
Karpo Decision 31B so với Microsoft-Decision-1: Một bên có giá, bên kia có điểm số
- OrcaMỚIOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 trên 1 triệu token · 184 tok/s
- tencentMỚITencent: Hy4 Flash2026-11-16$0.02 / $0.07 trên 1 triệu token · 215 tok/s
- GoogleMỚIGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 trên 1 triệu token · 87 tok/s
- AnthropicMỚIAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 trên 1 triệu token · 97 tok/s
- orcaMỚIOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 trên 1 triệu token · 90 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 trên 1 triệu token · 131 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 trên 1 triệu token · 76 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 trên 1 triệu token · 109 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 trên 1 triệu token · 114 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 trên 1 triệu token · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 trên 1 triệu token · 94 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 trên 1 triệu token · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Trí tuệ
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 trên 1 triệu token · 209 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Trí tuệ
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 trên 1 triệu token · 111 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Trí tuệ
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 trên 1 triệu token · 311 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Trí tuệ
Đặt Karpo Decision 31B bên cạnh Microsoft-Decision-1 và điều đầu tiên bạn nhận ra là cả hai công ty đều không đưa cho bạn thứ bạn cần để chọn giữa họ. Karpo Decision 31B, bản tinh chỉnh Gemma 4 31,3 tỷ tham số mà MachinePulse đẩy lên Hugging Face ngày 5 tháng 11 năm 2026 mà không có bài đăng ra mắt, có một con số trên bảng xếp hạng và không có giá. Microsoft-Decision-1, có mặt trên Microsoft Foundry từ ngày 8 tháng 10 năm 2026, có giá, có hợp đồng Azure, có bộ hồ sơ AI có trách nhiệm và hoàn toàn không có bảng benchmark nào được công bố. Một bên có thể đo lường được nhưng không bán được. Bên kia bán được và, theo lựa chọn của chính nhà cung cấp, không được đo lường.
Sự đảo ngược đó chính là toàn bộ phép so sánh, và đáng để cưỡng lại thôi thúc giải quyết nó bằng số học. Con số 73.86 mà Karpo mang và 62.07 mà Artificial Analysis gán cho Microsoft-Decision-1 không phải là hai cách đọc của cùng một thứ. Chúng đến từ những bảng đánh giá khác nhau, những hỗn hợp tác vụ khác nhau, những công thức tính điểm khác nhau và những quan niệm khác nhau về mục đích của một mô hình ra quyết định. Câu hỏi hữu ích không phải là con số nào lớn hơn. Mà là việc triển khai của bạn thực sự có thể hấp thụ được khoảng trống nào trong hai khoảng trống — giá còn thiếu hay điểm số còn thiếu.
Chính xác thì Microsoft đang bán cái gì
Microsoft-Decision-1 là Qwen3.5-9B đã qua huấn luyện hậu kỳ, trả lời bằng một phân phối trên các lựa chọn thay vì văn xuôi. Hợp đồng rất hẹp: có/không, trắc nghiệm, thang đánh giá, tập phân loại hoặc bảng tiêu chí, trên tối đa 32.768 token văn bản. Không có hình ảnh, không có âm thanh, không có trường giải thích, không có token được sinh ra. Microsoft nói rõ rằng nó không dành cho câu hỏi mở, dịch hoặc tóm tắt, và khuyến nghị không dùng nó làm cơ sở duy nhất cho các quyết định về tín dụng, việc làm, nhà ở, bảo hiểm, giáo dục hoặc chăm sóc sức khỏe.
Điều nó mang lại chính là phần mà một checkpoint mở không thể có: một triển khai Foundry thuộc danh mục Direct from Azure, serverless hoặc unified-endpoint, SKU tiêu chuẩn, xác thực Azure, một hóa đơn duy nhất, suy luận theo lô được chủ động tắt, và không có đường tải trọng số hay tinh chỉnh. Đối với một ngân hàng hoặc một tập đoàn bệnh viện, cụm dữ kiện cuối cùng đó thường đáng giá hơn hai mươi điểm trên bảng xếp hạng, vì đó là sự khác biệt giữa một mô hình mà đội nền tảng có thể phê duyệt và một mô hình mà đội nền tảng phải xây dựng cả một ngăn xếp phục vụ xung quanh.
Giá là có thật nhưng khó nêu ra. Trang mô hình không in mức giá trên mỗi token; nó liên kết ra ngoài tới trang định giá của Azure. Thứ Artificial Analysis theo dõi cho nó là $143 cho mỗi triệu tác vụ theo mức giá đầu vào, so với $345 cho mỗi triệu tác vụ của Gemini Decision 1 của Google. Karpo không có con số tương đương vì Karpo không có bất kỳ loại bảng giá nào — không host, không console, không bản dùng thử, không có chi phí trên mỗi GPU được công bố.
Những gì hội đồng đã đo lường, và những gì hội đồng đã không.

Con số của Karpo là con số của cộng đồng. Decision Index, bảng mở theo dõi các bản tái tạo Jev của TypeSafe, xếp nó ở 73,86 Full trong phiên bản 0.4.1 — đồng hạng nhất trong 307 dòng thuộc bản công bố của bảng, ngang với GLiDE 27B ở 73,37 vì bảng gộp mọi mục nằm trong khoảng 0,9 điểm so với mức dẫn đầu. Điểm Full đó là của bên thứ ba theo đúng nghĩa quan trọng: những người duy trì bảng đã chạy các bài kiểm tra riêng mà nhà cung cấp chưa từng thấy, chia đại khái 60% là kỹ năng trùng và 40% là lĩnh vực mới. Cách chia của Karpo cho thấy 70,94 ở các kỹ năng quen thuộc và 61,5 ở những kỹ năng xa lạ, đúng dạng thông thường của một mô hình đã được tinh chỉnh mạnh với một bộ kiểm thử đã biết.
Con số 75.05 trên thẻ mô hình là một chuyện khác, và thẻ mô hình nói rõ điều đó một cách trung thực: đó là lần chạy của chính MachinePulse trên bộ công cụ chấm điểm chính thức, 140,178 yêu cầu được chấm điểm với mười một yêu cầu bị từ chối do vượt quá cửa sổ, được hội đồng thông qua sau khi chấm điểm lại bằng bộ công cụ cho kết quả bằng với tuyên bố. Công khai và có thể tái lập, nhưng vẫn do chính đơn vị thực hiện. Dòng của chính hội đồng xác nhận việc thông qua và ghi chú rằng mức độ khớp của bài kiểm tra riêng tư với các dòng đã nộp là 100% trên 827 dòng.
Microsoft-Decision-1 không có bất kỳ điều nào trong số này. Trang danh mục của nó có một tab Benchmarks chứa một đoạn phương pháp luận và không có số liệu: các benchmark quyết định công khai và cộng đồng, các bộ nội bộ được giữ kín, độ chính xác và lỗi hiệu chuẩn, thứ tự lựa chọn được thay đổi, các kiểm định thống kê theo cặp được áp dụng. Microsoft tuyên bố mô hình hoạt động "ngang bằng với các mô hình quyết định hàng đầu và vượt trước các mô hình quyết định mở khác được đánh giá bằng cùng phương pháp luận" và sau đó từ chối trình bày đánh giá. Mọi tuyên bố về hiệu năng đối với nó hiện nay đều do nhà cung cấp báo cáo và chưa được tái tạo.
Công cụ duy nhất đã chấm điểm nó là Artificial Analysis, trên Decision Index v2.1, và các thành phần mang nhiều thông tin hơn điểm tổng hợp. Microsoft-Decision-1 đạt 88,0 trên When2Call, gần nhóm dẫn đầu, và 86,8 trên EvalSafe-O*NET. Nó đạt 51,8 trên AA-Paperclip với tỷ lệ đạt tài liệu tất-cả-hoặc-không là 20,9%, 54,9 trên AA-Omniscience-Decision với tỷ lệ không ảo giác là 21,7%, và 39,4 trên HLE-MultiChoice với độ chính xác thô là 8,6%. Mẫu hình này là một bộ chấm điểm phán đoán nơi làm việc có năng lực nhưng hành vi tri thức yếu, và con số về việc từ chối trả lời là điều đáng để dừng lại: một mô hình từ chối trả lời 78% câu hỏi tri thức đang bảo vệ độ hiệu chuẩn của mình bằng cái giá là trở nên hữu ích.
Các dạng yêu cầu, đặt cạnh nhau

• Thông số — Karpo 31.3B ở dạng bf16 cùng một readout fp32 255 × 5,376, khoảng 62.5 GB trên đĩa; Microsoft-Decision-1, một base dense 9B chỉ được cung cấp dưới dạng API.
• Đầu vào — Karpo nhận văn bản, JSON và hình ảnh, với ảnh chụp màn hình được truyền dưới dạng state.viewport_screenshot; Microsoft-Decision-1 chỉ nhận văn bản, được tuần tự hóa thành 32.768 token.
• Ngữ cảnh — 32.768 token cho cả hai, với một khác biệt quan trọng về kiểu thất bại: Karpo chia một yêu cầu dài theo từng câu hỏi và từ chối bất kỳ phần nào vẫn không vừa, trong khi mức trần của Microsoft là đầu vào cộng với tập tùy chọn và không có cách nào để nâng nó lên.
• Các loại câu hỏi — Karpo choice tối đa 255 lựa chọn, noul cho đúng/sai, score cho một mức có thứ tự; Microsoft có/không, trắc nghiệm nhiều lựa chọn, đánh giá, phân loại và rubric, với các tùy chọn từ chối trả lời như “không thể xác định” được hỗ trợ ngay trong bộ.
• Theo lô — Karpo mã hóa một trạng thái và nhiều câu hỏi trong một chuỗi duy nhất, vì vậy một trăm câu hỏi về một hóa đơn tốn gần như chỉ một lượt duyệt qua hóa đơn; hợp đồng được công bố của Microsoft là một trạng thái và tập câu hỏi của nó cho mỗi lần gọi, với độ rộng đến từ việc nhóm.
• Độ trễ — trung vị 94 ms mỗi yêu cầu trên phần cứng tham chiếu của tracker, một GPU, mỗi lần một yêu cầu đối với Karpo; 274 ms mỗi tác vụ đối với Microsoft-Decision-1 theo đo lường của AA, một con số theo tác vụ trên một tập tài liệu thay vì theo từng yêu cầu.
• Giấy phép và quyền truy cập — trọng số Apache-2.0, kèm các điều khoản của Gemma 4, dành cho Karpo; không có trọng số nào cho Microsoft-Decision-1, vốn chỉ có API theo điều khoản Azure.
• Giá — không có mức giá công bố cho Karpo; $143 mỗi triệu tác vụ theo dõi của AA đối với Microsoft-Decision-1, với mức giá đầu vào theo token được giữ trên trang định giá của Azure thay vì thẻ mô hình.
Hiệu chuẩn là trục mà ở đó cả hai đều có điều để nói
Đối với một mô hình mà toàn bộ đầu ra là một xác suất, con số quyết định việc triển khai không phải là độ chính xác mà là liệu xác suất đó có đúng như nó nói hay không. Thẻ của Karpo báo cáo sai số hiệu chuẩn là 4,8 điểm: trên 34.411 phản hồi đã được chấm điểm, độ tin cậy trung bình của mô hình là 87,96% so với độ chính xác 83,19%, và trong nhóm tin cậy cao nhất — chiếm 68,5% tổng số phản hồi — mô hình đúng 95,7% số lần trong khi tuyên bố 98,7%. Đó là một mô hình có thể đặt ngưỡng, với độ lệch đã biết ở đầu cao nhất.
Microsoft không công bố lỗi hiệu chuẩn kỳ vọng, điểm Brier hay đường cong độ tin cậy nào. Điều mà các điểm thành phần của AA hàm ý là một mô hình có độ tin cậy được sử dụng một cách thận trọng: tỷ lệ không ảo giác cao trên Omniscience và HLE nghĩa là mô hình từ chối trả lời thay vì trả lời khi không chắc chắn, đây là hành vi mà một guardrail mong muốn còn một bộ phân loại thì không. Liệu 0.8 của nó có nghĩa là 0.8 bên ngoài đánh giá của chính Microsoft hay không thì chưa rõ, và tài liệu của Microsoft nói điều đó theo cách riêng của mình khi khuyên các nhà tích hợp xác thực trên dữ liệu đại diện và đặt ngưỡng dựa trên chi phí từ các lỗi của họ.
Sự bất đối xứng đó có một hệ quả thực tiễn. Với Karpo, bạn kế thừa một đường cong hiệu chuẩn đã được công bố và có thể đặt ngưỡng khởi đầu trước khi chạy bất cứ thứ gì. Với Microsoft-Decision-1, bạn kế thừa một phương pháp luận và một lời hứa, và hai tuần đầu tiên của bạn là một dự án đo lường. Cả hai đều không phải là điều khiến bị loại; chúng chỉ đơn giản là những kiểu công việc khác nhau.
Phiên bản mà chẳng ai nhắc đến trong tiêu đề
Microsoft-Decision-1 không còn là mô hình hiện hành trong chính dòng của nó. Microsoft-Decision-1.1 ra mắt vào ngày 17 tháng 11 năm 2026 tại Ignite trên nền tảng mixture-of-experts Gemma 4 26B A4B, với cùng mức giá và cùng giới hạn 32K, và Artificial Analysis chấm nó 67.78 điểm — cao hơn phiên bản 1 5.7 điểm, với 123 ms mỗi tác vụ thay vì 274 ms, cùng với tỷ lệ không ảo giác trên Omniscience tăng từ 21.7% lên 49.4%. Nó cũng kém đi ở những thứ mà một mô hình chấm điểm lẽ ra phải ổn định: độ chính xác thô 6.29% trên HLE-MultiChoice so với 8.64%, và 47.5% các nhóm câu hỏi AA-Symmetry được trả lời nhất quán so với 51.7%.
Vì vậy, bất kỳ ai so sánh Karpo với mô hình quyết định của Microsoft vào cuối tháng 11 đều đang so sánh nó với một phiên bản đã bị thay thế. Điều đó không làm cho cuộc so tài trở nên vô nghĩa — phiên bản 1 vẫn là phiên bản mà rất nhiều triển khai Foundry đã được định cỡ để so sánh — nhưng nó có nghĩa là con số cần vượt ở phía Microsoft là 67,78, và câu hỏi bậc hai là liệu một mô hình đánh đổi độ chính xác kiến thức để lấy kỷ luật từ chối trả lời có phải là hình dạng phù hợp cho pipeline của bạn ngay từ đầu hay không.
Điều mà mỗi bên không thể mang lại cho bạn
Karpo không thể cung cấp cho bạn một hợp đồng. Không có endpoint, không có bảng giá, không có kênh hỗ trợ, không có SLA và không có tuyên bố nào từ nhà cung cấp ngoài một model card và một README. Nếu tổ chức của bạn không thể chạy một checkpoint 62,5 GB trên phần cứng của chính mình, thì mọi so sánh dừng lại ở đó bất kể điểm số ra sao. Việc tải nó như một mô hình chat thông thường cũng sẽ không tái tạo được câu trả lời của nó: cả branch attention và readout 255 mã đều là bắt buộc, và gói Python cùng POST /v1/systemone server tồn tại chính vì một ngăn xếp suy luận thông dụng sẽ không đáp ứng được.
Microsoft-Decision-1 không thể đưa cho bạn một con số mà bạn không phải mặc nhiên tin tưởng, không thể được tinh chỉnh trên dữ liệu quyết định của chính bạn, không thể đọc ảnh chụp màn hình và không thể chạy ngoại tuyến. Bạn cũng không thể đánh giá chuẩn nó bằng cùng một công cụ như Karpo, vì Decision Index là một sổ đăng ký các bản tái tạo mở và một mô hình API đóng không có trọng số để tái tạo. Hai mô hình sẽ tiếp tục lỡ nhau: một bảng sẽ không bao giờ liệt kê công cụ chấm điểm của Microsoft, và Artificial Analysis không có dòng nào cho Karpo.
Có một vị thế thứ ba hữu ích hơn cả hai cột. Nếu thứ bạn thực sự cần là một lớp ra quyết định bên cạnh một pipeline sinh, thì phần sinh là nửa mà bạn đã có thể chuẩn hóa. OrcaRouter không host Karpo Decision 31B hay Microsoft-Decision-1, và cả hai đều không thuộc về phía sau một tuyến chat-completions. Thứ mà nó host là hai mô hình mà cuộc so sánh này cứ xoay quanh: Gemma 4 31B, bản gốc mà Karpo được tinh chỉnh từ đó, và Jev 1.14 của TypeSafe, mô hình mà bảng tái lập mở được lập ra để bám đuổi. Cả hai đều nằm sau một khóa tương thích OpenAI cùng với hơn 200 mô hình khác ở mức giá niêm yết của nhà cung cấp, được chuyển nguyên không cộng thêm, nên nếu nhà cung cấp giảm giá thì phía chúng tôi nhận được ngay trong ngày, và cơ chế chuyển đổi dự phòng tự động giữ cho vòng lặp chấm điểm luôn sống khi một nhà cung cấp gặp trục trặc.
Nên chọn cái nào

Hãy chọn Microsoft-Decision-1, hoặc hợp lý hơn là Microsoft-Decision-1.1, nếu lớp quyết định phải nằm bên trong một hệ sinh thái Azure, nếu bạn cần dấu vết phê duyệt hơn là vị trí trên bảng xếp hạng, và nếu đầu vào của bạn là văn bản nằm gọn trong 32K. Hãy dự trù ngân sách cho một nghiên cứu hiệu chuẩn, vì Microsoft chưa cung cấp cho bạn một nghiên cứu như vậy, và đặt ngưỡng từ chối trả lời của bạn dựa trên chi phí sai sót của bạn chứ không phải dựa trên mô tả của nhà cung cấp về chúng.
Hãy chọn Karpo Decision 31B nếu bạn có GPU, nếu ảnh chụp màn hình hoặc trạng thái JSON là một phần của công việc, nếu Apache-2.0 quan trọng với một sản phẩm bạn định phát hành, và nếu điểm kiểm thử riêng tư của bên thứ ba cùng một đường cong hiệu chuẩn đã công bố là bằng chứng mà nhóm bạn chấp nhận. Đổi lại, hãy chấp nhận rằng giờ bạn chính là nhà cung cấp: không hỗ trợ, không SLA, không có mức giá để lập ngân sách, và một mô hình mới hai tuần tuổi mà kho lưu trữ của nó vẫn đang được chỉnh sửa vào ngày 16 tháng 11.
Đừng chọn bên nào chỉ dựa vào con số 73,86 so với 62,07. Những con số đó do các tổ chức chưa từng chấm cùng một bài kiểm tra tạo ra, trên những bộ kiểm thử có tỷ lệ bài kiểm tra riêng tư khác nhau và công thức tính điểm khác nhau, và cách hiểu trung thực là cả hai mô hình đều khả tín và không mô hình nào được chứng minh là hơn mô hình kia. Phép thử có thể phân định điều đó — Karpo xuất hiện trên một hội đồng độc lập cũng chấm điểm mô hình của Microsoft, hoặc Microsoft công bố bảng kết quả mà phần phương pháp luận của họ mô tả — vẫn chưa diễn ra. Cho đến khi điều đó xảy ra, quyết định sẽ xoay quanh việc mua sắm, phần cứng và phương thức đầu vào, vốn là nơi lẽ ra quyết định phải xoay quanh ngay từ đầu.
