FrogNano-4B-2609 對比 Intern Decision 4B：同一個基礎模型，兩種截然不同的押注

兩個實驗室拿了同一個檢查點 Qwen3.5-4B，把它推向彼此毫不相似的方向。microsoft/FrogNano-4B-2609以強化學習在約 1,500 個合成軟體工程環境上進行後訓練，直到它能透過五工具的工具組發出結構化工具呼叫與多檔案修補。internlm/Intern-Decision-4B則被微調成完全不輸出任何文字——它接收一個狀態加上一份具名問題的 schema，並在單次前向傳播中為每個選項回傳一個經過校準的機率。一個會寫程式碼。另一個拒絕寫任何東西，只回傳一個分布。拿它們比品質毫無意義；拿它們比執行成本，以及它們能被託付什麼任務，才是誠實的檢驗。

兩者都是在未事先公告的情況下推出，這是它們共有的另一點。兩者都沒有 Artificial Analysis 條目、沒有競技場評分，也沒有任何一項獨立評估。以下每一個數字——一邊是 SWE-bench 階梯，另一邊是 Brier 與 ECE 校準列——都是由訓練該模型的實驗室，在該實驗室自家的測試框架上產生的，而且從未遇過不是來自該實驗室的測試集。

這個分支發生在兩個模型都還不存在之前

基礎檢查點是一個稠密的 32 層混合式 Gated DeltaNet 與閘控注意力模型，而這兩個衍生模型都繼承了它的骨架。在那之後，這兩條後訓練流程便毫無共同點。

微軟的流程是一個閉環。TaskPilot 從真實快照產生候選的儲存庫任務，從當前檢查點執行 rollout，找出策略有時能解開的任務，保留這些任務，然後進行訓練。五個迭代，每個迭代都依據前一個迭代的策略進行校準，最終在 SWE-bench Verified 上達到 61.5%，在 SWE-bench Pro 上達到 37.6%。沒有蒸餾——模型卡指出，並未使用任何更強模型的軌跡、動作或推理軌跡作為目標。

InternLM 的 pipeline 是在固定任務型態上的一個單一監督式目標。模型會收到系統提示、一個狀態、一個決策 schema，以及一份完整的 assistant JSON 骨架，每個欄位各有一個佔位符。它會執行一次因果前向傳遞，讀取每個佔位符位置的 logits，並且只對該欄位允許的候選符號做 softmax。InternLM 的模型卡直接寫道：這條路徑「不會呼叫 generate() 或取樣自由形式的文字。」

那個差異不是規模上的差異。那是這件產物究竟是什麼的差異。FrogNano-4B-2609 是一個智慧體，能以一百種有趣的方式出錯，並透過測試來修正。Intern-Decision-4B 是一個評分器，其失效模式是一個自信的數字。

還有兩份合約：房東對不合標準住宅的行動，以及安寧享用權。

FrogNano 的契約是一個迴圈。模型會發出對Read、Write、Edit、Glob與Bash 的呼叫；Leaf 測試框架會在隔離的儲存庫沙箱中執行它們並回傳輸出；迴圈會持續到模型停止呼叫為止。評估在約 131K 合計 token 內以 150 個步驟執行，每回合助理最多產生 8,192 個 token。服務需要 SGLang，搭配 Qwen3 推理解析器與 Qwen3 coder 工具呼叫解析器——一旦弄錯，模型會在測試框架預期 JSON 的地方產生散文，從外部看起來就完全像是壞掉了。

Intern-Decision-4B 的契約是單次執行，且帶有硬性限制。題目與選項會維持其順序。選項會對應到單一 token 符號——A 到 Z，然後 a 到 z，然後 0 到 9，這就是一道題目最多只能有 62 個選項的算術原因。包裝器的上限是 8,192 個 token，而 InternLM 的模型卡明確指出，較長的輸入會被拒絕，不會截斷。支援三種題目類型：choice 搭配有序的準則對應表，score 搭配清單或以數字為鍵的對應表，以及 noul，一種二元類型。最多允許八張圖片，且其 token 會計入同樣的 8,192 上限。

• 輸出形態 — FrogNano-4B-2609 會輸出工具呼叫、推理文字與修補檔。Intern-Decision-4B 則每個欄位只輸出一個符號，別無其他。

• 決定性 — FrogNano 在三個種子上以溫度 0.6 取樣，因此其設計本質上具有機率性。Intern-Decision-4B 的 argmax 由前向傳遞固定；擬合溫度僅會改變其置信度。

• 失效面 — FrogNano 可能會幻想出一個 API、把編輯範圍過度擴大，或在通過測試的同時引入漏洞，而這些全都是它的卡片所點名的。Intern-Decision-4B 無法憑空編造答案，因為它只能從你提供的選項中挑選 — 它只可能是校準不當。

• 輸入上限——在評估配置下，FrogNano 約為 131K 合併 token，而 Intern-Decision-4B 的硬性上限為 8,192；兩者相差十六倍，且沒有任何變通方法。

• 成本結構 — FrogNano 按軌跡計費，而軌跡很長。Intern-Decision-4B 完全沒有輸出 token 可計費。

• 參數 — FrogNano 的模型卡給出「500M-5B」的區間，並描述約 4.66B，BF16 下載檔為 9.32 GB；Intern-Decision-4B 則標示為 4.54B，搭配 612 MB 的視覺塔與 54 MB 的投影器，以及其語言分片。

決定這個配對的數字

InternLM 的模型卡指出，在單張 RTX 4090 上，透過本機 Hugging Face 路徑，Intern-Decision-4B 的平均延遲為 44.16 毫秒、中位數為 44.03 毫秒，P95 為 44.60 毫秒。再讀一次那個分佈差距：中位數到尾部遠低於一毫秒，因為固定形狀的前向傳遞幾乎沒有什麼可變動的。這就是支持該架構的全部論點。

FrogNano 對應的數字並不是以毫秒為單位。它的評估允許 150 步的預算，每個任務的代理上限為 10,800 秒。這些不是可比較的單位，也絕不該和延遲宣告放在同一個句子裡——但它們確實能告訴你這種取捨的形狀。一個模型在四十四毫秒內回答一個決策，另一個則花上好幾分鐘的tool calls去追一個修補程式。如果你的問題是「把這張工單路由到六個佇列的其中一個，並告訴我你有多確定」，那麼第一個並不是第二個的便宜版本，它是截然不同的機器。

兩個實驗室都審慎地衡量自身，而這兩組測量數據都應該被解讀為意圖，而非結果。InternLM 報告在 1,728 個指定校準案例上，以溫度 1.99241824 擬合，七組平均為 90.02，Brier 分數為 0.347，期望校準誤差為 0.065。微軟報告在 SWE-bench Verified 上歷經五輪迭代從 39.4% 攀升至 61.5%，而同一篇論文的附錄則將同一進展記為 48.2%、53.4%、58.3%、58.6% 與 61.6%——這提醒我們，即使在同一間實驗室內，同一個事實以兩種方式衡量，也會產生兩套階梯。

破綻就在於每張牌選擇警告你什麼。

兩張卡都異常誠實，而這份誠實指向相反的方向——這正是這項比較中最有用的一點。

微軟的「已知限制」章節讀起來像是一則部署警告。僅支援英文與 Python。效能對測試框架與測試品質很敏感。即使通過測試，修補程式仍可能不正確或不安全。這張模型卡自己寫道，FrogNano「不應被視為已獨立完成安全對齊，可用於不受限制的自主任意部署」，並指出具體缺口：代理專屬的後訓練並未使用安全偏好、拒答或對抗性資料，因為它改為以功能正確性與避免迴歸為最佳化目標。它也主動揭露 1.71% 的平行工具呼叫率，意味著儘管測試框架允許，模型幾乎從不會在同一回合觸發兩個工具——這是相較基礎模型的真實能力退步，團隊因此加入一個整合階段試圖挽回。

InternLM 的模型卡警告的是相反類別的問題。沒有幻覺面向需要警告，所以注意事項是關於輸入：8,192 的拒絕、62 個選項的上限，以及底層文字塔宣告了 262,144 個詞元的位置上限、而發布的包裝器拒絕使用這件事實。它的風險在於，一個有把握的數字被信任得超過它應得的程度，而模型卡坦承，該校準縮小了與 Jev 基線的差距，卻未在每個切片上將其彌合。

合起來讀，它們描述的是兩種不同的信任姿態。FrogNano 需要監督，因為它會採取行動。Intern-Decision-4B 需要稽核，因為它會評分——而一個能左右正式環境決策的數字，正是那種沒有人會想到要去測試的輸出。

路由器適合的場合，以及對兩者的誠實說明

這兩個模型都不是託管端點。FrogNano 以權重加上一套 Kubernetes 評估測試框架的形式發布；Intern-Decision-4B 則以一個 Python 類別的形式發布，你必須先下載四個分片才能匯入。對於想讓任一個模型在真實系統面前試跑的團隊來說，兩者的安全模式相同，而且並不光鮮：把實驗性元件放在後備機制後面，這樣一來，糟糕的軌跡或校準失準的一天，付出的代價會是一次重試，而不是一場事故。

這種模式正是路由層存在的意義。OrcaRouter 用一組相容 OpenAI 的金鑰就能運行 200 多個模型且零加成——供應商的標價原樣傳遞，因此供應商調價當天就會反映到我們這邊——而且它的容錯移轉是放在你作為備援的一般模型前面，而不是放在這兩個模型前面。說白一點：我們並沒有提供 FrogNano-4B-2609 或 Intern-Decision-4B，兩者也都没有上市日期。單一端點在這裡能帶給你的，是讓比較本身變得便宜——一組憑證、一條帳務項目，而且每次你更換用來評測這個專用模型的一般模型時，都不需要再做第二次整合。

哪一個，以及何時？

當答案已存在於你的提示中，而你需要將它選出、附上信心分數，且速度達每秒數千次時，就採用 Intern-Decision-4B。固定分類法路由、評分規準評分、結構描述受限擷取、依封閉標籤集進行的審核。44 毫秒的前向傳遞與零輸出權杖費用就是產品本身，而校準則是你在信任它之前必須稽核的重點。

當答案尚不存在、必須藉由閱讀儲存庫並執行其測試才能發現時，就採用 FrogNano-4B-2609。那是一個耗時數分鐘、在沙箱中執行且可審查的流程，而 SWE-bench Verified 上的 61.5%——由廠商自行回報、尚未重現——是目前證明 4B 檢查點確實做得到這件事的最佳證據。

不論從哪一方來看，都不該放過的，是拿雙方分數相比的習慣。90.02 的七組平均與 61.5 的 SWE-bench Verified 通過率，衡量的是兩個不同的問題，由兩個實驗室、在兩套測試框架上產出，而這兩個數字都不曾經過第三方之手。它們除了同源之外，別無共通之處。

{{1}}來自共同祖先的那個真正有用的預測：{{/1}}因為兩個模型都從同一個 4B 檢查點出發，{{2}}它們之間的差異幾乎完全在後訓練階段，{{/2}}{{3}}這意味著對任何要在 Qwen3.5-4B 上建構的人來說，有趣的問題是這兩種獎勵結構中，哪一種能遷移到他們自己的領域。{{/3}}{{4}}一個對自身策略進行校準的合成任務迴圈，{{/4}}{{5}}或者一個帶有擬合溫度的固定形狀評分頭。{{/5}}{{6}}那是兩套配方，兩者都已發表，兩者都來自尚未讓其他人實際跑過它們的實驗室。{{/6}}{{7}}那是一種罕見的情況，值得觀察，而不是貿然買單。{{/7}}