Pareto 26.10 กับ Unbiased Pareto 26.10 Preview: โมเดลเดียวกัน แต่เป็นสองสตริงที่แตกต่างกัน

คำตอบที่สั้นและตรงไปตรงมาที่สุดสำหรับคำถามที่ว่า Pareto 26.10เปรียบเทียบกับUnbiased Pareto 26.10 Previewก็คือ ทั้งสองเป็นโมเดลเดียวกัน ให้บริการในราคาเดียวกัน มีหน้าต่างบริบทเดียวกัน มีเอาต์พุตสูงสุดเท่ากัน มีคะแนน benchmark ที่เผยแพร่ทั้งสี่รายการเดียวกัน และมีสถาปัตยกรรมแบบคอมโพสิตที่เป็นรากฐานเดียวกัน พรีวิวเปิดใช้งานตั้งแต่ 1 ตุลาคม 2026; รีลีสพร้อมใช้งานทั่วไปเปิดตัวเมื่อ 15 ตุลาคม 2026 และ changelog ของ Unbiased เองระบุว่าอัตราค่าบริการถูกยกมาจากพรีวิวโดยไม่เปลี่ยนแปลง ไม่มีการเทรนใหม่ระหว่างสองเวอร์ชัน และไม่มีการรันคะแนนซ้ำสำหรับหน้า GA ความล้มเหลวของ AI และเหตุการณ์ที่เกี่ยวข้องกับเอเจนต์ซึ่งมีเอกสารบันทึกไว้เบื้องหลังการเปิดตัวลักษณะนี้ ถูกรวบรวมไว้ใน the OrcaRouter AI Incident Archive ซึ่งแต่ละรายการมีแหล่งอ้างอิง ระดับความรุนแรง ระดับความเชื่อมั่น และสถานะข้อโต้แย้งของตัวเอง

สิ่งที่เปลี่ยนไปคือทุกสิ่งรอบๆ โมเดล และสำหรับผู้อ่านที่มีโค้ดอยู่ในโปรดักชัน นั่นไม่ใช่เรื่องเล็ก สตริงพรีวิวถูกยกเลิกแล้ว อะลิแอส pareto ตอนนี้ชี้ไปที่รีลีส GA และโควตาการสมัครสมาชิกเพิ่มขึ้นราวสองเท่าในราคาเดือนเดียวกัน หากคุณกำลังตัดสินใจระหว่างสองตัวนี้ คุณไม่ได้กำลังเลือกระหว่างโมเดลสองตัว — คุณกำลังเลือกระหว่างการจัดวางสองแบบของโมเดลเดียวกัน และหนึ่งในการจัดวางนั้นไม่มีให้บริการแล้ว

ทำไมการเปรียบเทียบนี้จึงสั้นกว่าที่เห็น

หน้าเปรียบเทียบ X กับ Y ส่วนใหญ่มีอยู่เพราะโมเดลสองตัวแตกต่างกันในบางสิ่งที่วัดได้ หน้านี้ไม่เป็นเช่นนั้น และการพูดตรงๆ อย่างนั้นมีประโยชน์กว่าการสร้างความแตกต่างขึ้นมาเอง สองรายการนี้คือรีลีสเดียวกัน ณ สองจุดในวงจรชีวิตของมัน และบันทึกของผู้ขายเองก็แสดงให้เห็นถึงความเท่าเทียมกันนั้น ไม่ใช่เพียงบอกเป็นนัย: คะแนน benchmark สี่รายการที่เผยแพร่สำหรับ preview ใน changelog วันที่ 1 ตุลาคม — 92.4% GPQA-Diamond, 49.9% Humanity's Last Exam text-only, 69.9% DeepSWE v1.1, 50.8% Terminal-Bench 4.0 โดยมีต้นทุนต่องานที่ $0.004, $0.008, $0.24 และ $0.48 ตามลำดับ — เป็นตัวเลขสี่ตัวเดียวกัน ไปจนถึงหลักทศนิยม ที่การ์ดโมเดล GA ระบุในปัจจุบัน ไม่มีการรันซ้ำหลัง GA ดังนั้นจึงไม่มีหลักฐานของการปรับปรุง และไม่มีหลักฐานของการถดถอยเช่นกัน

เรื่องนี้ควรค่าแก่การระบุไว้ เพราะการเปลี่ยนจาก preview ไปเป็น GA มักเป็นจุดที่ผู้ขายแอบเปลี่ยนแปลงบางอย่าง โดยในกรณีนี้ changelog ระบุตรงกันข้ามด้วยถ้อยคำตรงไปตรงมา และ model card ก็ยืนยันสอดคล้องกัน จุดยืนที่ซื่อตรงคือป้ายกำกับ preview เป็นเพียงสถานะ ไม่ใช่โมเดลที่แตกต่างออกไป

อะไรที่เหมือนกัน และคุณจะตรวจสอบได้อย่างไร

• หน้าต่างบริบท — 1,048,576 โทเค็นสำหรับทั้งสองรุ่น • จำนวนโทเค็นตอบกลับสูงสุด — 131,072 โทเค็นสำหรับทั้งสองรุ่น • รูปแบบข้อมูล — รับข้อความและรูปภาพเข้า ส่งข้อความออก สำหรับทั้งสองรุ่น • ราคา — 0.80 ดอลลาร์ต่ออินพุตหนึ่งล้านโทเค็น, 0.03 ดอลลาร์สำหรับอินพุตที่แคชไว้, 3.20 ดอลลาร์สำหรับเอาต์พุต บันทึกการเปลี่ยนแปลง GA ระบุว่าอัตราดังกล่าวยังคงใช้ต่อจากช่วงพรีวิว • พารามิเตอร์ — max_tokens, temperature, top_p, tools, tool_choice โดยจำกัด tool choice ไว้ที่ auto • เกณฑ์มาตรฐาน — คะแนนสี่รายการเมื่อวันที่ 1 ตุลาคม ไม่เปลี่ยนแปลงและยังคงระบุว่าเป็นเบื้องต้น • น้ำหนักโมเดล — ปิดทั้งสองรุ่น และไม่มีตัวระบุ Hugging Face ในบันทึกทั้งสอง • การให้บริการ — ผู้ให้บริการรายเดียว คือผู้จำหน่าย สำหรับทั้งสองรุ่น

ไม่มีข้อใดในนั้นเป็นการใช้ดุลยพินิจเลย ทั้งหมดอ่านได้จากบันทึกที่เผยแพร่ฉบับเดียวกัน และผู้อ่านที่ตรวจสอบจะพบตัวเลขเดียวกันไม่ว่าจะดูที่หน้าใด

อะไรที่ไม่เหมือนกัน

มีสามสิ่งที่แตกต่างกัน และแต่ละอย่างล้วนมีผลที่ตามมา

• สตริงโมเดล พรีวิวถูกเรียกด้วยตัวระบุเฉพาะของพรีวิว สตริงนั้นถูกแทนที่แล้ว — รายการ GA ของ Unbiased บอกให้ผู้ใช้พรีวิวสลับไปใช้ pareto หรือ pareto-26.10 รีลีส GA เข้าถึงได้ในชื่อ pareto-26.10 และเป็นสิ่งที่ alias pareto แบบเปล่าเลือกอยู่ตอนนี้ • สถานะ พรีวิวคือรีลีสที่ผู้ขายระบุว่าอาจเปลี่ยนแปลงได้ ส่วนรีลีส GA คือค่าเริ่มต้นของผู้ขาย ความแตกต่างนั้นไม่มีผลกับโทเคนที่คุณได้รับกลับมา แต่เปลี่ยนสิ่งที่คุณสรุปได้เกี่ยวกับโทเคนถัดไป ช่องพรีวิวคือที่ที่ผู้ขายวางเวอร์ชันที่ยังไม่พร้อมจะยืนยันรับรอง ส่วนช่องค่าเริ่มต้นคือที่ที่ผู้ขายวางเวอร์ชันที่พร้อมจะยืนยันรับรอง • สิทธิ์ตามการสมัครสมาชิก Personal เปลี่ยนเป็น 50M โทเคนต่อสัปดาห์ และ Personal Max เป็น 600M โดยทั้งสองใช้ราคารายเดือนที่ประกาศไว้ก่อนหน้า $10 และ $100 การ์ดราคา API ต่อโทเคนไม่ได้ปรับตามไปด้วย

นั่นคือรายการที่สมบูรณ์ หากคุณหวังว่าจะมีแถวที่สี่เกี่ยวกับคุณภาพของผลลัพธ์ ก็ไม่มี และบทความใดก็ตามที่ให้แถวนั้นกับคุณก็กำลังกุเรื่องขึ้นมา

หากคุณปักหมุดสตริงตัวอย่าง

นี่คือส่วนของการเปรียบเทียบที่มีกำหนดเวลากำกับอยู่

สตริงโมเดลที่ระบุชื่อพรีวิว โดยโครงสร้างแล้วคือสตริงที่มีอายุการใช้งานจำกัด ผู้จำหน่ายได้ปลดระวางมันเมื่อวันที่ 15 ตุลาคม ซึ่งหมายความว่าใครก็ตามที่ปักหมุดมันไว้เป็นมาตรการด้านความสามารถในการทำซ้ำ — เป็นสัญชาตญาณที่สมเหตุสมผล เพราะพรีวิวเป็นสิ่งที่คุณอยากตรึงไว้พอดี — ตอนนี้ถือสตริงที่ไม่ติดตามรีลีสปัจจุบันอีกต่อไป การย้ายคือแก้เพียงหนึ่งบรรทัด: ชี้ไปที่ pareto-26.10 แทนตัวระบุพรีวิว

มีความละเอียดอ่อนอย่างหนึ่งที่ทำให้เรื่องนี้ควรทำอย่างรอบคอบมากกว่าทำแบบรีบๆ เอกสารสำหรับนักพัฒนาของ Unbiased ระบุว่ายังไม่มีการปฏิเสธตัวระบุโมเดลที่ไม่รู้จัก และสตริงที่พิมพ์ผิดยังคงถูกให้บริการและคิดเงินในชื่อ Pareto ดังนั้นการย้ายที่ผิดพลาดตรงนี้จะไม่ล้มเหลวอย่างชัดเจนด้วย 404 แต่จะสำเร็จอย่างเงียบๆ กับ alias ซึ่งสำหรับผู้ให้บริการรายนี้เป็นไปตามปฏิทินการเปิดตัวมากกว่าการปักหมุดเวอร์ชันของคุณ หากคุณกำลังย้ายออกจาก preview จงตรวจสอบว่าสตริงที่คุณลงเอยด้วยคือสตริงที่คุณตั้งใจไว้ เพราะไม่มีอะไรใน API ที่จะบอกคุณเป็นอย่างอื่น

จะเปรียบเทียบพวกมันด้วยตัวเองได้อย่างไร ในเมื่อพวกมันเหมือนกัน

เนื่องจากบันทึกที่เผยแพร่ไม่สามารถแยกความแตกต่างระหว่างทั้งสองได้ การเปรียบเทียบเดียวที่คุ้มค่าจะลงมือทำก็คือการเปรียบเทียบบนภาระงานของคุณเอง — และมันเป็นกิจกรรมที่ถูกกว่าที่ฟังดู เพราะคุณกำลังทดสอบโมเดลหนึ่งเทียบกับพื้นฐานที่มีอยู่ของคุณ ไม่ใช่ทดสอบสองโมเดลเทียบกัน

ตัดคะแนนที่เผยแพร่แล้วทั้งสี่รายการออกจากการตัดสินใจโดยสิ้นเชิง คะแนนเหล่านี้ดำเนินการโดยผู้ขาย model card ระบุว่าการเปรียบเทียบเป็นเพียงเบื้องต้น และระบุว่าผลลัพธ์ 26.10 มาจากการรันเมื่อวันที่ 1 ตุลาคม และอาจเปลี่ยนแปลงก่อนการเผยแพร่ฉบับสมบูรณ์ หมายเลข GPQA-Diamond ที่ 92.4% เป็นหมายเลขที่มีแนวโน้มที่สุดที่จะจุดประเด็นการสนทนาเรื่องการจัดซื้อ และเป็นหมายเลขที่ไม่มีคู่เทียบอิสระที่ใดเลย: ณ วันที่ 18 ตุลาคม 2026 ยังไม่มีผู้ประเมินภายนอกรายใดเผยแพร่การรันซ้ำของทั้งสี่รายการนี้ ใช้มันเป็นสมมติฐาน ไม่ใช่ข้อค้นพบ

จากนั้นรันงานของคุณเองผ่าน GA string และเปรียบเทียบกับสิ่งที่คุณใช้อยู่ในปัจจุบัน บนสองแกนที่กำหนดผลได้จริง: ต้นทุนต่องานที่ทำเสร็จ — รวมถึงพฤติกรรมแคช เพราะที่ $0.03 ต่ออินพุตแคชหนึ่งล้านโทเค็น ความแตกต่างระหว่างพรอมป์แบบอุ่นกับแบบเย็นมีน้ำหนักเหนือการคำนวณต่อโทเค็น — และหน้าต่างบริบท 1M ช่วยตัดขั้นตอนการดึงข้อมูลออกจากไปป์ไลน์ของคุณหรือไม่ ข้อที่สองคือเหตุผลที่ควรสนใจโมเดลนี้ตั้งแต่แรก และวัดผลได้ภายในบ่ายเดียว

นี่คือรูปแบบการประเมินที่เลเยอร์การกำหนดเส้นทางถูกสร้างมาเพื่อรองรับ และควรระบุให้ชัดเจนว่าเราครอบคลุมและไม่ครอบคลุมสิ่งใดในที่นี้ OrcaRouter ไม่มีโมเดล Unbiased ใด ๆ ดังนั้น Pareto 26.10 จึงถูกเรียกผ่าน API ของผู้จำหน่ายเอง — เท่านี้จริง ๆ สิ่งที่เราให้คือคีย์เดียวและการผสานรวมเดียวสำหรับโมเดลที่คุณจะใช้เปรียบเทียบกับมัน และการสลับสำรองอัตโนมัติ เพื่อให้โมเดลผู้สมัครสามารถรับทราฟฟิกจริงบางส่วนได้ โดยที่เส้นทางโปรดักชันไม่ต้องพึ่งพามัน การหลอมรวมโมเดลของ OrcaRouter ก้าวไปไกลกว่าในทิศทางเดียวกัน สำหรับส่วนที่เป็นคู่ของการทดลองนี้: หลายโมเดลตอบพรอมป์ต์เดียวกันในการเรียกครั้งเดียว ซึ่งเป็นวิธีที่รวดเร็วในการดูว่าคำตอบของโมเดลแบบผสมอย่าง Pareto แตกต่างจากฐานอ้างอิงแบบโมเดลเดียวตรงไหน พื้นผิวพารามิเตอร์ของเราครอบคลุมโมเดลมากกว่า 200 รายการโดยไม่บวกกำไร 0% เหนือราคาตามรายการของผู้ให้บริการ — เป็นข้อความเกี่ยวกับแคตตาล็อกที่เราให้บริการ ไม่ใช่เกี่ยวกับรายการนี้

สิ่งที่การเปลี่ยนผ่านสู่ GA ไม่ได้คลี่คลาย

สองสิ่งที่ผู้อ่านมักเข้าใจว่าฉลาก GA จะช่วยคลี่คลายได้ แต่ฉลากนี้กลับไม่ได้ช่วยเช่นนั้น

มันไม่ได้ทำให้ผลการทดสอบมาตรฐานเป็นที่ยุติ หน้าเดียวกันที่ประกาศว่าโมเดลพ้นจากสถานะพรีวิวแล้วยังคงอธิบายคะแนนทั้งสี่ว่าเป็นการเปรียบเทียบเบื้องต้น และระบุว่าผลลัพธ์อาจเปลี่ยนแปลงก่อนการเผยแพร่ฉบับสุดท้าย ความพร้อมใช้งานทั่วไปเป็นคำแถลงเกี่ยวกับสถานะของผลิตภัณฑ์ ผู้ขายยังไม่ได้ยกระดับหลักฐานเกี่ยวกับคุณภาพของผลิตภัณฑ์ และไม่มีใครอื่นทำเช่นนั้นเลย ใครก็ตามที่ยก 92.4% บน GPQA-Diamond ขึ้นมาอ้าง ควรอ้างคำชี้แจงเงื่อนไขกำกับไปพร้อมกันในทันที เพราะในปัจจุบัน คำชี้แจงเงื่อนไขนั้นเป็นส่วนเดียวของตัวเลขนั้นที่มีฐานอ้างอิงที่เป็นอิสระ

เรื่องนี้ไม่ได้ยุติราคา รายการ GA ระบุว่าอัตรายังคงเดิม และการ์ดราคาปัจจุบันระบุ $0.80 / $0.03 / $3.20 — ซึ่งเป็นค่าที่ต่ำกว่าของตัวเลขสองค่าที่ผู้จำหน่ายเผยแพร่สำหรับกลุ่มรุ่นนี้ เนื่องจากบันทึกทางเทคนิคของการเปิดตัวในเดือนกันยายนยังระบุอินพุต $2.50 และเอาต์พุต $7.50 ไม่มีรายการบันทึกการเปลี่ยนแปลงที่ระบุวันที่สำหรับการเปลี่ยนแปลงนี้ ดังนั้นการ์ดราคาที่ต่ำกว่าคือสิ่งที่คุณใช้ แต่ไม่ใช่สิ่งที่คุณจะใช้เรียกร้องให้ผู้จำหน่ายรับผิดได้ ให้คุณประมาณค่าใช้จ่ายจากราคานี้และตรวจสอบซ้ำก่อนลงนามในสิ่งใดก็ตามที่ตั้งสมมติฐานตามราคาดังกล่าว

ใครควรใส่ใจกับสตริงใด

พรีวิวหมดไปแล้ว เหลือเพียงคำถามเดียวที่ยังต้องตัดสินใจว่าจะปักหมุดรีลีส GA หรือใช้ alias ต่อไป และเรื่องนี้จับคู่กับประเภทเวิร์กโหลดได้อย่างลงตัว

ปักหมุด pareto-26.10 ไว้หากคุณต้องการความสามารถในการทำซ้ำ การระบุต้นทุน หรือกลุ่มเปรียบเทียบที่มั่นคงตลอดการประเมินระยะยาว — ซึ่งเป็นสิ่งที่ทีมส่วนใหญ่ที่นำมาใช้เทียบกับระบบเดิมต้องการ ใช้ pareto ตามค่าเริ่มต้นปัจจุบันของผู้จำหน่ายไปเลยหากคุณต้องการค่าเริ่มต้นปัจจุบันนั้นจริง ๆ และมีระบบที่จะสังเกตได้เมื่อมันเปลี่ยนไป; alias นี้เคยเปลี่ยนมาแล้วครั้งหนึ่งในวันที่ 15 ตุลาคม และ changelog คือที่ที่ประกาศเรื่องนี้

ไม่ว่าจะเลือกทางไหนก็ไม่เกี่ยวกับคุณภาพ เพราะบันทึกนั้นไม่ได้มีความแตกต่างด้านคุณภาพระหว่างสองสตริงนี้ การตัดสินใจที่สำคัญจริง ๆ ได้ถูกทำแทนคุณไปแล้วในวันที่ 15 ตุลาคม เมื่อค่าเริ่มต้นเปลี่ยนไป: สิ่งที่คุณเรียกก่อนวันนั้นไม่ใช่สิ่งที่ alias ส่งคืนในตอนนี้ การระบุเวอร์ชันที่คุณทดสอบเป็นวิธีเดียวที่จะทำให้สิ่งนั้นมองเห็นได้ และมันเป็นงานจัดการชิ้นเดียวที่การเปลี่ยนผ่านนี้ทิ้งไว้