
Karpo Decision 31B ขึ้นแท่นอันดับหนึ่งในบอร์ดจัดอันดับ 307 โมเดล โดยไม่มีโพสต์เปิดตัวใด ๆ ในนามของตัวเอง
- Orcaใหม่OrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 ต่อ 1 ล้านโทเค็น · 184 tok/s
- tencentใหม่Tencent: Hy4 Flash2026-11-16$0.02 / $0.07 ต่อ 1 ล้านโทเค็น · 223 tok/s
- Googleใหม่Google: Gemini 4 Carbon2026-11-10$2.00 / $10.00 ต่อ 1 ล้านโทเค็น · 87 tok/s
- Anthropicใหม่Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 ต่อ 1 ล้านโทเค็น · 96 tok/s
- orcaใหม่Orca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 ต่อ 1 ล้านโทเค็น · 90 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 131 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 ต่อ 1 ล้านโทเค็น · 77 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 ต่อ 1 ล้านโทเค็น · 94 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 114 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 69 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 94 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447ความฉลาด
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 209 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929ความฉลาด
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 ต่อ 1 ล้านโทเค็น · 111 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733ความฉลาด
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 ต่อ 1 ล้านโทเค็น · 311 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740ความฉลาด
เมื่อวันที่ 12 พฤศจิกายน 2026 Decision Index — ลีดเดอร์บอร์ดชุมชนที่ติดตามการทำซ้ำแบบเปิดของ Jev จาก TypeSafe — ได้จัดให้ Karpo Decision 31Bอยู่อันดับสูงสุดของ Full score ที่ 73.9 ซึ่งเป็นคะแนนสูงสุดในบรรดา 307 รายการ ในสัปดาห์เดียวกันนั้นเอง เริ่มมีคำกล่าวอ้างแพร่สะพัดว่าโมเดลนี้ ซึ่งเป็นไฟน์จูนของ Gemma 4 31B แบบเปิดของ Google เอาชนะ Gemini Decision 1ของ Google เอง. มีเพียงหนึ่งในสองข้อความนั้นเท่านั้นที่ผู้อ่านตรวจสอบได้ในวันนี้ และความแตกต่างระหว่างสองข้อความนั้นคือเรื่องราวทั้งหมด การที่ลีดเดอร์บอร์ดจัดให้ Karpo อยู่อันดับหนึ่งเป็นข้อมูลสาธารณะ ระบุวันที่ และทำซ้ำได้จากไฟล์ผลลัพธ์ขนาด 45 MB ที่ห้องแล็บเผยแพร่ การเทียบแบบตัวต่อตัวกับ Gemini Decision 1 ไม่เคยถูกจัดให้มีขึ้น: สองโมเดลนี้ไม่ได้อยู่ในลีดเดอร์บอร์ดเดียวกันเลย และเครื่องมือที่ใช้ให้คะแนนก็ไม่ใช่เครื่องมือเดียวกัน
สิ่งที่ทำให้ครึ่งแรกแปลกไม่ใช่คะแนน แต่เป็นความเงียบที่อยู่รอบๆ คะแนนนั้น MachinePulse Pte. Ltd. บริษัทสัญชาติสิงคโปร์ที่อยู่เบื้องหลัง Karpo ได้สร้างรีโพซิทอรีบน Hugging Face เมื่อวันที่ 5 พฤศจิกายน 2026 เผยแพร่รีโพซิทอรีสำหรับการอินเฟอเรนซ์บน GitHub ในวันเดียวกัน และปล่อยรุ่นน้องที่เล็กกว่าอีกห้ารุ่น — 12B, 9B, 4B, 2B และ 0.8B — เมื่อวันที่ 12 พฤศจิกายน ณ เวลาที่เขียนนี้ ยังไม่มีหน้าเพจผลิตภัณฑ์ โพสต์บล็อก ราคา ประกาศเปิดตัวโมเดล หรือ API เว็บไซต์ของบริษัทเองส่งคืน 404 ในทุกเส้นทางที่ควรจะมีสิ่งเหล่านี้ Karpo มีอยู่ในรูปของน้ำหนักโมเดล ไฟล์ README แพ็กเกจ Python และหนึ่งแถวบนลีดเดอร์บอร์ด บทความนี้ว่าด้วยสิ่งที่สี่สิ่งนั้นบอกคุณได้และบอกคุณไม่ได้

วันที่ และเหตุใดจึงสำคัญกว่าปกติ
ตราประทับเวลาการสร้างรีโพซิทอรีคือวันที่ 5 พฤศจิกายน 2026 เวลา 15:33 UTC โค้ดสำหรับการอนุมานของ GitHub ถูกสร้างขึ้นยี่สิบสองนาทีต่อมา ชุดข้อมูลการรัน Decision Index — สิ่งที่ทำให้ 73.9 ตรวจสอบได้ — ถูกอัปโหลดเมื่อวันที่ 6 พฤศจิกายน เวลา 05:18 UTC README ยังคงถูกแก้ไขอยู่เมื่อวันที่ 16 พฤศจิกายน โดยสองคอมมิตสุดท้ายไม่ได้เปลี่ยนอะไรเลยนอกจากบรรทัดลิขสิทธิ์และข้อความเกี่ยวกับไลเซนส์
นั่นคือโมเดลอายุสองสัปดาห์ที่มีรีพอซิทอรีซึ่งยังใช้งานอยู่และยังไม่มีการเปิดตัว มันไม่ใช่การรั่วไหล และไม่ใช่การเปลี่ยนชื่อของสิ่งเก่าอะไรบางอย่าง: น้ำหนักโมเดลเป็นของใหม่ ไฟล์สัญญาอนุญาตเป็นของใหม่ และตระกูลโมเดลหกตัวถูกพุชขึ้นในบ่ายวันเดียว สิ่งที่มันเป็นคือแล็บที่ตัดสินใจเผยแพร่ชิ้นงานก่อนการตลาด
73.9 วัดอะไรกันแน่

Decision Index ในปัจจุบันคือฉบับที่ 0.4.1 คะแนน Full ของมันคำนวณโดยผู้ดูแลบอร์ดบนแบบทดสอบส่วนตัว: ประมาณ 60% ของงานมาจากทักษะเดียวกับชุดทดสอบสาธารณะ และ 40% จากโดเมนที่ชุดสาธารณะไม่ครอบคลุม แถวของ Karpo ระบุ 73.9 Full โดยเป็น 70.7 ในส่วนทักษะเดียวกัน และ 78.6 ในส่วนโดเมนใหม่ ตัวเลขสองตัวหลังนี้เรียงลำดับอย่างผิดปกติ — โดยปกติโมเดลจะทำได้แย่กว่าในดินแดนที่ไม่คุ้นเคย เมื่อเทียบกับทักษะที่มันถูกปรับจูนมา — และการ์ดรายงานโดยไม่มีความเห็น
คณะกรรมการเผยแพร่อันดับเดียวให้กับโมเดลที่อยู่ในระยะ 0.9 คะแนนจากผู้นำ ดังนั้น Karpo จึงไม่ได้ครองอันดับหนึ่งเพียงลำพัง GLiDE 27B ที่ 73.4 ครองอันดับ 1 ร่วม ถัดลงมามี REAX 1.3 ที่ 72.6, Logits Sigma-1 Duo ที่ 72.3, Copernicus-31B ที่ 72.1 และ KnowLine 31B Gen1.5 ที่ 71.9 นี่คือกลุ่มผู้นำที่แออัด ไม่ใช่การนำแบบทิ้งห่าง
ตัวเลขตัวที่สองบนการ์ด คือ 75.05 มีที่มาแตกต่างออกไป และสมควรถูกอ่านในความหมายที่ต่างออกไป นั่นคือดัชนีสาธารณะ ซึ่งมาจากการรันชุดเครื่องมือให้คะแนนอย่างเป็นทางการของ MachinePulse เอง — คำขอที่ได้รับการให้คะแนน 140,178 รายการ โดยมีเก้ารายการถูกปฏิเสธเนื่องจากคำถามเดียวพร้อมสถานะของคำถามนั้นเกินหน้าต่าง 32,768 โทเค็น คณะกรรมการได้นำผลการรันนั้นมาใช้ เหตุผลที่ควรเชื่อถือผลนี้มากกว่าตัวเลขจากผู้ขายทั่วไป คือไดเรกทอรีการรันนั้นเป็นสาธารณะ: results.jsonl.gz ไฟล์คะแนนรายคำขอ และไฟล์รายการสภาพแวดล้อม ใครก็ตามสามารถรันชุดเครื่องมือซ้ำและเปรียบเทียบได้ การนำไปใช้ของคณะกรรมการเองคือขั้นตอนการตรวจทาน นั่นเป็นมาตรฐานที่เข้มงวดกว่าที่ข้ออ้างเปิดตัวส่วนใหญ่ทำได้ และยังไม่เหมือนกับการที่ห้องปฏิบัติการอิสระให้คะแนนโมเดลบนฮาร์ดแวร์ของตนเอง
สองป้ายกำกับดังกล่าว และไม่ควรนำมารวมเข้าด้วยกัน: Full score คำนวณโดยบุคคลที่สามจากแบบทดสอบส่วนตัว ส่วน public index คำนวณโดยเจ้าของเองจากชุดทดสอบสาธารณะและได้รับการนำมาใช้ ทั้งสองไม่ใช่ vendor benchmark ในความหมายปกติ และทั้งสองก็ไม่ใช่ Artificial Analysis
ทำไม "beats Gemini Decision 1" จึงยังไม่ใช่ข้อความที่วัดได้ในตอนนี้
Gemini Decision 1 มีคะแนนเป็นตัวเลข Artificial Analysis ให้คะแนนไว้ที่ 65.98 บน Decision Index v2.1 ซึ่งเป็นคะแนนรวมจากการประเมินหกด้านที่ถ่วงน้ำหนักครอบคลุมการตัดสินใจจากเอกสาร การเรียกใช้เครื่องมือ ความรู้ การให้เหตุผล และความไม่แปรเปลี่ยน บนตารางนั้น มันอยู่อันดับที่สิบเอ็ดในบรรดาโมเดลตัดสินใจที่ AA จัดอันดับ ต่ำกว่า d1.2-ultra ที่ 74.85, Drex Max v1.1 ที่ 72.62 และ SubQ Snap 1.2 ที่ 72.58 และสูงกว่า Microsoft-Decision-1 ที่ 62.07 การให้คะแนนเป็นของ AA บนฮาร์ดแวร์ของ AA และมีค่าใช้จ่าย $345 ต่อล้านงานในการรัน
Karpo ไม่ปรากฏบนบอร์ดนั้นเลย Artificial Analysis ไม่มีหน้าเพจสำหรับ Karpo และไม่มีแถวสำหรับ Karpo เช่นเดียวกัน Gemini Decision 1 ก็ไม่ปรากฏบนตัวติดตาม Decision Index ที่มี Karpo อยู่ — บอร์ดนั้นเป็นทะเบียนของการทำซ้ำแบบเปิด และโมเดลของ Google เป็นผลิตภัณฑ์แบบปิดที่ให้บริการผ่าน API เท่านั้น โดยไม่มีน้ำหนักโมเดลให้ทำซ้ำ
การเปรียบเทียบที่ทุกคนกำลังทำอยู่นั้นเป็นการอนุมานจากตัวเลขสองตัวที่ผลิตโดยสององค์กร บนชุดทดสอบสองชุดที่มีส่วนผสมของงานต่างกัน สัดส่วนชุดทดสอบส่วนตัวต่างกัน และสูตรการให้คะแนนต่างกัน 73.9 ไม่ได้มากกว่า 65.98 ในความหมายใด ๆ ที่ยังคงทนเมื่อเทียบกับระเบียบวิธีวิจัย หากทั้งสองถูกทดสอบผ่านชุดเครื่องมือเดียวกันในวันพรุ่งนี้ Karpo อาจชนะได้จริง — โปรไฟล์รายหมวดหมู่ของมันแข็งแกร่ง — แต่ยังไม่มีใครทดสอบ และพาดหัวข่าวในตอนนี้คือสมมติฐานที่สวมเสื้อผ้าของผลลัพธ์
มีอีกจุดละเอียดอ่อนหนึ่งที่ควรรู้ เพราะมันหักล้างข้อกล่าวอ้างมากกว่าที่จะสนับสนุนข้อกล่าวอ้างนั้น ในการแบ่งหมวดหมู่ห้าประเภทของ tracker พื้นที่ที่ Karpo อ่อนที่สุดคือความรู้และการให้เหตุผล โดยมี chance-corrected skill อยู่ที่ 65.5 ส่วนพื้นที่ที่แข็งที่สุดคือเครื่องมือและระบบอัตโนมัติที่ 88.4 บนกระดานของ AA องค์ประกอบเดียวที่ Gemini Decision 1 เอาชนะได้เกือบทุกอย่างคือด้านความรู้: 66.3 บน AA-Omniscience ซึ่งสูงที่สุดในสี่โมเดลที่ตรวจสอบที่นี่ ด้านที่โมเดลของ Google เก่งที่สุดคือด้านที่ Gemma fine-tune อ่อนที่สุดเมื่อเทียบกัน การเผชิญหน้าแบบตัวต่อตัวในด้านนั้นจะเป็นการแข่งขันจริง ไม่ใช่การชนะแบบขาดลอย และนั่นคือเหตุผลที่การเปรียบเทียบที่ยังไม่ได้รันจึงไม่ควรถูกรายงานว่าเป็นชัยชนะ
ส่วนของการ์ดที่น่าสนใจกว่าการจัดอันดับ

Karpo ไม่ใช่โมเดลแชตที่มีโหมด JSON แต่เป็น readout ตัวเลือกแต่ละตัวในคำถามจะได้รับรหัสตัวเลือก และ linear head จะให้คะแนนรหัสจำนวน 255 รหัส ณ ตำแหน่งคงที่ จากนั้นทำ softmax เหนือตัวเลือกที่คำถามเสนอมาจริง ๆ ไม่มีการสร้างสิ่งใดขึ้นมา ดังนั้นคำตอบจึงเป็นหนึ่งในตัวเลือกที่คุณให้มาเสมอ และต้นทุนเอาต์พุตเป็นศูนย์โดยโครงสร้าง
สถาปัตยกรรมนี้คุ้มค่ากับหนึ่งย่อหน้า เพราะมันอธิบายถึงความหน่วง คำขอหนึ่งรายการประกอบด้วยสถานะหนึ่งสถานะบวกกับคำถามจำนวนเท่าใดก็ได้ ซึ่งเข้ารหัสเป็นลำดับเดียว: คำถามก่อน จากนั้นจึงเป็นสถานะ แล้วจึงเป็นหนึ่งสาขาต่อหนึ่งคำถาม แอตเทนชันแบบสาขาช่วยให้สาขาอ่านบล็อกที่ใช้ร่วมกันและอ่านตัวเองได้ แต่ไม่เคยอ่านสาขาอื่น สถานะถูกคำนวณเพียงครั้งเดียว คำถามหนึ่งร้อยข้อเกี่ยวกับใบแจ้งหนี้หนึ่งใบจึงมีต้นทุนประมาณหนึ่งรอบการประมวลผลบนใบแจ้งหนี้ ไม่ใช่หนึ่งร้อยรอบ
• พารามิเตอร์ — 31.3B ใน bf16 พร้อม readout ขนาด 255 × 5,376 ใน fp32; ประมาณ 62.5 GB บนดิสก์
• บริบท — 32,768 โทเค็นต่อลำดับ; คำขอที่ยาวกว่าจะถูกแบ่งตามคำถาม โดยแต่ละส่วนจะพาสถานะทั้งหมดไปด้วย และคำถามที่ยังไม่พอดีจะถูกปฏิเสธแทนที่จะถูกตัดทอน
• อินพุต — ข้อความ JSON และรูปภาพ; สามารถส่งภาพหน้าจอเป็น state.viewport_screenshot หรือเป็น data URL
• ประเภทคำถาม — แบบเลือกตอบ พร้อมตัวเลือกสูงสุด 255 ตัวเลือก, noul สำหรับจริง/เท็จ, คะแนน สำหรับระดับแบบเรียงลำดับ
• อินเทอร์เฟซ — Python API และเซิร์ฟเวอร์ HTTP ในรูปแบบ System One, POST /v1/systemone.
• สัญญาอนุญาต — Apache-2.0 สำหรับน้ำหนักโมเดลและโค้ด โดยมีสัญญาอนุญาตของ Gemma 4 เองแนบมาพร้อมกันในที่เก็บโค้ด
ความหน่วงที่วัดได้บนฮาร์ดแวร์อ้างอิงของ tracker โดยใช้ GPU หนึ่งตัวและส่งคำขอทีละรายการ มีค่ามัธยฐานที่ 94 ms ความเร็วนี้ไม่พอที่จะทำให้กลืนหายไปในลูปของเอเจนต์แบบรายขั้นตอนซึ่งเรียกใช้งานเล็ก ๆ ยี่สิบครั้งต่อเทิร์น แต่ก็เร็วพอที่จะอยู่เบื้องหลังเกตการเรียกใช้เครื่องมือที่ถูกกระตุ้นเพียงไม่กี่ครั้งต่อบทสนทนา การ์ดยังรายงานค่าความคลาดเคลื่อนของการคาลิเบรตที่ 4.8 จุด ซึ่งเป็นตัวเลขที่การนำไปใช้งานจริงขึ้นอยู่กับมันจริง ๆ: ความแม่นยำบอกว่าคำตอบอันดับต้นถูกต้องบ่อยเพียงใด ส่วนการคาลิเบรตบอกว่าความน่าจะเป็นที่แนบมากับคำตอบนั้นสามารถนำไปกำหนดเกณฑ์ได้หรือไม่
สิ่งใดที่ยังไม่ได้รับการยืนยัน ก็บอกกล่าวกันตรง ๆ
ไม่มีราคา ไม่ใช่แบบ “ยังไม่เปิดเผย รอเปิดตัว” — ไม่มีตารางราคา ไม่มีเอนด์พอยต์แบบโฮสต์ ไม่มีคอนโซล ไม่มีการทดลองใช้ หากคุณต้องการ Karpo Decision 31B วันนี้ คุณต้องดาวน์โหลด 62.5 GB และรันบน GPU ของคุณเองด้วยตัวโหลดของรีโพซิทอรีเอง การโหลดเช็กพอยต์เป็นโมเดลแชตทั่วไปจะไม่ให้คำตอบที่เหมือนเดิม ทั้ง branch attention และ readout จำเป็นทั้งคู่
ยังไม่มีคะแนนที่เป็นอิสระ Decision Index เป็นแบบไม่เป็นทางการและดูแลโดยชุมชน มีความรอบคอบ มีเอกสารประกอบครบถ้วน และโปร่งใสเรื่องวิธีการอย่างยิ่ง อีกทั้งไม่ใช่ Artificial Analysis และไม่ได้รับการขอให้ให้คะแนนโมเดลนี้บนฮาร์ดแวร์ของตนเอง องค์ประกอบจากบุคคลที่สามที่แข็งแกร่งที่สุดคือผู้ดูแลได้คำนวณคะแนน Full จากแบบทดสอบที่ผู้จำหน่ายไม่เคยเห็น
ไม่มีคำแถลงจากผู้ขายว่าโมเดลนี้ถูกสร้างขึ้นมาเพื่ออะไร นอกเหนือจากคำอธิบายใน README เอง: การตัดสินใจเล็ก ๆ ที่เอเจนต์ต้องทำในทุกขั้นตอน — จะเรียกใช้เครื่องมือหรือถามก่อน, จะคลิกองค์ประกอบใดบนหน้าเว็บ, การคืนสินค้าจะเข้าเงื่อนไขภายใต้นโยบายหรือไม่ คำอธิบายนั้นเป็นกรอบของห้องแล็บ ไม่ใช่ขอบเขตที่ผ่านการตรวจสอบยืนยันอย่างอิสระ
และไม่มีการประกาศใด ๆ ไม่ใช่แบบเงียบ ๆ ไม่ใช่รายการบันทึกการเปลี่ยนแปลง สองสัปดาห์หลังจากเวตของโมเดลถูกเผยแพร่ สิ่งที่บริษัทเปิดเผยต่อสาธารณะกลับเป็นหน้ารับสมัครงานและผลิตภัณฑ์อีกสายหนึ่งที่แตกต่างออกไป
แล้วสิ่งนี้ทำให้ทีมที่ต้องการลองใช้มันเป็นอย่างไร
สรุปตามจริงคือ Karpo Decision 31B เป็นโมเดลการตัดสินใจแบบเปิดที่น่าสนใจที่สุดในรอบสองสัปดาห์ที่ผ่านมา และเป็นโมเดลที่ได้รับการสนับสนุนน้อยที่สุด ความเป็นผู้นำของมันมีอยู่จริงแต่ยังเสมอกัน ดัชนีสาธารณะของมันสามารถทำซ้ำได้ คะแนนการทดสอบแบบส่วนตัวของมันมาจากบุคคลที่สามอย่างแท้จริง และข้ออ้างทางการตลาดหลักของมัน — ที่ว่า fine-tune ของ Gemma ตอนนี้เอาชนะ Google ในโมเดลการตัดสินใจของ Google เองได้ — ยังไม่ได้ถูกวัด
สำหรับทีมที่ใช้งานเลเยอร์ตัดสินใจอยู่แล้ว เส้นทางที่ใช้ได้จริงคือการติดตั้งแบบเงามากกว่าการย้ายระบบ ให้คงโมเดลที่รับทราฟฟิกโปรดักชันไว้ รัน Karpo กับคำขอเดียวกันแบบออฟไลน์ และเปรียบเทียบความน่าจะเป็นแทนที่จะเปรียบเทียบเลเบล: ความคลาดเคลื่อนของการคาลิเบรต 4.8 จุดหมายความว่าประมาณหนึ่งในยี่สิบคำตอบนั้นผิดอย่างมั่นใจเกินกว่าที่ความน่าจะเป็นที่ระบุไว้บ่งชี้ และนโยบายเกณฑ์ของคุณคือสิ่งที่เปลี่ยนเรื่องนี้ให้เป็นคิวตรวจทานโดยมนุษย์หรืออินซิเดนต์ หากคุณกำลังกำหนดมาตรฐานเป็นเอนด์พอยต์เดียวสำหรับส่วนที่เหลือของสแต็ก โมเดลที่คุณเข้าถึงได้จริงในสัปดาห์นี้คือโมเดลที่อยู่ในแคตตาล็อก — Gemma 4 31B เอง ซึ่งเป็นฐานของ Karpo และให้บริการผ่าน one API สำหรับโมเดล 200+ ตัวในราคาตามรายการของผู้ให้บริการโดยไม่บวกเพิ่ม, และ Jev 1.14 ของ TypeSafe ซึ่งเป็นโมเดลที่บอร์ดการทำซ้ำแบบเปิดทั้งหมดนี้ถูกสร้างขึ้นมาเพื่อไล่ตาม Karpo จะต้องพิสูจน์ที่ของตัวเองให้ได้เหมือนกับตัวอื่น ๆ: ด้วยการที่เรียกใช้งานได้
สิ่งที่ต้องจับตาดูไม่ใช่ 73.9 แต่คือว่า MachinePulse จะเปิดหน้าสินค้า ราคา และการส่งผลเข้า AA ภายในเดือนหน้าหรือไม่ แล็บที่เผยแพร่เวตก่อนมีเว็บไซต์มักมีเหตุผลอยู่ และเหตุผลนั้นมักปรากฏออกมาในรูปของ hosted endpoint หรือการเปลี่ยนทิศทาง ไม่ว่าทางใด ตัวเลขอิสระตัวแรกบนกระดาน AA จะทำให้ชัดเจนภายในหนึ่งสัปดาห์ในสิ่งที่การคำนวณบนกระดานอันดับตลอดสองสัปดาห์ยังทำไม่ได้
