RepGen-4B vs Intern-Decision-4B: สองทีมไฟน์จูนโมเดลฐาน 4B เดียวกัน แต่กลับไม่เห็นตรงกันแม้แต่เรื่องเดียว

การเปิดตัวเงียบ ๆ สองครั้ง ห่างกันห้าสัปดาห์ โดยแตกแขนงจากเช็กพอยต์เดียวกัน microsoft/UserRepGen-4Bถูกอัปโหลดขึ้นบน Hugging Face เมื่อวันที่ 14 ตุลาคม 2026 เป็นรีโพซิทอรี bfloat16 ขนาด 9.1 GB โดยไม่มีการประกาศ; internlm/Intern-Decision-4Bปรากฏเมื่อวันที่ 26 กันยายน 2026 เวลา 05:36:37 UTC ภายในช่วงเวลา 40 วินาที ซึ่งยังสร้างรุ่น 0.8B และ 2B ออกมาด้วย โดยไม่ประกาศเช่นกัน ทั้งสองเป็น LoRA ไฟน์จูนของ Qwen3.5-4B, ทั้งสองเป็นแบบข้อความล้วนแม้จะพกทาวเวอร์ด้านภาพที่มันไม่เคยใช้ ทั้งสองคืนค่ากลับเป็นโครงสร้างตายตัวแทนที่จะเป็นคำตอบ — และทั้งสองเห็นต่างกันมากที่สุดเท่าที่จะเป็นไปได้ว่าโมเดลนี้มีไว้เพื่ออะไร Intern-Decision-4B ไม่เคยเขียนโทเคนเลย UserRepGen-4B ไม่เขียนสิ่งใดนอกจากโทเคน ทุกอย่างอื่นในการเปรียบเทียบนี้ล้วนต่อเนื่องจากจุดแยกเพียงหนึ่งเดียวนี้

คนหนึ่งเป็นผู้ทำคะแนน อีกคนเป็นนักเขียน

การ์ดของ InternLM ตรงไปตรงมาอย่างผิดปกติเกี่ยวกับกลไกของตัวเอง: "API นี้ทำการให้คะแนนตัวเลือกแบบมีโครงสร้าง มันไม่เรียก generate() หรือสุ่มข้อความแบบอิสระ" คุณส่งสถานะ สคีมาของคำถามที่มีชื่อ และชุดคำตอบที่เป็นตัวเลือกให้มัน มันแมปตัวเลือกไปยังสัญลักษณ์โทเคนเดียว รัน forward pass เชิงสาเหตุหนึ่งครั้ง อ่านค่า logits ณ ตำแหน่งก่อนหน้าตัวยึดตำแหน่งแต่ละตัวโดยตรง ใช้อุณหภูมิที่ปรับมาแล้ว 1.99241824 และคืนค่าความน่าจะเป็นที่ปรับเทียบแล้วต่อตัวเลือก หนึ่งรอบ ไม่มีการสุ่ม ไม่มีลูปถอดรหัส ไม่มีข้อความ

UserRepGen-4B กลับทิศทางมัน คุณป้อนบทสนทนาที่เสร็จสมบูรณ์ให้มัน มันปล่อยความเรียงไม่เกิน 1,024 โทเคนในสองฟิลด์ JSON — คำอธิบายงาน และคำอธิบาย user_behavior — และการ์ดก็ตรงไปตรงมาไม่แพ้กันในอีกทางหนึ่ง: โมเดลนี้ "สร้างการแทนค่า ไม่ใช่เทิร์นผู้ใช้จำลอง" มันไม่ได้รันงานของผู้ใช้ และมันไม่ใช่ตัวจำลอง

เอาทั้งสองวางเคียงกัน แล้วผลกระทบทางวิศวกรรมก็ปรากฏขึ้นทันที

• คุณค่าของผลลัพธ์ — Intern-Decision-4B ส่งคืนตัวเลขที่คุณสามารถนำไปตั้งเกณฑ์ หาค่าเฉลี่ย และตรวจสอบได้ ส่วน UserRepGen-4B ส่งคืนย่อหน้าหนึ่งย่อหน้าที่มีเพียงผู้ตัดสินที่เป็น LLM เท่านั้นจึงจะให้คะแนนคุณภาพได้ ซึ่งเป็นวิธีที่ Microsoft ใช้ประเมินมันจริง ๆ

• ค่าใช้จ่ายต่อการเรียก — การทำฟอร์เวิร์ดพาสหนึ่งครั้งบนพรอมต์คงที่ เทียบกับโทเค็นที่สร้างขึ้นสูงสุด 1,024 โทเค็น นั่นคือความแตกต่างระหว่างประมาณ 44 มิลลิวินาทีกับการรันถอดรหัสเต็มรูปแบบ และนั่นคือเหตุผลที่โมเดลตัดสินใจสามารถอยู่ในลูปที่โมเดลแทนค่าไม่สามารถทำได้

• ความหมายอยู่ที่ไหน — InternLM ตัดสินใจว่าคำตอบควรแจกแจงได้อยู่แล้วในพรอมป์ต์ ดังนั้นโมเดลเพียงต้องจัดอันดับ Microsoft ตัดสินใจว่าคำตอบแฝงอยู่ในบทสนทนา ดังนั้นโมเดลจึงต้อง เขียนมัน การจัดอันดับมีขอบเขตจำกัดและตรวจสอบได้ การเขียนเปิดกว้างและต้องมีผู้ตัดสิน

เพดานอินพุต และสิ่งที่มันบอกคุณเกี่ยวกับการเดิมพัน

การ์ดทั้งสองใบเผยแพร่ขีดจำกัดแบบตายตัว และการเปรียบเทียบทั้งสองใบเป็นวิธีที่เร็วที่สุดในการดูว่าสองทีมกำหนดขอบเขตโมเดลฐานเดียวกันแตกต่างกันเพียงใด

Intern-Decision-4B ปฏิเสธงานที่ยาวเกิน 8,192 โทเคน นั่นคือการปฏิเสธ ไม่ใช่การตัดทอน — เป็นทางเลือกในการออกแบบที่บอกว่าโมเดลนี้เหมาะสำหรับการตัดสินใจที่กระชับพอจะระบุได้ครบถ้วนในพรอมต์

UserRepGen-4B ถูกฝึกบนลำดับ 9,216 โทเค็น: พรอมต์สูงสุด 8,192 โทเค็นที่ครอบคลุมบทสนทนา บวกกับโทเค็นที่สร้างขึ้น 1,024 โทเค็นสำหรับการแทนค่า การ์ดระบุเพิ่มเติมว่าการใช้บริบทแบบขยายเกินความยาวนั้น "ไม่ได้รับการสนับสนุนในเวอร์ชันนี้" และประสิทธิภาพบริบทแบบยาวไม่เคยถูกวัดผลแยกต่างหาก ดังนั้นเพดาน 8,192 โทเค็นเดียวกันจึงปรากฏขึ้นทั้งสองฝ่าย โดยได้มาโดยอิสระ จากสองทีมซึ่งสันนิษฐานว่าไม่สามารถมองเห็นงานของกันและกันได้

การลู่เข้าหากันนั้นคือข้อค้นพบที่มีประโยชน์ การไฟน์จูนขนาด 4B บนฐานนี้ ในช่วงกลางปี 2026 เป็นคอมโพเนนต์ที่ออกแบบขนาดมาสำหรับพรอมป์ต์เดียวที่จัดรูปแบบดี — ไม่ใช่เอนจินสำหรับบริบทขนาดยาว ทั้งสองเวอร์ชันที่เปิดตัวตรงไปตรงมาเรื่องนี้ ไม่มีเวอร์ชันใดปกปิดมันไว้เบื้องหลังหน้าต่างที่โฆษณาไว้ใหญ่กว่า

ทั้งคู่เผยแพร่เรื่องราวการสอบเทียบ และมันไม่ใช่เรื่องราวเดียวกัน

นี่คือจุดที่การจัดหาแหล่งข้อมูลเริ่มละเอียดอ่อน เนื่องจากการประเมินทั้งสองไม่สามารถเทียบเคียงกันได้ และไม่มีอันใดที่ได้รับการทำซ้ำนอกห้องแล็บของตนเอง

Intern-Decision-4B เผยแพร่เกณฑ์มาตรฐานเจ็ดชุดโดยได้คะแนนเฉลี่ย 90.02 — ซึ่งเป็นแถวที่ดีที่สุดในตารางของตัวเอง นำหน้า Intern-Decision-2B ที่ 84.68 และ Intern-Decision-0.8B ที่ 79.38 ทั้งหมดวัดบนชุดทดสอบของ InternLM นอกจากนี้ยังเผยแพร่การสอบเทียบ: คะแนน Brier 0.347 และค่าความคลาดเคลื่อนการสอบเทียบที่คาดหวัง 0.065 การทดลองนำร่อง 96 กรณีที่แยกต่างหากโดยใช้การแจกแจงอ้างอิงที่แน่นอนเปลี่ยนจาก Brier 0.628 และ ECE 0.213 เป็น 0.550 และ 0.089 หลังจากใช้อุณหภูมิที่ปรับให้พอดีแล้ว ทุกตัวเลขเหล่านั้นเป็นของผู้ขายเอง และไม่มีใครนอก InternLM ตรวจสอบพวกมัน

UserRepGen-4B เผยแพร่ตารางความเที่ยงตรงโดยใช้มาตรวัดการตัดสินตั้งแต่ 1 ถึง 10 — 4.95 สำหรับแบบ best-of-1 และ 6.02 สำหรับแบบ best-of-3 เทียบกับ 3.90 และ 4.90 ของ GPT-5.5 ที่ใช้แบบพร้อมสำเร็จ และ 3.41 กับ 4.42 ของฐานที่ยังไม่ได้ปรับจูน ตัวเลขทุกตัวเป็นของ Microsoft เอง ทั้งหมดสร้างขึ้นโดยให้ GPT-5.4 mini ทำหน้าที่เป็นตัวจำลอง ผู้ช่วย และผู้ตัดสินพร้อมกัน และไม่มีใครนอก Microsoft ตรวจสอบตัวเลขเหล่านี้เลย

ความไม่สมมาตรที่สำคัญไม่ใช่คะแนน — พวกมันวัดคนละสิ่งบนคนละสเกล แต่คือข้อที่ว่า Intern-Decision-4B เผยแพร่ proper scoring rule เทียบกับ known reference distributions ซึ่งพิสูจน์ว่าเป็นเท็จได้โดยโครงสร้าง ขณะที่ UserRepGen-4B เผยแพร่คะแนนจาก LLM-judge ซึ่งพิสูจน์ว่าเป็นเท็จได้เพียงด้วยการรันผู้ตัดสินอีกตัวหนึ่ง InternLM สร้างโมเดลที่ตรวจสอบได้ด้วยเลขคณิต Microsoft สร้างโมเดลที่ต้องตรวจสอบด้วยโมเดลอีกตัว เมื่อทั้งคู่ต่างอ้างว่าพิชิต baseline ได้ ความแตกต่างในความสามารถในการตรวจสอบนั้นเป็นส่วนจริงของสิ่งที่คุณกำลังเลือกระหว่าง

ข้อค้นพบด้านความเป็นส่วนตัวที่มีเพียงหนึ่งในนั้นพิมพ์ออกมา

การ์ดของ Intern-Decision-4B ไม่มีส่วนความเป็นส่วนตัวที่มีนัยสำคัญ การ์ดของ UserRepGen-4B มีตัวเลขที่ควรทำให้ทีมใดๆ ต้องหยุดคิด: จากผู้ใช้กว่า 147 คน ตัวคัดเลือกที่ถูกขอให้เลือกว่าบทสนทนาใดในสี่บทสนทนามาจากบุคคลเดียวกัน ทำคะแนนได้ 51.02% เมื่อใช้คำอธิบายพฤติกรรมของโมเดล เทียบกับ 44.22% เมื่อใช้บทสนทนาดิบแบบเต็ม และ 25% เมื่อสุ่ม การแทนค่าแบบบีบอัดระบุตัวบุคคลได้ดีกว่าข้อมูลต้นทางที่ใช้สร้างมันขึ้นมา

Microsoft จัดสิ่งนี้เป็นความเสี่ยงด้านการเชื่อมโยงข้อมูล และระบุอย่างตรงไปตรงมาว่า representation ไม่ใช่ข้อมูลนิรนาม นั่นคือการจัดการที่ถูกต้อง และเป็นข้อควรระวังที่ใช้ได้กับโมเดลทั้งกลุ่ม — รวมถึงโมเดลการตัดสินใจ ซึ่งอินพุตของโมเดลเองก็คือบทสนทนาเกี่ยวกับสถานการณ์ของผู้คน ความแตกต่างมีเพียงว่าการ์ดใบหนึ่งบอกเช่นนั้น แต่อีกใบไม่บอก ซึ่งไม่เหมือนกับว่าโมเดลหนึ่งปลอดภัย

ทั้งสองไม่ใช่ API แต่พื้นฐานที่ทั้งคู่ใช้ร่วมกันคือ

ทั้งสองอย่างนี้เป็นไฟล์ดาวน์โหลด ไม่ใช่เอนด์พอยต์ Intern-Decision-4B ถูกส่งมอบเป็นคลาส Python DecisionEngine ที่โหลดครั้งเดียวแล้วนำกลับมาใช้ซ้ำ Space สาธิตของมันตอบกลับ 401 และลิงก์ GitHub ของมันขึ้น 404; UserRepGen-4B ถูกส่งมอบเป็นไฟล์ safetensors ที่ไม่ได้ควอนไทซ์หนึ่งไฟล์และ example.py OrcaRouter ไม่มีทั้งสองอย่าง หากคุณกำลังบอกว่าอย่างใดอย่างหนึ่งพร้อมใช้งานผ่าน API ที่โฮสต์ไว้ในวันนี้ คุณกำลังอธิบายแผน ไม่ใช่ข้อเท็จจริง

สิ่งที่เรียกใช้ได้จริงคือเช็กพอยต์ที่ทั้งสองตัวแยกสาขาออกมา ตระกูลของ Qwen3.5-4B มีอยู่ในแค็ตตาล็อกของเรา — Qwen3.5-Flash รองรับคอนเท็กซ์มากกว่าหนึ่งล้านโทเคน ในราคา $0.10 ต่ออินพุตหนึ่งล้านโทเคน และ $0.40 ต่อเอาต์พุตหนึ่งล้านโทเคน Qwen3.5-35B-A3B ที่ราคา $0.057 และ $0.459 Qwen3.5-27B ที่ราคา $0.086 และ $0.688 — ทั้งหมดใช้คีย์เดียวกัน ทั้งหมดในราคาตามรายการของผู้ให้บริการโดยไม่มีการบวกเพิ่มใด ๆ สิ่งนี้มีประโยชน์สำหรับส่วนของไปป์ไลน์ที่ไม่ใช่สองโมเดลนี้: ด้านผู้ช่วยของการจำลอง หรือขั้นตอนการให้เหตุผลรอบการเรียกเพื่อตัดสินใจ สามารถรันผ่านเอนด์พอยต์เดียวได้ขณะที่คุณประเมิน fine-tune ในเครื่อง

วิธีการเลือก

หากปัญหาของคุณเป็นคำถามที่มีขอบเขตจำกัดและมีคำตอบที่แจกแจงได้ และคุณต้องการค่าตัวเลขที่ผ่านการปรับเทียบหนึ่งหมื่นครั้งต่อวินาที Intern-Decision-4B คือโมเดลเดียวในที่นี้ที่ทำได้ และการที่มันไม่สุ่มตัวอย่างเลยถือเป็นคุณสมบัติ ไม่ใช่ข้อจำกัด หากปัญหาของคุณคือคุณต้องการตัวจำลองที่ประพฤติเหมือนผู้ใช้จริง UserRepGen-4B คือโมเดลเดียวในที่นี้ที่ถูกฝึกมาเพื่อสิ่งนั้น และขนาดของส่วนที่รายงานว่าดีกว่า GPT-5.5 คือเหตุผลที่ควรให้ความสนใจ ไม่มีใครควรเลือกตัวใดตัวหนึ่งโดยอาศัยตัวเลขของอีกตัว เพราะทั้งสองไม่เคยวัดสิ่งเดียวกัน สิ่งที่จะยุติการเปรียบเทียบได้คือการตรวจสอบจากภายนอกเพียงชิ้นเดียวบนการ์ดของตัวใดตัวหนึ่ง — และสำหรับการเปิดตัวสองครั้งที่ออกมาอย่างเงียบสนิท ห่างกันหลายสัปดาห์ ไม่มีตัวใดเลยที่เคยได้รับการตรวจสอบใด ๆ

การเปิดตัวแบบเงียบ ๆ สองครั้งยังเป็นเครื่องเตือนใจว่าโมเดลระดับนี้จำนวนมากถูกปล่อยออกมาโดยไม่มีเอกสารกำกับ และความล้มเหลวที่ตามมานั้นถูกรวบรวมไว้ใน the OrcaRouter AI Incident Archive ซึ่งแต่ละรายการจะระบุแหล่งอ้างอิง ระดับความรุนแรง เกรดความเชื่อมั่น และสถานะข้อโต้แย้งของตนเอง