UserRepGen-4B против Intern-Decision-4B: две команды дообучили одну и ту же 4B-базу и ни в чём не сошлись

Два тихих релиза, разделённые пятью неделями, ответвившиеся от одной и той же контрольной точки. microsoft/UserRepGen-4B появился на Hugging Face 14 октября 2026 года как репозиторий в формате bfloat16 объёмом 9,1 ГБ без каких-либо анонсов; internlm/Intern-Decision-4B появился 26 сентября 2026 года в 05:36:37 UTC в пределах сорокасекундного окна, в котором также возникли модели на 0,8B и 2B, столь же неанонсированные. Обе представляют собой LoRA-дообучения Qwen3.5-4B, обе текстовые, несмотря на наличие визуальной башни, которую они никогда не используют, обе возвращают жёсткую структуру вместо ответа — и они совершенно расходятся во мнениях о том, для чего предназначена модель. Intern-Decision-4B не пишет ни единого токена. UserRepGen-4B не пишет ничего, кроме токенов. Всё остальное в этом сравнении вытекает из этого единственного раскола.

Один — бомбардир, другой — писатель.

Карточка InternLM необычно прямолинейна в описании собственной механики: «Этот API выполняет структурированное оценивание кандидатов. Он не вызывает generate() и не сэмплирует текст в свободной форме.» Вы передаёте ему состояние, схему именованных вопросов и набор вариантов ответов. Он отображает варианты на однотокенные символы, выполняет один каузальный прямой проход, считывает логиты в позиции непосредственно перед каждым плейсхолдером, применяет подобранную температуру 1.99241824 и возвращает калиброванную вероятность для каждого варианта. Один проход. Никакого сэмплирования, никакого цикла декодирования, никакого текста.

UserRepGen-4B инвертирует это. Вы передаёте на вход завершённый диалог. На выходе — до 1 024 токенов текста в двух полях JSON — описании задачи и описании поведения пользователя — и карточка столь же категорична в обратном направлении: модель «генерирует представления, а не смоделированные реплики пользователя», она не выполняет задачу пользователя и не является симулятором.

Поставьте их рядом — и инженерные последствия сразу станут очевидны.

• Чем ценен результат — Intern-Decision-4B возвращает число, которое можно сравнить с порогом, усреднить и проверить. UserRepGen-4B возвращает абзац, качество которого может оценить только LLM-судья, — именно так Microsoft его и оценивала.

• Стоимость за вызов — один прямой проход по фиксированному промпту против до 1 024 сгенерированных токенов. Это разница между примерно 44 миллисекундами и полным прогоном декодирования, и именно поэтому модель принятия решений может находиться внутри цикла, а модель представления — нет.

• Где живёт смысл — InternLM решила, что ответ уже должен быть перечислим в промпте, поэтому модели остаётся только ранжировать. Microsoft решила, что ответ скрыт в диалоге, поэтому модель должна написать его. Ранжирование ограничено и проверяемо. Написание открыто и требует судьи.

Потолки ввода, и что они говорят вам о ставках

Обе карточки публикуют жёсткий лимит, и сравнить их — самый быстрый способ увидеть, насколько по-разному две команды очертили рамки одной и той же базовой модели.

Intern-Decision-4B отказывается работать с объёмом более 8 192 токенов. Это отказ, а не усечение — осознанное проектное решение, означающее, что модель предназначена для решений, достаточно компактных, чтобы полностью изложить их в промпте.

UserRepGen-4B обучается на последовательности из 9 216 токенов: до 8 192 токенов промпта, охватывающих беседу, плюс 1 024 токена завершения для представления. В карточке добавляется, что использование расширенного контекста сверх этой длины «не поддерживается в этом выпуске», а производительность на длинном контексте никогда отдельно не оценивалась. Так что один и тот же потолок в 8 192 токена фигурирует с обеих сторон, установленный независимо, двумя командами, которые, предположительно, не имели представления о работе друг друга.

Эта сходимость — полезная находка. Файнтюн 4B на этой базе в середине 2026 года — это компонент, рассчитанный на один хорошо сформулированный промпт, а не движок с длинным контекстом. Оба релиза честно об этом говорят. Ни один не прячет это за более крупным рекламируемым окном.

Оба опубликовали историю о калибровке, и это не одна и та же история.

Вот здесь поиск источников становится деликатным делом, потому что эти две оценки несоизмеримы, и ни одну из них не воспроизвели за пределами её собственной лаборатории.

Intern-Decision-4B публикует бенчмарк из семи наборов тестов, где набирает в среднем 90,02 балла — лучшая строка в его собственной таблице, опережая Intern-Decision-2B с 84,68 и Intern-Decision-0.8B с 79,38; все измерения проводились на стендах InternLM. Он также публикует данные о калибровке: показатель Бриера 0,347 и ожидаемая ошибка калибровки (ECE) 0,065. Отдельный пилотный эксперимент на 96 случаях с использованием точных эталонных распределений переходит от 0,628 по Бриеру и 0,213 ECE к 0,550 и 0,089 после применения подобранной температуры. Все эти числа — собственные данные вендора, и никто за пределами InternLM их не проверял.

RepGen-4B публикует таблицу достоверности по шкале оценки судьи от 1 до 10 — 4,95 для best-of-1 и 6,02 для best-of-3, против 3,90 и 4,90 для GPT-5.5, используемой в готовом виде, и 3,41 и 4,42 для необученной базовой модели. Все эти цифры — собственные данные Microsoft, полученные с помощью GPT-5.4 mini, которая одновременно выступала в роли симулятора, ассистента и судьи, и никто за пределами Microsoft их не проверял.

Существенная асимметрия не в баллах — они измеряют разные вещи по разным шкалам. Она в том, что Intern-Decision-4B публикует надлежащее правило оценки относительно известных эталонных распределений, которое опровержимо по построению, тогда как UserRepGen-4B публикует оценку LLM-судьи, которую можно опровергнуть, лишь запустив другого судью. InternLM создала модель, которую можно аудировать с помощью арифметики. Microsoft создала такую, которую приходится аудировать с помощью другой модели. Учитывая, что обе заявляют, что превзошли бейзлайны, это различие в возможности аудита — реальная часть того, между чем вы выбираете.

Находку о конфиденциальности выводит только один из них

В карте Intern-Decision-4B нет сколько-нибудь значимого раздела о конфиденциальности. В карте UserRepGen-4B есть число, которое должно заставить любую команду задуматься: на более чем 147 пользователях селектор, которого попросили выбрать, какой из четырёх разговоров принадлежит одному и тому же человеку, достигает 51,02 % при использовании описаний поведения модели против 44,22 % при использовании полных необработанных разговоров и 25 % при случайном выборе. Сжатое представление идентифицирует человека лучше, чем материал, из которого оно было получено.

Microsoft называет это риском связываемости и прямо заявляет, что представления не являются анонимизированными данными. Это правильный подход, и это предостережение применимо ко всему классу моделей — включая модель принятия решений, чьи собственные входные данные представляют собой разговоры о ситуациях людей. Разница лишь в том, что в одной карточке это указано, а в другой — нет, а это не то же самое, что безопасность одной из моделей.

Ни то, ни другое не является API, но общая основа, которую они разделяют, —

Оба они — это скачиваемые файлы, а не эндпоинты. Intern-Decision-4B поставляется как класс Python DecisionEngine, который загружается один раз и затем переиспользуется; его демо-Space отвечает 401, а его ссылка на GitHub возвращает 404; UserRepGen-4B поставляется в виде одного неквантованного файла safetensors и example.py. OrcaRouter не содержит ни того, ни другого. Если вы утверждаете, что любой из них сегодня доступен через хостируемый API, вы описываете план, а не факт.

То, что действительно можно вызвать, — это чекпоинт, от которого ответвились обе модели. Семейство Qwen3.5-4B есть в нашем каталоге — Qwen3.5-Flash с контекстом более миллиона токенов по цене $0.10 за миллион входных токенов и $0.40 за миллион выходных, Qwen3.5-35B-A3B по цене $0.057 и $0.459, Qwen3.5-27B по цене $0.086 и $0.688 — всё на одном ключе, всё по прейскурантной цене провайдера, без каких-либо наценок. Это полезно для той части конвейера, которая не относится к этим двум моделям: сторона ассистента в симуляции или шаг рассуждений, сопровождающий принятие решения, может выполняться через одну конечную точку, пока вы локально оцениваете дообученную модель.

Как выбрать

Если ваша проблема — это ограниченный вопрос с перечислимыми ответами, и вам нужно калиброванное число десять тысяч раз в секунду, Intern-Decision-4B — единственная модель здесь, которая это делает, и то, что она никогда не сэмплирует, — это фича, а не ограничение. Если ваша проблема в том, что вы хотите симулятор, который ведёт себя как реальный пользователь, UserRepGen-4B — единственная модель здесь, обученная для этого, и размер её заявленного превосходства над GPT-5.5 — вот причина обратить внимание. Никому не следует выбирать одну из них на основании показателей другой, потому что они никогда не измеряли одно и то же. Что решило бы сравнение — это одна порция внешней проверки по любой из карточек, — а для двух релизов, вышедших в полной тишине с разницей в недели, её не было ни у одного.

Два тихих релиза также напоминают о том, насколько большая часть моделей этого класса поставляется без документации, а сбои, которые за этим следуют, собраны в OrcaRouter AI Incident Archive, где каждая запись содержит собственные источники, уровень серьёзности, степень уверенности и флаг оспаривания.