UserRepGen-4B vs Intern-Decision-4B: Hai nhóm cùng tinh chỉnh một mô hình nền 4B và chẳng thống nhất được điều gì

Hai bản phát hành lặng lẽ, cách nhau năm tuần, cùng rẽ nhánh từ một checkpoint. microsoft/UserRepGen-4B đã xuất hiện trên Hugging Face vào ngày 14 tháng 10 năm 2026 dưới dạng một kho bfloat16 9,1 GB mà không có thông báo; internlm/Intern-Decision-4B đã xuất hiện vào ngày 26 tháng 9 năm 2026 lúc 05:36:37 UTC trong một cửa sổ bốn mươi giây mà cũng tạo ra một bản 0,8B và một bản 2B, cũng không được thông báo. Cả hai đều là các bản tinh chỉnh LoRA của Qwen3.5-4B, cả hai đều chỉ xử lý văn bản dù mang theo một tháp thị giác mà chúng không bao giờ dùng, cả hai đều trả về một cấu trúc cứng nhắc thay vì một câu trả lời — và chúng không thể bất đồng gay gắt hơn về mục đích của mô hình. Intern-Decision-4B không bao giờ viết ra token nào. UserRepGen-4B không viết gì ngoài token. Mọi thứ khác trong so sánh này đều bắt nguồn từ chính sự chia tách đó.

Một người là người ghi bàn, người kia là người viết.

Thẻ của InternLM thẳng thắn một cách bất thường về cơ chế của chính nó: “API này thực hiện chấm điểm có cấu trúc cho các ứng viên. Nó không gọi generate() hay lấy mẫu văn bản tự do.” Bạn đưa cho nó một trạng thái, một lược đồ gồm các câu hỏi có tên, và một tập câu trả lời ứng viên. Nó ánh xạ các tùy chọn thành các ký hiệu đơn token, chạy một lượt lan truyền xuôi nhân quả, đọc logits tại vị trí ngay trước mỗi placeholder, áp dụng nhiệt độ đã được fit là 1.99241824, và trả về xác suất đã hiệu chỉnh cho mỗi tùy chọn. Một lượt. Không lấy mẫu, không vòng lặp giải mã, không văn bản.

UserRepGen-4B đảo ngược quy trình. Bạn đưa cho nó một cuộc hội thoại đã hoàn thành. Nó xuất ra tối đa 1.024 token văn xuôi trên hai trường JSON — một mô tả tác vụ và một mô tả user_behavior — và model card cũng thẳng thừng không kém ở chiều ngược lại: mô hình “tạo ra các biểu diễn, chứ không phải các lượt người dùng được mô phỏng”, nó không thực thi tác vụ của người dùng và nó không phải là trình mô phỏng.

Đặt hai thứ cạnh nhau thì những hệ quả kỹ thuật lập tức lộ ra.

• Đầu ra có giá trị đến đâu — Intern-Decision-4B trả về một con số mà bạn có thể đặt ngưỡng, tính trung bình và kiểm tra. UserRepGen-4B trả về một đoạn văn mà chỉ có giám khảo LLM mới chấm được chất lượng, và đó chính xác là cách Microsoft đã đánh giá nó.

• Chi phí mỗi lần gọi — một lượt lan truyền xuôi trên một prompt cố định so với tối đa 1.024 token được sinh ra. Đó là khác biệt giữa khoảng 44 mili giây và một lần giải mã trọn vẹn, và đó là lý do mô hình quyết định có thể nằm trong một vòng lặp mà mô hình biểu diễn thì không thể.

• Nơi ý nghĩa trú ngụ — InternLM quyết định rằng đáp án lẽ ra đã có thể liệt kê sẵn ngay trong prompt, nên mô hình chỉ việc xếp hạng. Microsoft quyết định rằng đáp án nằm tiềm ẩn trong một cuộc hội thoại, nên mô hình phải viết ra. Xếp hạng thì có giới hạn và có thể kiểm chứng được. Viết thì để mở và cần đến một giám khảo.

Các mức trần đầu vào, và những gì chúng cho bạn biết về các cược

Cả hai thẻ đều công bố một giới hạn cứng, và so sánh chúng là cách nhanh nhất để thấy hai nhóm đã định phạm vi cùng một mô hình cơ sở khác biệt đến mức nào.

Intern-Decision-4B từ chối xử lý công việc vượt quá 8.192 token. Đó là sự từ chối, không phải cắt bớt — một lựa chọn thiết kế cho thấy mô hình dành cho những quyết định đủ gọn để có thể nêu trọn vẹn trong một prompt.

UserRepGen-4B được huấn luyện trên một chuỗi 9.216 token: tối đa 8.192 token prompt bao quát cuộc hội thoại, cộng với 1.024 token completion cho phần biểu diễn. Thẻ nói thêm rằng việc sử dụng ngữ cảnh mở rộng vượt quá độ dài đó "không được bản phát hành này hỗ trợ", và rằng hiệu năng ngữ cảnh dài chưa từng được đánh giá riêng. Vậy nên cùng một mức trần 8.192 token xuất hiện ở cả hai phía, được đưa ra một cách độc lập, từ hai nhóm mà có lẽ không hề biết gì về công việc của nhau.

Sự hội tụ đó là phát hiện hữu ích. Một bản fine-tune 4B trên base này, vào giữa năm 2026, là một thành phần được thiết kế cho một prompt đơn lẻ được định dạng tốt — không phải một engine ngữ cảnh dài. Cả hai bản phát hành đều trung thực về điều đó. Không bản nào giấu nó đằng sau một cửa sổ lớn hơn được quảng cáo.

Cả hai đều đã công bố một câu chuyện hiệu chuẩn, và chúng không phải là cùng một câu chuyện

Đây là chỗ việc tìm nguồn trở nên tế nhị, bởi vì hai đánh giá này không cùng thước đo và cả hai đều chưa được tái lập bên ngoài phòng thí nghiệm của riêng mình.

Intern-Decision-4B công bố một bộ đánh giá gồm bảy bộ kiểm thử, trong đó nó đạt trung bình 90,02 — dòng tốt nhất trong bảng của chính nó, cao hơn Intern-Decision-2B ở mức 84,68 và Intern-Decision-0.8B ở mức 79,38, tất cả đều được đo trên các bộ khung đánh giá của InternLM. Nó cũng công bố kết quả hiệu chuẩn: điểm Brier 0,347 và sai số hiệu chuẩn kỳ vọng 0,065. Một thí điểm riêng gồm 96 trường hợp, sử dụng các phân phối tham chiếu chính xác, giảm từ Brier 0,628 và ECE 0,213 xuống 0,550 và 0,089 sau khi áp dụng nhiệt độ đã khớp của nó. Mỗi một con số trong số đó đều là của chính nhà cung cấp, và chưa có ai ngoài InternLM kiểm chứng chúng.

UserRepGen-4B công bố một bảng độ trung thực trên thang đánh giá từ 1 đến 10 — 4,95 best-of-1 và 6,02 best-of-3, so với 3,90 và 4,90 của GPT-5.5 dùng sẵn và 3,41 cùng 4,42 của bản nền chưa tinh chỉnh. Mọi con số đó đều là của chính Microsoft, được tạo ra với GPT-5.4 mini đồng thời đóng vai trình mô phỏng, trợ lý và giám khảo, và chưa ai ngoài Microsoft kiểm chứng chúng.

Sự bất đối xứng đáng quan tâm không nằm ở các điểm số — chúng đo những thứ khác nhau trên những thang đo khác nhau. Mà là ở chỗ Intern-Decision-4B công bố một quy tắc cho điểm phù hợp dựa trên các phân phối tham chiếu đã biết, vốn có thể bị phản bác về mặt cấu trúc, trong khi UserRepGen-4B công bố điểm do LLM-judge chấm, vốn chỉ có thể bị phản bác bằng cách chạy một giám khảo khác. InternLM đã xây dựng một mô hình có thể được kiểm toán bằng số học. Microsoft đã xây dựng một mô hình buộc phải được kiểm toán bằng một mô hình khác. Cho rằng cả hai đều tuyên bố đã đánh bại các baseline, khác biệt về khả năng kiểm toán đó là một phần thực sự trong những gì bạn đang lựa chọn.

Phát hiện về quyền riêng tư mà chỉ một trong số chúng in ra

Thẻ của Intern-Decision-4B không chứa mục riêng tư nào đáng kể. Thẻ của UserRepGen-4B chứa một con số khiến bất kỳ đội nào cũng phải chững lại: với hơn 147 người dùng, một bộ chọn được yêu cầu chọn ra cuộc trò chuyện nào trong bốn cuộc trò chuyện đến từ cùng một người đạt 51,02% khi dùng mô tả hành vi của mô hình, so với 44,22% khi dùng toàn bộ các cuộc trò chuyện thô và 25% khi chọn ngẫu nhiên. Biểu diễn nén nhận diện người đó tốt hơn so với dữ liệu mà nó được rút ra từ đó.

Microsoft dán nhãn đây là rủi ro liên kết và nói thẳng rằng các biểu diễn không phải là dữ liệu ẩn danh. Đó là cách xử lý đúng đắn, và đó là một lưu ý áp dụng cho toàn bộ nhóm mô hình — kể cả mô hình ra quyết định, vốn có đầu vào là các cuộc trò chuyện về hoàn cảnh của con người. Khác biệt chỉ là một thẻ nói rõ điều đó còn thẻ kia thì không, điều này không đồng nghĩa với việc một mô hình là an toàn.

Cả hai đều không phải là API, nhưng nền tảng chung mà chúng chia sẻ là

Cả hai thứ này đều là bản tải xuống, không phải endpoint. Intern-Decision-4B được phát hành dưới dạng một lớp DecisionEngine bằng Python, được nạp một lần và tái sử dụng; Space demo của nó trả về 401, và liên kết GitHub của nó trả về 404; UserRepGen-4B phát hành một tệp safetensors chưa lượng tử hóa duy nhất và một example.py. OrcaRouter không có cả hai thứ đó. Nếu bạn đang nói rằng một trong hai đã có sẵn thông qua một hosted API ngay hôm nay, thì bạn đang mô tả một kế hoạch chứ không phải một sự thật.

Thứ thực sự có thể gọi được là checkpoint mà cả hai đều tách nhánh ra từ đó. Dòng Qwen3.5-4B có trong danh mục của chúng tôi — Qwen3.5-Flash với ngữ cảnh hơn một triệu token ở mức $0.10 mỗi triệu token đầu vào và $0.40 mỗi triệu token đầu ra, Qwen3.5-35B-A3B ở mức $0.057 và $0.459, Qwen3.5-27B ở mức $0.086 và $0.688 — tất cả trên cùng một khóa, tất cả theo giá niêm yết của nhà cung cấp, không cộng thêm gì. Điều đó hữu ích cho phần của pipeline không phải hai mô hình này: phía trợ lý của một mô phỏng, hoặc bước suy luận xung quanh một lệnh gọi quyết định, có thể chạy qua một endpoint trong khi bạn đánh giá bản fine-tune cục bộ.

Cách chọn

Nếu vấn đề của bạn là một câu hỏi có giới hạn với các câu trả lời có thể liệt kê được và bạn cần một con số đã hiệu chỉnh mười nghìn lần mỗi giây, thì Intern-Decision-4B là mô hình duy nhất ở đây làm được điều đó, và việc nó không bao giờ lấy mẫu chính là tính năng chứ không phải hạn chế. Nếu vấn đề của bạn là bạn muốn một trình mô phỏng hành xử như người dùng thật, thì UserRepGen-4B là mô hình duy nhất ở đây được huấn luyện cho việc đó, và độ lớn mức cải thiện được báo cáo của nó so với GPT-5.5 là lý do để quan tâm. Không ai nên chọn cái này dựa trên các con số của cái kia, vì chúng chưa bao giờ đo cùng một thứ. Điều có thể khép lại so sánh này là một lần thẩm định độc lập bên ngoài đối với một trong hai card — và với hai bản phát hành được tung ra trong im lặng tuyệt đối, cách nhau vài tuần, thì cả hai đều chưa có bất kỳ lần thẩm định nào như vậy.

Hai bản phát hành âm thầm cũng là một lời nhắc nhở về việc có bao nhiêu phần thuộc lớp mô hình này được tung ra mà không có tài liệu, và những thất bại kéo theo sau đó được tập hợp trong OrcaRouter AI Incident Archive, nơi mỗi mục đều mang theo nguồn riêng, mức độ nghiêm trọng, xếp hạng độ tin cậy và cờ tranh chấp.