
Karpo Decision 31B vs Nimble v3: สัญญาอนุญาตให้คำตอบก่อนที่ลีดเดอร์บอร์ดจะบอก
- 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 · 215 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 · 97 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 · 76 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 ต่อ 1 ล้านโทเค็น · 109 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 · 68 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
Two decision models shipped in the same autumn with almost no announcement, and they land on opposite sides of the one question that usually decides a purchase. Nimble v3 — filed as Bespoke-Nimble-9B-v3, uploaded to Hugging Face on 30 September 2026 — is a 9B LoRA adapter under CC BY-NC 4.0, which the card glosses as "it may not be used for commercial purposes." Karpo Decision 31B, created on 5 November 2026 by MachinePulse, is a 31.3B Gemma 4 fine-tune under Apache-2.0 with Gemma 4's own terms carried alongside. Everything else in this matchup — a 22-point leaderboard gap, a three-times difference in weight size, a calibration error that differs by a factor of two and a half — is downstream of that fork, and most teams discover it after they have already picked a winner on benchmarks.
ดังนั้นเอาเรื่องใบอนุญาตก่อน เพราะมันเป็นส่วนเดียวของการเปรียบเทียบนี้ที่ทั้งยุติแล้วและชี้ขาด จากนั้นดูว่าตัวเลขบอกอะไรแก่คุณได้และบอกอะไรไม่ได้ เพราะในด้านนั้นแทบไม่มีอะไรที่ยุติแน่นอนเลย
สิ่งที่แต่ละรีพозиทอรีมีอยู่จริง
Nimble v3 ประกอบด้วยห้าไฟล์: README, adapter_config.json, adapter_model.safetensors, schema_config.json และ .gitattributesเป็น PEFT adapter ไม่ใช่โมเดลแบบ standalone และคาดหวังให้ Qwen/Qwen3.5-9B เป็นฐาน ซึ่งรีโพซิทอรีไม่ได้ทำสำเนาไว้ การ์ดอธิบายบริบทและคำถามแบบมีชนิด — การเลือกหนึ่งในตัวเลือก หรือใช่หรือไม่ — และคืนค่าความน่าจะเป็นสำหรับแต่ละตัวเลือก Bespoke Labs ไม่ได้เผยแพร่ความยาวบริบท เพดานจำนวนตัวเลือก อุณหภูมิ หรือบันทึกการเปลี่ยนแปลงสำหรับ v3; checkpoint ก่อนหน้าของตระกูลนี้ได้ระบุไว้บางส่วน แต่ตัวนี้ไม่ได้ระบุ
Karpo Decision 31B เป็นเช็กพอยต์แบบเต็ม มีน้ำหนัก 62.5 GB ที่ 31.3B พารามิเตอร์ใน bf16 พร้อมหัวอ่านเอาต์พุตขนาด 255 × 5,376 แบบ fp32 รองรับการอ่านข้อความ JSON และรูปภาพ รับตัวเลือกได้สูงสุด 255 ตัวเลือกต่อคำถาม จำกัดความยาวลำดับไว้ที่ 32,768 โทเคน แยกคำขอที่ยาวกว่าออกตามรายคำถาม และจะปฏิเสธคำขอใดก็ตามที่ยังไม่พอดี แทนที่จะตัดทอนให้สั้นลง มาพร้อมแพ็กเกจ Python และเซิร์ฟเวอร์ HTTP ในรูปแบบ System One POST /v1/systemone เนื่องจากสแตก chat-completions ทั่วไปไม่สามารถรันได้ ทั้ง branch attention และ readout ต่างเป็นส่วนสำคัญ และการโหลดเช็กพอยต์เป็นโมเดลแชตทั่วไปจะไม่ให้คำตอบที่เหมือนเดิม
ความแตกต่างของรีโพซิทอรีนั้นมีแง่เชิงปฏิบัติที่ชัดเจน README ของ Nimble v3 ไม่ได้บอกวิธีเสิร์ฟอย่างถูกต้อง แต่การ์ด Karpo บอกไว้ อันหนึ่งเป็นเช็กพอยต์ที่มาพร้อมคู่มือการใช้งาน อีกอันเป็นเช็กพอยต์ที่มาพร้อมบรรทัดสัญญาอนุญาต
ช่องว่าง และเครื่องมือที่คุณจะต้องไว้วางใจเพื่อจะเชื่อสิ่งนั้น
On the Decision Index — the community board tracking open reproductions of TypeSafe's Jev, now in edition 0.4.1 — the two numbers are 73.86 and 51.06 on the Full score. That is a 22.8-point gap. The Full figure is the one worth trusting most, because the maintainers ran it themselves: roughly 60% of it comes from tests over the same skills as the public suite and 40% from domains nobody published for, and neither vendor saw either half beforehand. Karpo's split is 70.94 same-skills against 61.5 new-domains. Nimble v3's is 52.34 against 38.2.
ตัวเลขสาธารณะบนการ์ดแต่ละใบคือผลการรันชุดทดสอบทางการของผู้ขายเอง และควรอ่านแยกกัน: 75.05 สำหรับ Karpo จากคำขอที่ถูกให้คะแนนจำนวน 140,178 รายการ และ 56.88 สำหรับ Nimble v3 — ตัวเลขที่การ์ดของมันแสดงบนชุดทดสอบ 0.2.1 เวอร์ชันเก่า ซึ่งการรันซ้ำของบอร์ดให้ค่าไว้ที่ 57.19 บนมาตราฐานปัจจุบัน ทั้งสองได้รับการรับรองโดยบอร์ด ซึ่งเป็นขั้นตอนการตรวจสอบจริง และไม่ใช่สิ่งเดียวกับการที่ห้องแล็บอิสระนำโมเดลไปรันบนฮาร์ดแวร์ของตัวเอง ทั้งสองโมเดลไม่ปรากฏบน Artificial Analysis และไม่มีใครนอกสองรีโพซิทอรีนี้ให้คะแนนโมเดลใดโมเดลหนึ่งเลย
ในทางปฏิบัติ นั่นหมายความว่า 22.8 คะแนนนั้นน่าเชื่อถือกว่าการเปรียบเทียบของผู้ขายส่วนใหญ่ และน่าเชื่อถือน้อยกว่าการอ่านค่าจากเครื่องมือเดียวที่วัดทั้งสองโมเดล คะแนนเหล่านี้ถูกสร้างโดยองค์กรเดียว บนชุดทดสอบเดียว ด้วยสูตรเดียว ซึ่งเป็นกรณีที่ดีที่สุดจริง ๆ ที่มีอยู่สำหรับโมเดลการตัดสินใจแบบเปิด — และชุดทดสอบนี้ไม่เป็นทางการ ช่วงเสมอคือ 0.9 คะแนน และครึ่งที่เป็นส่วนตัวนั้นคุณไม่สามารถตรวจสอบได้ ให้ถือว่าทิศทางเป็นจริงและขนาดเป็นเพียงค่าประมาณ
ในจุดที่โมเดล 9B ใกล้เคียงกว่าที่ช่องว่างของขนาดบ่งชี้

ถ้าแยกคะแนนห้าหมวดบนกระดานออกมา เรื่องราวก็ไม่ใช่การชนะแบบขาดลอยอีกต่อไป ในหมวดเครื่องมือและระบบอัตโนมัติ Nimble v3 ได้ 84.24 เทียบกับ 88.39 ของ Karpo — ห่างกันสี่คะแนน จากโมเดลที่มีขนาดเพียงหนึ่งในสาม ในหมวดที่ครอบคลุมการเลือกเครื่องมือและการควบคุมการทำงานของเอเจนต์ นั่นคือกรณีการใช้งานที่ Bespoke Labs สร้างตระกูลนี้ขึ้นมา และมันยังคงรักษาคุณภาพไว้ได้เกือบครบถ้วนแม้ขนาดจะต่างกัน หากเลเยอร์การตัดสินใจของคุณมีไว้เพื่อตอบคำถามว่า “เอเจนต์นี้ควรเรียกเครื่องมือหรือไม่ และควรเรียกตัวไหน” อะแดปเตอร์ 9B ก็อยู่ในแวดวงเดียวกันกับเช็กพอยต์ 31B
ในทุกด้านอื่น ๆ ช่องว่างเป็นไปตามที่คุณคาดไว้ ความเข้าใจภาษาทำได้ 60.68 เทียบกับ 76.78 การค้นคืนข้อมูล 55.48 เทียบกับ 76.42 ความรู้ 40.96 เทียบกับ 65.46 ศิลปะและการตัดสินแบบปลายเปิด 44.05 เทียบกับ 68.21 ข้อได้เปรียบของ Karpo กระจุกตัวอยู่ตรงจุดที่ความจุส่วนเกินของโมเดล 31B ควรสร้างผลตอบแทนได้พอดี: บริบทที่ยาวขึ้น ความรู้เกี่ยวกับโลกรอบตัวมากขึ้น และการอ่านสภาวะที่หนาแน่นได้ดีขึ้น
ความหน่วงเองก็ไม่ได้เป็นไปตามช่องว่างของขนาดเช่นกัน บนฮาร์ดแวร์อ้างอิงของ tracker — GPU หนึ่งตัว ทีละหนึ่งคำขอ — Nimble v3 บันทึกค่ามัธยฐานที่ 73.9 ms เทียบกับ 94.3 ms ของ Karpo ยี่สิบมิลลิวินาทีไม่ใช่เหตุผลในการเลือกโมเดล แต่มันเป็นเครื่องเตือนใจว่าอะแดปเตอร์ 9B ที่ผสานรวมแล้วเป็นวัตถุอีกแบบหนึ่งที่ต้องดำเนินการ: มันพอดีกับแล็ปท็อปใน Q4 โหลดได้ในไม่กี่วินาที และสามารถอยู่ในลูปของเอเจนต์แบบทีละขั้นได้โดยไม่ต้องหารือเรื่องงบ GPU
การปรับเทียบ ซึ่งโมเดลที่เล็กกว่าไม่ได้เพียงแค่อ่อนแอกว่าเท่านั้น แต่ยังซื่อสัตย์น้อยกว่าอีกด้วย
ความแม่นยำบอกว่าคำตอบอันดับสูงสุดถูกต้องบ่อยเพียงใด ส่วนการสอบเทียบ (calibration) บอกว่าความน่าจะเป็นที่แนบมากับคำตอบนั้นสามารถรองรับการกำหนดเกณฑ์ตัดสินได้หรือไม่ และสำหรับโมเดลการตัดสินใจ นี่คือตัวเลขเดียวที่สำคัญในเชิงปฏิบัติการ
การ์ดของ Karpo รายงานค่าความคลาดเคลื่อนการสอบเทียบที่คาดไว้ 4.8 จุด จาก 34,411 คำตอบ โดยมีความเชื่อมั่นเฉลี่ย 87.96% เทียบกับความแม่นยำจริง 83.19% ในกลุ่มบนสุดซึ่งมี 68.5% ของคำตอบทั้งหมด ระบบตอบถูก 95.7% ของเวลา ขณะที่ระบุความเชื่อมั่น 98.7% จึงมั่นใจเกินจริงที่ปลายบนราวสามจุด ส่วนเส้นโค้งโดยรวมยังสอดคล้องกัน
ค่าของ Nimble v3 อยู่ที่ 12.29 จุด จาก 34,833 คำตอบ: ความมั่นใจ 87.26% เทียบกับความแม่นยำ 74.97% บัคเก็ตบนสุดมี 67% ของคำตอบ อ้างว่า 98.6% และถูกต้อง 89.1% — เป็นการกล่าวเกินจริง 9.5 จุดในย่านที่เกณฑ์ตั้งอยู่จริง ต่ำลงมา บัคเก็ตช่วงกลางยิ่งแย่กว่านั้น: ที่ค่าอ้าง 0.85 โมเดลถูกต้องประมาณ 59% ของเวลา นี่ไม่ใช่โมเดลที่มีการคลาดเคลื่อนของการปรับเทียบเพียงเล็กน้อย; แต่เป็นโมเดลที่ความมั่นใจใช้เป็นเกณฑ์ตัดสินไม่ได้หากไม่ปรับสเกลใหม่ และเอกสารของตระกูลโมเดลเองก็ไม่เคยสัญญาไว้เป็นอย่างอื่น
อ่านสองย่อหน้านั้นควบคู่กัน แล้วข้อสรุปที่ตรงไปตรงมาจะแคบกว่าที่กระดานคะแนนบอกไว้ Karpo เก่งกว่าในเรื่องการตัดสินใจ และเก่งกว่าในการรู้ว่าการตัดสินใจของตัวเองดีแค่ไหน Nimble v3 มีต้นทุนการใช้งานถูกกว่า และในหมวดเดียวที่สำคัญที่สุดต่องานของเอเจนต์ มันก็ใกล้เคียงกัน — แต่ถ้าคุณวางแผนจะยอมรับอัตโนมัติเมื่อสูงกว่า 0.9 และส่งต่อเมื่อต่ำกว่า คุณจะเสียสัปดาห์แรกไปกับการปรับค่าแก้ไขให้ Nimble ซึ่ง Karpo ให้คุณได้ในการ์ดของมัน
ทางแยกของไลเซนส์ ที่กล่าวไว้อย่างไม่กำกวม
Nimble v3 อยู่ภายใต้สัญญาอนุญาต CC BY-NC 4.0 ซึ่งไม่กำกวมเลย: การ์ดระบุว่าห้ามใช้เพื่อวัตถุประสงค์เชิงพาณิชย์ เช็กพอยต์ Nimble ทุกรุ่นก่อนหน้านี้เป็น Apache-2.0 และโมเดลฐานก็เป็น Apache-2.0 ซึ่งไม่ได้เปลี่ยนอะไรเลย — ฐานที่อนุญาตแบบผ่อนปรนไม่ได้ทำให้อะแดปเตอร์แบบไม่ใช้เชิงพาณิชย์ผ่อนคลายลง และพฤติกรรมต่าง ๆ อยู่ที่อะแดปเตอร์นั่นเอง ที่เก็บโค้ด GitHub ซึ่งเก็บโค้ดสำหรับการฝึกและการคัดสรรข้อมูลของโครงการไม่ได้ระบุสัญญาอนุญาตใด ๆ เลยผ่าน API ของ GitHub ซึ่งเป็นปัญหาอีกประการหนึ่งแยกต่างหาก และอาจกล่าวได้ว่าร้ายแรงกว่าสำหรับใครก็ตามที่วางแผนจะต่อยอดจากมัน
Karpo Decision 31B is Apache-2.0 for weights and code, with Gemma 4's terms carried alongside in the repository. That is the permissive end of open, with the usual Gemma caveat that downstream redistribution has to carry those terms too.
สำหรับสมุดบันทึกงานวิจัย การประเมินภายใน หรือบทความวิชาการ ความแตกต่างนี้มองไม่เห็น และ Nimble v3 คือตัวเลือกเริ่มต้นที่ถูกกว่า สำหรับสิ่งใดก็ตามที่เกี่ยวข้องกับรายได้ — ประตูการจัดเส้นทางภายในผลิตภัณฑ์เชิงพาณิชย์ โมเดลคัดกรองในไปป์ไลน์แบบเสียเงิน หรือแม้แต่เครื่องมือภายในของบริษัทที่แสวงหาผลกำไร — ใบอนุญาตจะเป็นตัวตัดสินการเปรียบเทียบก่อนที่ 22.8 คะแนนจะได้มีโอกาสถูกพิจารณาเสียอีก Bespoke Labs มีเส้นทาง API แบบโฮสต์และมีที่วางไว้สำหรับรุ่น 27B ที่รายงาน 65.33 บนชุดทดสอบสาธารณะรุ่นเก่า และทั้งสองอย่างนี้ไม่เปลี่ยนเงื่อนไขของอะแดปเตอร์ 9B
การให้บริการตัวใดตัวหนึ่งเป็นปัญหาเรื่องการกำหนดเส้นทางก่อนที่จะเป็นปัญหาเรื่องการสร้างแบบจำลอง

โมเดลการตัดสินใจมีขอบเขตแคบโดยโครงสร้าง: โมเดลเหล่านี้ตอบเฉพาะคำถามที่คุณป้อนให้เท่านั้น ไม่สามารถเขียน อธิบาย หรือคืนค่าตัวเลือกที่คุณไม่ได้จัดหาให้ได้ สิ่งนี้ทำให้โมเดลเหล่านี้เป็นครึ่งเล็ก ๆ ของรูปแบบสองโมเดล และเป็นครึ่งที่เก็บไว้ใช้งานภายในองค์กรได้ง่ายที่สุด ส่วนครึ่งที่เป็นแบบสร้างเนื้อหาคือจุดที่ endpoint เดียวคุ้มค่าที่จะรักษาไว้
OrcaRouter runs neither of these checkpoints, and neither would make sense behind a chat-completions route. The two models it does serve sit one layer down: TypeSafe's Jev 1.14, the target the whole board exists to reproduce, and the Gemma 4 31B checkpoint that Karpo was fine-tuned from. One key covers both, pricing follows the provider's list with nothing added on top, so a vendor change reaches you the same day. What suits a decision head is the routing layer in front of it — a routing DSL that sends each request class to the model that should answer it, with failover behind that — so a nightly rescoring job and a live guardrail share one contract while the decision model itself stays wherever its licence allows.
สามสิ่งที่อาจเปลี่ยนการตีความนี้

อย่างแรกคือการเปลี่ยนแปลงสัญญาอนุญาต Nimble adapter ที่ใช้เชิงพาณิชย์ได้บนฐาน Qwen3.5-9B พร้อมข้อกำหนดด้าน context และการระบุ temperature อย่างชัดเจน จะทำให้ตัวเลือก 9B แข่งขันได้จริงสำหรับ agent gating — คะแนน tools ที่ 84.24 บอกว่าศักยภาพมีอยู่แล้ว ไม่มีสิ่งใดในเอกสารสาธารณะของ Bespoke Labs ที่บ่งชี้ว่าจะมีสิ่งนี้เกิดขึ้น การเปลี่ยนจาก Apache-2.0 เป็น CC BY-NC กลับเดินสวนทางแทน
อย่างที่สองคือข้อกำหนดด้านบริบทและพรอมต์ การ์ดของ Nimble v3 ไม่ได้จัดทำเอกสารทั้งสองส่วน ซึ่งหมายความว่าใครก็ตามที่รันมันกำลังเดารูปแบบพรอมต์ที่เวอร์ชันก่อนหน้าเคยจัดส่งมาด้วย โมเดลที่ผู้ใช้ต้องสร้างอินพุตขึ้นมาใหม่เองเป็นโมเดลที่ตัวเลขยากต่อการทำซ้ำ และข้อผิดพลาดในการคาลิเบรต 12.3 จุดเป็นตัวเลขประเภทที่อาจดีขึ้นหรือแย่ลงได้ ขึ้นอยู่กับว่าคุณตั้งคำถามอย่างไร
ข้อที่สามคือเครื่องมือวัดอิสระใด ๆ ที่วัดทั้งสองโมเดล Decision Index นั้นรอบคอบ โปร่งใสเกี่ยวกับวิธีการของตน และซื่อสัตย์เกี่ยวกับช่วงคะแนนที่เสมอกัน และมันยังคงเป็นบอร์ดชุมชนเพียงหนึ่งเดียว ในวันที่โมเดลใดโมเดลหนึ่งปรากฏบน Artificial Analysis เคียงข้างผู้ให้คะแนนระดับไฮเปอร์สเกลเลอร์ การเปรียบเทียบจะเลิกเป็นการคิดเลขจากการ์ดของผู้ขายสองราย และเริ่มกลายเป็นการวัดค่าจริง เรื่องนั้นยังไม่เกิดขึ้นกับทั้งสองโมเดล และจนกว่าจะเกิดขึ้น จุดยืนที่ป้องกันได้ก็คือจุดยืนที่น่าเบื่อ: Apache-2.0 และปรับเทียบได้ดีกว่าที่ 31B หากคุณรันมันได้, ไม่ใช่เชิงพาณิชย์และราคาถูกที่ 9B หากคุณรันไม่ได้, และไม่มีเหตุผลที่จะเลือกจากบรรทัดคะแนนเพียงอย่างเดียว
