Pareto 26.10 so với Unbiased Pareto 26.10 Preview: Cùng một mô hình, hai chuỗi khác nhau

Câu trả lời trung thực ngắn gọn nhất cho việc Pareto 26.10 so sánh với Unbiased Pareto 26.10 Preview là chúng là cùng một mô hình, được cung cấp ở cùng mức giá, với cùng cửa sổ ngữ cảnh, cùng đầu ra tối đa, cùng bốn điểm benchmark đã công bố và cùng kiến trúc tổng hợp nền tảng. Bản xem trước chạy từ ngày 1 tháng 10 năm 2026; bản phát hành chính thức ra mắt vào ngày 15 tháng 10 năm 2026, và nhật ký thay đổi của chính Unbiased mô tả các mức giá được giữ nguyên không đổi từ bản xem trước. Không có gì được huấn luyện lại giữa hai bản, và không có điểm số nào được chạy lại cho trang GA. Các lỗi AI và sự cố agent được ghi nhận đằng sau những bản phát hành như bản này được tập hợp trong OrcaRouter AI Incident Archive nơi mỗi mục đều mang nguồn, mức độ nghiêm trọng, cấp độ tin cậy và cờ tranh chấp riêng.

Điều đã thay đổi là mọi thứ xung quanh mô hình, và với một người đọc đang có mã trong môi trường production, đó không phải chuyện nhỏ. Chuỗi preview đã bị ngừng sử dụng, bí danh pareto giờ trỏ đến bản phát hành GA, và hạn mức gói đăng ký gần như tăng gấp đôi với cùng mức giá hàng tháng. Nếu bạn đang cân nhắc giữa hai lựa chọn này, bạn không phải đang chọn giữa hai mô hình — mà là chọn giữa hai cách sắp xếp của cùng một mô hình, và một trong các cách sắp xếp đó không còn được cung cấp nữa.

Tại sao phép so sánh này lại ngắn hơn vẻ ngoài của nó

Hầu hết các trang X-vs-Y tồn tại vì hai mô hình khác nhau ở một điểm có thể đo lường được. Trang này thì không, và nói thẳng như vậy hữu ích hơn là dựng lên một sự khác biệt. Hai mục này là cùng một bản phát hành tại hai thời điểm trong vòng đời của nó, và hồ sơ của chính nhà cung cấp chứng minh sự tương đương chứ không chỉ ngụ ý điều đó: bốn điểm chuẩn được công bố cho bản xem trước trong nhật ký thay đổi ngày 1 tháng 10 — 92,4% GPQA-Diamond, 49,9% Humanity's Last Exam chỉ văn bản, 69,9% DeepSWE v1.1, 50,8% Terminal-Bench 4.0, với chi phí mỗi tác vụ lần lượt là $0,004, $0,008, $0,24 và $0,48 — là cùng bốn con số, chính xác đến từng chữ số thập phân, mà thẻ mô hình GA có ngày hôm nay. Không có lần chạy lại nào sau GA, nên không có bằng chứng về cải thiện, cũng không có bằng chứng về thoái bộ.

Điều đó đáng nói vì các chuyển đổi từ preview sang GA thường là nơi nhà cung cấp âm thầm thay đổi điều gì đó. Ở đây, changelog nói ngược lại bằng ngôn ngữ rõ ràng, và model card xác nhận điều đó. Quan điểm trung thực là nhãn preview chỉ là một trạng thái, không phải một mô hình khác.

Cái gì là giống hệt nhau, và bạn có thể kiểm tra nó như thế nào

• Cửa sổ ngữ cảnh — 1,048,576 token trên cả hai. • Phản hồi tối đa — 131,072 token trên cả hai. • Phương thức — đầu vào văn bản và hình ảnh, đầu ra văn bản, trên cả hai. • Giá — $0.80 mỗi triệu token đầu vào, $0.03 token đầu vào đã lưu đệm, $3.20 token đầu ra. Nhật ký thay đổi GA nêu rằng các mức giá được giữ nguyên từ bản xem trước. • Tham số — max_tokens, temperature, top_p, tools, tool_choice, với lựa chọn công cụ bị giới hạn ở auto. • Điểm chuẩn — bốn điểm số ngày 1 tháng 10, không thay đổi và vẫn được ghi là sơ bộ. • Trọng số — đóng trên cả hai và không có mã định danh Hugging Face trong bất kỳ bản ghi nào. • Phục vụ — một nhà cung cấp, chính nhà cung cấp, trên cả hai.

Không điều nào trong số đó là chuyện phải tự phán đoán. Chúng được đọc ra từ cùng một bản ghi đã công bố, và độc giả nào kiểm tra sẽ thấy cùng những con số trên cả hai trang.

Cái gì không giống hệt nhau

Có ba điểm khác biệt, và mỗi điểm đều có hệ quả riêng.

• Chuỗi mô hình. Bản xem trước được gọi bằng một mã định danh riêng cho bản xem trước. Chuỗi đó đã bị thay thế — mục GA của Unbiased bảo người dùng bản xem trước chuyển sang pareto hoặc pareto-26.10. Bản phát hành GA có thể được gọi bằng pareto-26.10 và là thứ mà bí danh pareto trần hiện chọn. • Trạng thái. Bản xem trước là bản phát hành mà nhà cung cấp nói rằng có thể thay đổi; bản phát hành GA là mặc định của nhà cung cấp. Sự khác biệt đó không ảnh hưởng đến token bạn nhận lại, nhưng nó thay đổi những gì bạn có thể giả định về token tiếp theo. Ô xem trước là nơi nhà cung cấp đặt phiên bản mà họ chưa sẵn sàng bảo đảm; ô mặc định là nơi họ đặt phiên bản mà họ bảo đảm. • Hạn mức gói đăng ký. Personal đã chuyển sang 50 triệu token mỗi tuần và Personal Max sang 600 triệu, cả hai vẫn giữ mức giá hàng tháng đã công bố trước đó là $10 và $100. Bảng giá API theo từng token không thay đổi theo.

Đó là danh sách đầy đủ. Nếu bạn đang mong có thêm một hàng thứ tư về chất lượng đầu ra thì không có đâu, và bất kỳ bài viết nào đưa cho bạn một hàng như vậy đều là bịa đặt.

Nếu bạn đã ghim chuỗi xem trước

Đây là phần của việc so sánh có kèm thời hạn.

Một chuỗi mô hình chỉ định một bản xem trước, xét về mặt cấu trúc, là một chuỗi có hạn sử dụng. Nhà cung cấp đã ngừng cung cấp nó vào ngày 15 tháng 10, nghĩa là bất kỳ ai đã cố định nó như một biện pháp bảo đảm khả năng tái lập — một bản năng hợp lý, vì bản xem trước chính là thứ bạn sẽ muốn đóng băng — giờ đây đang nắm giữ một chuỗi không còn khớp với bản phát hành hiện tại. Việc di chuyển chỉ mất một dòng: trỏ đến pareto-26.10 thay vì mã định danh bản xem trước.

Có một điểm tinh tế khiến việc này đáng làm một cách có chủ đích thay vì vội vàng. Tài liệu dành cho nhà phát triển của Unbiased nêu rằng các định danh mô hình không xác định hiện vẫn chưa bị từ chối, và một chuỗi gõ sai vẫn được phục vụ và tính phí như Pareto. Vì vậy, một cuộc chuyển đổi bị làm hỏng ở đây sẽ không thất bại ồn ào với lỗi 404. Nó thành công, một cách lặng lẽ, dựa vào bí danh — mà với nhà cung cấp này, bí danh đó đi theo lịch phát hành thay vì bản ghim của bạn. Nếu bạn đang chuyển khỏi bản xem trước, hãy xác minh chuỗi mà bạn chuyển sang đúng là chuỗi bạn định dùng, vì không có gì trong API sẽ cho bạn biết điều ngược lại.

Làm thế nào để bạn tự so sánh chúng, khi mà chúng giống nhau?

Vì hồ sơ đã công bố không thể phân biệt hai điều đó, phép so sánh duy nhất đáng để chạy là trên khối lượng công việc của chính bạn — và đây là một bài tập rẻ hơn vẻ ngoài của nó, vì bạn đang kiểm tra một mô hình so với đường cơ sở hiện có của mình chứ không phải hai mô hình so với nhau.

Hãy gạt hoàn toàn bốn điểm số đã công bố ra khỏi quyết định. Chúng do nhà cung cấp tự chạy, model card gọi việc so sánh này là sơ bộ và nêu rằng các kết quả 26.10 đến từ những lần chạy ngày 1 tháng 10 và có thể thay đổi trước khi công bố cuối cùng. Con số GPQA-Diamond, 92,4%, là con số dễ làm phát sinh một cuộc trao đổi về mua sắm nhất, và đây là con số không có đối chứng độc lập nào ở bất cứ đâu: tính đến ngày 18 tháng 10 năm 2026, chưa có đơn vị đánh giá bên ngoài nào công bố việc chạy lại bất kỳ kết quả nào trong bốn kết quả này. Hãy dùng nó như một giả thuyết, chứ không phải một phát hiện.

Sau đó, hãy chạy các tác vụ của riêng bạn qua chuỗi GA và so sánh với bất cứ thứ gì bạn đang chạy hôm nay, trên hai trục thực sự có ý nghĩa ràng buộc: chi phí cho mỗi tác vụ hoàn thành — bao gồm cả hành vi bộ nhớ đệm, vì ở mức $0.03 cho mỗi triệu đầu vào được lưu trong bộ nhớ đệm, khác biệt giữa prompt ấm và prompt lạnh chi phối phép tính trên mỗi token — và liệu cửa sổ ngữ cảnh 1M có loại bỏ một bước truy xuất khỏi pipeline của bạn hay không. Điều thứ hai chính là lý do để quan tâm đến mô hình này ngay từ đầu, và nó có thể đo được trong một buổi chiều.

Đây là dạng đánh giá mà một lớp định tuyến được xây dựng để phục vụ, và cần nói rõ chúng tôi bao phủ những gì và không bao phủ những gì ở đây. OrcaRouter không cung cấp bất kỳ Unbiased model nào, vì vậy Pareto 26.10 được gọi qua API riêng của nhà cung cấp — dứt khoát là vậy. Điều chúng tôi cung cấp là một khóa và một tích hợp cho những mô hình mà bạn sẽ dùng để đánh giá so sánh nó, cùng tính năng chuyển đổi dự phòng tự động để một mô hình ứng viên có thể đảm nhận một phần lưu lượng thực tế mà không có đường dẫn sản xuất nào phụ thuộc vào nó. Tính năng hợp nhất mô hình của OrcaRouter đi xa hơn theo cùng hướng đối với phần so sánh theo cặp của bài tập: nhiều mô hình cùng trả lời một lời nhắc trong một lần gọi, đây là cách nhanh để thấy câu trả lời của một mô hình pha trộn như Pareto khác với đường cơ sở một mô hình ở đâu. Bề mặt tham số của chúng tôi bao gồm hơn 200 mô hình với mức chênh lệch 0% so với giá niêm yết của nhà cung cấp — một tuyên bố về danh mục chúng tôi phục vụ, không phải về mô hình này.

Điều mà quá trình chuyển đổi GA không giải quyết được

Có hai điều mà độc giả thường cho rằng một nhãn GA sẽ giải quyết, và nhãn này thì không.

Điều đó không giải quyết được các bài đánh giá chuẩn. Chính trang công bố rằng mô hình đã ra khỏi giai đoạn xem trước vẫn tiếp tục mô tả bốn điểm số như một so sánh sơ bộ và nói rằng kết quả có thể thay đổi trước khi công bố cuối cùng. Việc phát hành chính thức chỉ là một tuyên bố về trạng thái của sản phẩm; nhà cung cấp chưa nâng cấp bằng chứng về chất lượng của nó, và cũng không ai khác làm vậy. Bất cứ ai trích dẫn 92,4% trên GPQA-Diamond cũng nên trích dẫn luôn phần lưu ý kèm theo, bởi hiện tại phần lưu ý ấy là phần duy nhất của con số đó có cơ sở độc lập.

Điều đó không chốt được giá. Mục GA nói rằng các mức phí được giữ nguyên, và bảng giá hiện tại ghi $0.80 / $0.03 / $3.20 — mức thấp hơn trong hai con số mà nhà cung cấp đã công bố cho dòng model này, vì hồ sơ kỹ thuật của bản phát hành tháng Chín vẫn ghi đầu vào $2.50 và đầu ra $7.50. Không có mục nhật ký thay đổi nào có ghi ngày cho việc điều chỉnh này, nên bảng giá thấp hơn là thứ bạn dùng, chứ không phải thứ bạn có thể buộc nhà cung cấp phải tuân theo. Hãy lập mô hình chi tiêu của bạn dựa trên đó và kiểm tra lại trước khi bạn ký bất cứ thứ gì giả định mức giá đó.

Ai nên quan tâm đến chuỗi nào

Bản xem trước đã không còn; câu hỏi thực tế duy nhất là nên ghim bản phát hành GA hay tiếp tục bám theo bí danh, và điều đó khớp rõ ràng với loại khối lượng công việc.

Ghim pareto-26.10 nếu bạn cần khả năng tái lập, phân bổ chi phí hoặc một nhánh so sánh ổn định trong một đợt đánh giá dài — điều mà hầu hết các nhóm chạy đối chiếu với một giải pháp hiện hữu đều cần. Bám theo pareto nếu bạn thực sự muốn mặc định hiện tại của nhà cung cấp và đã sẵn sàng nhận ra khi nó thay đổi; alias đã đổi một lần rồi, vào ngày 15 tháng 10, và changelog là nơi thông báo điều đó.

Cả hai lựa chọn đều không liên quan đến chất lượng, vì bản ghi không chứa sự khác biệt về chất lượng giữa hai chuỗi này. Quyết định thực sự có ý nghĩa đã được đưa ra thay bạn vào ngày 15 tháng 10, khi giá trị mặc định thay đổi: thứ bạn vẫn gọi trước ngày đó không còn là thứ mà alias trả về bây giờ. Ghi rõ phiên bản bạn đã kiểm thử là cách duy nhất để làm điều đó hiện ra, và đó là việc dọn dẹp duy nhất mà quá trình chuyển đổi này để lại.