирует переиспользуемое представление, а не политику симулятора. Это содержательный аргумент о том, куда должен идти градиент, и самое переносимое утверждение во всей карточке.

Чего таблица не может вам сказать, так это того, переносится ли что-либо из этого. Судья, ассистент и симулятор — все это GPT-5.4 mini, поэтому цикл замыкается внутри модели одного вендора. Отдельный эксперимент во время тестирования более показателен: запуск базовой модели с десятью раундами итеративной ретроспективной обратной связи повышает точность до 6.10 best-of-1, с пиком 7.07 best-of-3 на девяти раундах. Это превосходит обученную модель — но лишь за счет затрат симуляционных прогонов и вызовов обратной связи на инференсе, а это ровно те затраты, которых обученная модель и призвана избегать. В карточке скрупулезно указано, что это два разных измерения, и так же должны поступать все, кто их цитирует.

Человеческая валидация слаба, но присутствует: 100 пар симуляций с неравными оценками судьи, один эксперт-аннотатор, не знавший ни идентичности модели, ни порядка предъявления, 88% согласия с судьёй. Один аннотатор и сто пар — это не исследование, на котором стали бы основывать решение о продукте. Однако это больше независимой проверки, чем достаётся большинству «тихих» загрузок.

Вывод о конфиденциальности, который карточка публикует о себе

В дополнительных оценках скрывается число, которое заслуживает того, чтобы стать заголовком этого релиза: на более чем 147 пользователях из ThoughtTrace, отсутствующих в обучающих данных, селектор GPT-5.4 mini определял, какой из четырёх диалогов-кандидатов исходит от того же пользователя, что и запрос. Описания поведения, созданные UserRepGen-4B, дают точность 51.02%. Полные диалоги дают 44.22%. Случайный выбор даёт 25%.

Выученное представление — это лучший идентификатор человека, чем исходный разговор, который оно обобщает. В карточке модели это не смягчается — там сказано, что результат «демонстрирует риск связываемости, а не анонимизацию или пригодность для установления личности», а в другом месте прямо заявлено, что «представления не являются анонимизированными данными». Это исследовательский артефакт, который измеряет собственный режим отказа и публикует его — больше, чем удаётся большинству релизов, — но это также означает, что рекомендуемый порядок работы — не необязательная вежливость. Если вы обрабатываете разговоры, на которые у вас нет законных оснований, вывод этой модели — компактный, портируемый, читаемый человеком профиль личности, присутствующей в них.

Где его можно запустить сегодня, а где нельзя

Microsoft не предоставляет эту модель. Нет ни эндпоинта, ни цены, ни API. В карточке указано, что инференс протестирован с помощью vLLM на оборудовании H100, A100, RTX A6000 и B200, а также проведён дымовой тест на CPU под Linux с Transformers 5.2.0, PyTorch 2.11.0 и Accelerate 1.10.1, который выдал корректный JSON из промпта длиной 481 токен. Мы её тоже не размещаем — OrcaRouter не включает UserRepGen-4B, наш собственный каталог не содержит записи о ней, и ничто здесь не должно восприниматься как заявление о доступности. Сегодня единственный способ её использовать — скачать 9,1 ГБ и запустить прилагаемый example.py.

Об этом стоит сказать прямо, а не приукрашивать, потому что честная версия этого релиза узка: чекпойнт, карточка и утверждение о том, куда помещать градиент. Если это подтвердится, интересным продолжением будет не размещённый эндпоинт, а вопрос о том, переносится ли тот же трюк с представлением на базовую модель на ступень крупнее, где обусловливание с помощью симулятора, которое он заменяет, обходится гораздо дороже.

Что посмотреть

Три вещи — в порядке того, насколько сильно они изменили бы картину. Статья, когда бы она ни вышла, либо сделает проверяемым утверждение о ретроспективной дистилляции, либо покажет, что смесь из семи наборов данных делает больше работы, чем сам метод. Второй чекпойнт позволил бы понять, считает ли Microsoft это продуктовой линейкой или исследовательским артефактом. А первая независимая оценка от кого угодно вне лаборатории — это то, что превращает 4,95 в число, на которое можно ориентироваться при планировании. Пока не произойдёт хотя бы одно из этого, это репозиторий, который стоит читать, а не модель, на которую стоит ставить.

Неделя, когда эта контрольная точка появилась без предупреждения, — подходящий момент и для того, чтобы взглянуть на то, что уже пошло не так в этом классе моделей: задокументированные инциденты с ИИ и сбои агентов, связанные с подобными моделями, собраны в the OrcaRouter AI Incident Archive, где каждая запись сопровождается собственными источниками, степенью серьёзности, оценкой достоверности и отметкой о наличии споров.