
Karpo Decision 31B vs Microsoft-Decision-1: Den ena har ett pris, den andra har en poäng
- OrcaNYOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 per 1M tokens · 184 tok/s
- tencentNYTencent: Hy4 Flash2026-11-16$0.02 / $0.07 per 1M tokens · 215 tok/s
- GoogleNYGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1M tokens · 87 tok/s
- AnthropicNYAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1M tokens · 97 tok/s
- orcaNYOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1M tokens · 90 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1M tokens · 131 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 per 1M tokens · 76 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 per 1M tokens · 109 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1M tokens · 114 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1M tokens · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M tokens · 94 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M tokens · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligens
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 per 1M tokens · 209 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligens
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1M tokens · 111 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligens
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 per 1M tokens · 311 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligens
Ställ Karpo Decision 31B bredvid Microsoft-Decision-1 och det första du lägger märke till är att inget av företagen har gett dig det du behöver för att välja mellan dem. Karpo Decision 31B, den 31,3 miljarder parametrar stora Gemma 4-finjusteringen som MachinePulse lade upp på Hugging Face den 5 november 2026 utan ett lanseringsinlägg, har en siffra på en leaderboard och inget pris. Microsoft-Decision-1, som finns på Microsoft Foundry sedan den 8 oktober 2026, har ett pris, ett Azure-avtal, ett paket för ansvarsfull AI och ingen publicerad benchmarktabell alls. Den ena är mätbar och osäljbar. Den andra är säljbar och, enligt leverantörens eget val, inte mätt.
Den inversionen är hela jämförelsen, och det är värt att stå emot impulsen att lösa den med aritmetik. 73,86 som Karpo har och 62,07 som Artificial Analysis tilldelar Microsoft-Decision-1 är inte två avläsningar av en och samma sak. De kommer från olika resultattavlor, olika uppgiftsmixar, olika poängformler och olika uppfattningar om vad en beslutsmodell är till för. Den användbara frågan är inte vilket tal som är större. Det är vilken av de två luckorna – det saknade priset eller den saknade poängen – som din driftsättning faktiskt kan absorbera.
Vad Microsoft säljer, exakt
Microsoft-Decision-1 är en eftertränad Qwen3.5-9B som svarar med en fördelning över alternativ istället för prosa. Kontraktet är snävt: ja/nej, flerval, en betygsskala, en klassificeringsuppsättning eller en bedömningsmatris, över upp till 32 768 token text. Inga bilder, inget ljud, inget förklaringsfält, inga genererade token. Microsoft är tydliga med att den inte är avsedd för öppna frågor, översättning eller sammanfattning, och de rekommenderar att man inte använder den som enda grund för beslut om kredit, anställning, bostad, försäkring, utbildning eller sjukvård.
Det den däremot bidrar med är det som en öppen checkpoint inte kan: en Foundry-distribution inom Direct from Azure-portföljen, serverless eller unified endpoint, standard-SKU, Azure-autentisering, en faktura, batchinferens avsiktligt avstängd och ingen nedladdning av vikter eller finjusteringsväg. För en bank eller en sjukhusgrupp är den sista samlingen fakta ofta värd mer än tjugo poäng på en leaderboard, eftersom det är skillnaden mellan en modell som ett plattformsteam kan godkänna och en modell som ett plattformsteam måste bygga en serving-stack runt.
Priset är verkligt men besvärligt att ange. Modellsidan visar ingen per-token-taxa; den länkar i stället till Azures prissättningssida. Det som Artificial Analysis följer för den är 143 dollar per miljon uppgifter till indatapriset, mot 345 dollar per miljon uppgifter för Googles Gemini Decision 1. Karpo har ingen jämförbar siffra eftersom Karpo inte har någon prislista av något slag – ingen host, ingen konsol, ingen provperiod, ingen publicerad kostnad per GPU.
Vad styrelsen mätte, och vad den inte mätte.

Karpos siffra är en community-siffra. Decision Index, den öppna anslagstavla som följer reproduktioner av TypeSafe's Jev, placerar den på 73,86 Full i utgåva 0.4.1 – delad etta bland 307 rader i anslagstavlans publicerade dump, lika med GLiDE 27B på 73,37 eftersom anslagstavlan grupperar allt inom 0,9 poäng från ledaren. Den där Full-poängen är tredjepart i den mening som spelar roll: anslagstavlans ansvariga körde privata tester som leverantören aldrig såg, uppdelade på ungefär 60 % samma färdigheter och 40 % nya domäner. Karpos uppdelning lyder 70,94 på de bekanta färdigheterna och 61,5 på de obekanta, vilket är den vanliga formen för en modell som har finjusterats hårt mot en känd svit.
75.05 på modellkortet är en helt annan sak, och kortet är ärligt om det: det är MachinePulse egen körning av det officiella poängsättningskitet, 140 178 poängsatta förfrågningar med elva nekade för att de överskred fönstret, antagen av nämnden efter att en ny poängsättning med kitet visade sig motsvara påståendet. Offentlig och reproducerbar, fortfarande förstaparts. Nämndens egen rad bekräftar antagandet och noterar att överensstämmelsen i det privata testet med de inskickade raderna var 100 % över 827 rader.
Microsoft-Decision-1 har inget av detta. Dess katalogsida har en flik som heter Benchmarks med ett metodstycke och inga siffror: offentliga beslutsbenchmarker och community-beslutsbenchmarker, interna held-out-set, träffsäkerhet och kalibreringsfel, varierad ordning på alternativ, parade statistiska tester tillämpade. Microsoft uppger att modellen presterar "i nivå med ledande beslutsmodeller och före andra öppna beslutsmodeller som utvärderats med samma metod" och avstår sedan från att visa utvärderingen. Alla prestandapåståenden om den i dag är leverantörsrapporterade och inte reproducerade.
Det enda instrument som har betygsatt det är Artificial Analysis, på Decision Index v2.1, och delkomponenterna är mer informativa än kompositen. Microsoft-Decision-1 får 88,0 på When2Call, nära ledarna, och 86,8 på EvalSafe-O*NET. Det får 51,8 på AA-Paperclip med 20,9 % godkännandegrad för dokument enligt allt-eller-inget, 54,9 på AA-Omniscience-Decision med 21,7 % icke-hallucineringsfrekvens och 39,4 på HLE-MultiChoice med 8,6 % rå noggrannhet. Mönstret är en kompetent bedömare av arbetsplatsomdöme med svagt kunskapsbeteende, och siffran för avstående är den man bör stanna upp vid: en modell som avstår från att svara på 78 % av kunskapsfrågorna skyddar sin kalibrering på bekostnad av att vara användbar.
Förfrågningsformerna, sida vid sida

• Parametrar — Karpo 31,3B i bf16 plus en 255 × 5 376 fp32-readout, cirka 62,5 GB på disk; Microsoft-Decision-1, en 9B tät bas som endast tillhandahölls som ett API.
• Indata – Karpo tar emot text, JSON och bilder, med en skärmbild som skickas som state.viewport_screenshot; Microsoft-Decision-1 tar endast emot text, serialiserad till 32 768 tokens.
Kontext – 32 768 token för båda, med en viktig skillnad i felbeteende: Karpo delar upp en lång förfrågan per fråga och avvisar allt som fortfarande inte får plats, medan Microsofts tak är indata plus alternativuppsättningen utan något sätt att höja det.
• Frågetyper — Karpo-val med upp till 255 alternativ, noul för sant/falskt, poäng för en ordnad nivå; Microsoft ja/nej, flerval, betygssättning, klassificering och bedömningsmatris, med avstå-alternativ som "kan inte avgöra" som stöds i uppsättningen.
• Batchning — Karpo kodar ett tillstånd och många frågor i en enda sekvens, så hundra frågor om en faktura kostar ungefär en genomgång av fakturan; Microsofts publicerade kontrakt är ett tillstånd och dess frågeuppsättning per anrop, där bredden kommer från gruppering.
• Latens — 94 ms i median per begäran på trackerns referenshårdvara, en GPU, en begäran i taget för Karpo; 274 ms per uppgift för Microsoft-Decision-1 enligt AA:s mätning, en siffra per uppgift över en dokumentuppsättning snarare än en per begäran.
• Licens och åtkomst — Apache-2.0-vikter för Karpo, med Gemma 4:s villkor vid sidan om; inga vikter alls för Microsoft-Decision-1, som endast är tillgängligt via API enligt Azures villkor.
• Pris — ingen publicerad taxa för Karpo; 143 USD per miljon uppgifter i AA:s spårning för Microsoft-Decision-1, med indataavgiften per token angiven på Azures prissättningssida i stället för på modellkortet.
Kalibrering är den axel där båda har något att säga
För en modell vars hela utdata är en sannolikhet är det tal som styr driftsättningen inte noggrannheten utan huruvida sannolikheten betyder det den säger. Karpos kort rapporterar ett kalibreringsfel på 4,8 punkter: över 34 411 poängsatta svar låg dess genomsnittliga konfidens på 87,96 % mot en noggrannhet på 83,19 %, och i den högsta konfidensgruppen – 68,5 % av alla svar – hade den rätt 95,7 % av gångerna samtidigt som den angav 98,7 %. Det är en modell som går att sätta tröskelvärde för, med en känd drift i den övre änden.
Microsoft publicerar inget förväntat kalibreringsfel, ingen Brier-poäng och ingen reliabilitetskurva. Det AA:s komponentpoäng antyder är en modell vars konfidens används konservativt: de höga frekvenserna av icke-hallucinationer på Omniscience och HLE innebär att den avstår från att svara i stället för att svara när den är osäker, vilket är det beteende ett skyddsräcke vill ha och en klassificerare inte vill ha. Om dess 0,8 betyder 0,8 utanför Microsofts egen utvärdering är okänt, och Microsofts dokumentation säger det på sitt eget sätt genom att uppmana integratörer att validera på representativa data och sätta trösklar utifrån kostnaden för deras fel.
Den asymmetrin har en praktisk konsekvens. Med Karpo ärver du en publicerad kalibreringskurva och kan sätta ett utgångströskelvärde innan du kör något. Med Microsoft-Decision-1 ärver du en metodik och ett löfte, och dina första två veckor är ett mätprojekt. Ingen av dem är diskvalificerande; de är helt enkelt olika slags arbete.
Versionen som ingen titel nämner
Microsoft-Decision-1 är inte längre den aktuella modellen i sin egen familj. Microsoft-Decision-1.1 lanserades den 17 november 2026 på Ignite på en Gemma 4 26B A4B mixture-of-experts-bas, till samma pris och samma 32K-tak, och Artificial Analysis ger den 67,78 – 5,7 poäng över version 1, vid 123 ms per uppgift i stället för 274 ms, med icke-hallucinering på Omniscience upp från 21,7 % till 49,4 %. Den blev också sämre på sådant som en poängsättare förväntas vara stabil på: 6,29 % rå noggrannhet på HLE-MultiChoice mot 8,64 %, och 47,5 % av AA-Symmetry:s frågefamiljer besvarades konsekvent mot 51,7 %.
Den som i slutet av november jämför Karpo med "Microsofts beslutsmodell" jämför den därför med en version som har ersatts. Det gör inte jämförelsen irrelevant – version 1 är fortfarande den som en stor mängd Foundry-distributioner dimensionerades mot – men det innebär att siffran att slå på Microsofts sida är 67,78, och den sekundära frågan är huruvida en modell som byter kunskapsnoggrannhet mot avståendedisciplin över huvud taget är rätt form för din pipeline.
Vad vardera sidan inte kan ge dig
Karpo kan inte ge dig ett avtal. Det finns ingen endpoint, ingen prislista, ingen supportväg, inget SLA och inget leverantörsuttalande utöver ett modellkort och en README. Om din organisation inte kan köra en checkpoint på 62,5 GB på sin egen hårdvara, slutar jämförelsen där oavsett poängen. Att läsa in den som en vanlig chattmodell kommer inte heller att återge dess svar: både branch attention och 255-kodsavläsningen krävs, och Python-paketet samt POST /v1/systemone-servern finns just för att en generisk inferensstack inte duger.
Microsoft-Decision-1 kan inte ge dig ett tal som du inte har behövt lita på, inte finjusteras på dina egna beslutsdata, inte läsa en skärmbild och inte köras offline. Det kan inte heller benchmarkas av dig på samma instrument som Karpo, eftersom Decision Index är ett register över öppna reproduktioner och en sluten API-modell inte har några vikter som kan reproduceras. De två modellerna kommer att fortsätta missa varandra: en resultattavla kommer aldrig att lista Microsofts scorer, och Artificial Analysis har ingen rad för Karpo.
Det finns en tredje position som är mer användbar än någon av kolumnerna. Om det du faktiskt behöver är ett beslutslager bredvid en generativ pipeline, är generatorn den hälft du redan kan standardisera. OrcaRouter har inte Karpo Decision 31B eller Microsoft-Decision-1, och ingen av dem hör hemma bakom en chat-completions-väg. Det den däremot har är de två modellerna som den här jämförelsen ständigt kretsar kring: Gemma 4 31B, basen som Karpo finjusterades från, och TypeSafe:s Jev 1.14, modellen som open-reproduction-tavlan finns för att jaga. Båda ligger bakom en OpenAI-kompatibel nyckel tillsammans med 200+ andra modeller till leverantörens listpris som förs vidare utan påslag, så en leverantörsprissänkning landar på vår sida samma dag, och automatisk failover håller en poängsättningsloop vid liv när en leverantör krånglar.
Vilken att välja

Välj Microsoft-Decision-1, eller mer förnuftigt Microsoft-Decision-1.1, om beslutsdelen måste finnas i en Azure-miljö, om du behöver ett godkännandespår mer än en placering på en resultattavla, och om dina indata är text som får plats i 32K. Budgetera för en kalibreringsstudie, eftersom Microsoft inte har gett dig någon, och sätt dina avståendetrösklar utifrån kostnaden för dina fel snarare än utifrån leverantörens beskrivning av dem.
Välj Karpo Decision 31B om du har GPU:n, om skärmbilder eller JSON-tillstånd ingår i jobbet, om Apache-2.0 spelar roll för en produkt du avser att leverera, och om ett privat testresultat från tredje part plus en publicerad kalibreringskurva är det underlag ditt team accepterar. Acceptera i gengäld att du nu är leverantören: ingen support, inget SLA, inget pris att budgetera mot, och en modell som är två veckor gammal och vars kodförråd fortfarande redigerades den 16 november.
Låt inte 73,86 mot 62,07 avgöra valet av den ena eller den andra. Siffrorna togs fram av organisationer som aldrig har rättat samma prov, på testsviter med olika andel privata tester och olika poängsättningsformler, och den ärliga tolkningen är att båda modellerna är rimliga och att ingen av dem är bevisad bättre än den andra. Det test som skulle avgöra saken – att Karpo finns med i en oberoende panel som också bedömer Microsofts modell, eller att Microsoft publicerar den resultattabell som metodavsnittet beskriver – har inte inträffat. Till dess avgörs beslutet av upphandling, hårdvara och inmatningsmodalitet, vilket är där det borde ha avgjorts från början.
