RepGen-4B vs Intern-Decision-4B: Två team finjusterade samma 4B-bas och var inte eniga om någonting

Två tysta släpp, fem veckor isär, som förgrenar sig från samma checkpoint. microsoft/UserRepGen-4B lades upp på Hugging Face den 14 oktober 2026 som ett 9,1 GB stort bfloat16-repo utan tillkännagivande; internlm/Intern-Decision-4B dök upp den 26 september 2026 kl. 05:36:37 UTC inom ett fönster på fyrtio sekunder som också producerade en 0,8B och en 2B, lika oannonserade. Båda är LoRA-finjusteringar av Qwen3.5-4B, båda är text-only trots att de har ett visionstorn som de aldrig använder, båda returnerar en stel struktur snarare än ett svar — och de skulle inte kunna vara mer oense om vad modellen är till för. Intern-Decision-4B skriver aldrig en token. UserRepGen-4B skriver inget annat än tokens. Allt annat i den här jämförelsen följer av den där enda uppdelningen.

Den ene är målskytt, den andre är skribent

InternLMs modellkort är ovanligt rakt på sak om sin egen mekanik: "Detta API utför strukturerad poängsättning av kandidater. Det anropar inte generate() eller samplar fritext." Du ger den ett tillstånd, ett schema med namngivna frågor och en uppsättning kandidatsvar. Den mappar alternativen till symboler med en enda token, kör en kausal framåtpassning, läser logitsen vid positionen omedelbart före varje platshållare, tillämpar en anpassad temperatur på 1,99241824 och returnerar en kalibrerad sannolikhet per alternativ. En passning. Ingen sampling, ingen avkodningsloop, ingen text.

UserRepGen-4B inverterar det. Du ger den en färdig konversation. Den avger upp till 1 024 tokens prosa över två JSON-fält – en uppgiftsbeskrivning och en användarbeteendebeskrivning – och kortet är lika rakt på sak i den andra riktningen: modellen ”genererar representationer, inte simulerade användarturer”, den utför inte användarens uppgift, och den är inte simulatorn.

Ställ de två sida vid sida, och de tekniska konsekvenserna står omedelbart klara.

• Vad resultatet är värt — Intern-Decision-4B returnerar ett tal som du kan sätta ett tröskelvärde för, beräkna medelvärdet för och granska. UserRepGen-4B returnerar ett stycke vars kvalitet bara en LLM-domare kan poängsätta, vilket är precis hur Microsoft utvärderade det.

• Kostnad per anrop — en framåtpassning över en fast prompt jämfört med upp till 1 024 genererade token. Det är skillnaden mellan ungefär 44 millisekunder och en full avkodningskörning, och det är därför beslutsmodellen kan ligga i en loop som representationsmodellen inte kan.

• Där betydelsen bor — InternLM ansåg att svaret redan borde vara uppräkningsbart i prompten, så modellen behöver bara rangordna. Microsoft ansåg att svaret är latent i en konversation, så modellen måste skriva det. Rangordning är avgränsad och verifierbar. Att skriva är öppet och kräver en domare.

Inputtaken, och vad de säger dig om satsningarna.

Båda korten publicerar en hård gräns, och att jämföra dem är det snabbaste sättet att se hur olika de två teamen avgränsade samma basmodell.

Intern-Decision-4B vägrar arbeta med mer än 8 192 tokens. Det är en vägran, inte en trunkering – ett designval som säger att modellen är till för beslut som är tillräckligt kompakta för att kunna anges helt i en prompt.

UserRepGen-4B tränas på en sekvens på 9 216 tokens: upp till 8 192 prompt-tokens som täcker konversationen, plus 1 024 completion-tokens för representationen. Kortet tillägger att användning med utökat kontext bortom den längden ”inte stöds av den här utgåvan”, och att prestandan för långa kontexter aldrig benchmarkades separat. Så samma tak på 8 192 token dyker upp på båda sidor, uppnått oberoende av varandra, från två team som förmodligen inte hade insyn i varandras arbete.

Den konvergensen är det användbara fyndet. En 4B-finjustering på denna bas, i mitten av 2026, är en komponent dimensionerad för en enda välformad prompt – inte en motor för lång kontext. Båda utgåvorna är ärliga om det. Ingen av dem döljer det bakom ett större annonserat fönster.

Båda publicerade en kalibreringshistoria, och de är inte samma historia

Det är här som källhanteringen blir känslig, eftersom de två utvärderingarna inte är jämförbara och ingen av dem har reproducerats utanför sitt eget labb.

Intern-Decision-4B publicerar ett benchmark med sju sviter där den får i genomsnitt 90,02 — den bästa raden i dess egen tabell, före Intern-Decision-2B på 84,68 och Intern-Decision-0.8B på 79,38, alla mätta i InternLMs testramverk. Den publicerar också kalibrering: en Brier-poäng på 0,347 och ett förväntat kalibreringsfel på 0,065. En separat pilot med 96 fall som använder exakta referensfördelningar går från 0,628 i Brier-poäng och 0,213 i ECE till 0,550 och 0,089 efter att dess anpassade temperatur har tillämpats. Vart och ett av dessa tal är leverantörens eget, och ingen utanför InternLM har kontrollerat dem.

RepGen-4B publicerar en fidelitetstabell på en domarskala från 1 till 10 – 4,95 best-of-1 och 6,02 best-of-3, jämfört med 3,90 och 4,90 för GPT-5.5 i standardutförande och 3,41 och 4,42 för den ojusterade basmodellen. Vart och ett av dessa tal är Microsofts eget, framtaget med GPT-5.4 mini som samtidigt agerar simulator, assistent och domare, och ingen utanför Microsoft har kontrollerat dem.

Den asymmetri som spelar roll är inte poängen – de mäter olika saker på olika skalor. Den består i att Intern-Decision-4B publicerar en proper poängregel mot kända referensfördelningar, som är falsifierbar genom sin konstruktion, medan UserRepGen-4B publicerar en poäng från en LLM-domare, som endast är falsifierbar genom att köra en annan domare. InternLM byggde en modell som kan granskas med aritmetik. Microsoft byggde en som måste granskas med en annan modell. Med tanke på att båda påstår sig ha överträffat baslinjer, är den skillnaden i granskningsbarhet en reell del av det du väljer mellan.

Integritetsfyndet som bara en av dem skriver ut

Intern-Decision-4B:s kort innehåller inget integritetsavsnitt av betydelse. UserRepGen-4B:s innehåller en siffra som borde få vilket team som helst att stanna upp: bland över 147 användare når en selektor som ombeds välja vilken av fyra konversationer som kom från samma person 51,02 % med modellens beteendebeskrivningar, mot 44,22 % med de fullständiga råkonversationerna och 25 % slumpmässigt. Den komprimerade representationen identifierar personen bättre än materialet den härleddes från.

Microsoft betecknar det som en länkbarhetsrisk och säger rakt ut att representationer inte är anonymiserade data. Det är den korrekta hanteringen, och det är en varning som gäller hela klassen av modeller — inklusive beslutsmodellen, vars egna indata är samtal om människors situationer. Skillnaden är bara att det ena kortet säger det och det andra inte, vilket inte är samma sak som att en modell är säker.

Ingen av dem är ett API, men basen de delar är

Båda dessa är nedladdningar, inte slutpunkter. Intern-Decision-4B levereras som en Python-klass DecisionEngine som laddas en gång och återanvänds, dess demo-Space svarar 401 och dess GitHub-länk ger 404; UserRepGen-4B levereras som en enda okvantiserad safetensors-fil och en example.py. OrcaRouter har ingen av dem. Om du säger att någon av dem finns tillgänglig via ett hostat API idag, beskriver du en plan snarare än ett faktum.

Det som faktiskt går att anropa är den checkpoint som de båda utgick från. Qwen3.5-4B:s familj finns i vår katalog — Qwen3.5-Flash med en kontext på över en miljon tokens till $0,10 per miljon indatatokens och $0,40 per miljon utdatatokens, Qwen3.5-35B-A3B till $0,057 och $0,459, Qwen3.5-27B till $0,086 och $0,688 — alla på samma nyckel, alla till leverantörens listpris utan något påslag. Det är användbart för den del av pipelinen som inte är dessa två modeller: assistentsidan av en simulering, eller resonemangssteget kring ett beslutsanrop, kan köras genom en enda slutpunkt medan du utvärderar finjusteringen lokalt.

Hur man väljer

Om ditt problem är en avgränsad fråga med uppräkningsbara svar och du behöver ett kalibrerat tal tio tusen gånger i sekunden, är Intern-Decision-4B den enda modellen här som gör det, och det faktum att den aldrig samplar är funktionen snarare än begränsningen. Om ditt problem är att du vill ha en simulator som beter sig som en riktig användare, är UserRepGen-4B den enda modellen här som är tränad för det, och storleken på dess rapporterade förbättring gentemot GPT-5.5 är anledningen att bry sig. Ingen bör välja någon av dem utifrån den andras siffror, eftersom de aldrig mätte samma sak. Det som skulle avgöra jämförelsen är en enda extern granskning av endera kortet – och för två utgåvor som släpptes i total tystnad, med veckors mellanrum, har ingen av dem fått någon.

Två tysta lanseringar är också en påminnelse om hur mycket av den här typen av modeller som levereras utan dokumentation, och de fel som följer samlas i the OrcaRouter AI Incident Archive, där varje post har sina egna källor, allvarlighetsgrad, tillförlitlighetsgrad och flagga för omstridd status.