Intern-Decision-2B 悄悄在 Hugging Face 上發布。其卡片上的 GitHub 連結剛剛不再回傳 404。

今天稍早，internlm/Intern-Decision-2B 的模型卡指向了三個可取得更多資訊的地方，而其中兩個已經失效：demo Space 回傳 HTTP 401，而github.com/internlm/Intern-Decision 對任何點擊的人回傳 404。截至 UTC 08:58，第二個連結背後的儲存庫已經存在——公開、已有三次提交，內含訓練程式碼、兩套推論後端、一份帶有 10,751 筆測試列的評估套件、一個 96 個案例的校準基準，以及重現指南。這是這個模型自 2026 年 9 月 26 日 UTC 05:36 出現在 Hugging Face 以來唯一改變的地方，而這樣就足以讓 Intern-Decision-2B 從「一個 README 無法存取的檢查點」變成「一個你可以實際檢視、據以重現，並且與之爭辯的檢查點」。

權重本身並未變動，也毫無模糊之處。Intern-Decision-2B 是一個 2,213,241,664 參數的多模態結構化決策模型，微調自 Qwen/Qwen3.5-2B —— 這個 2026 年 2 月 28 日的阿里巴巴基礎模型 —— 以 Apache-2.0 發布，並在其旁保留了上游 Qwen 授權條款作為 LICENSE-QWEN。它是 InternLM 在四十秒內推送的三種規模中的中間型號：Intern-Decision-0.8B 於 05:35:57，這一個於 05:36:19，而 Intern-Decision-4B 於 05:36:37。它們背後仍然沒有任何形式的公告。

中間這個尺寸之所以值得單獨一篇來談，是因為家族正是在這裡開始不再按牌理出牌。就 InternLM 自家公布的數字來看，它是三者中最快的，也是三者中校準得最差的，而在你下載任何四點五 GB 的東西之前，這兩件事都值得先弄明白。

哪些是已確認的，哪些又只是廠商在說？

兩個類別，而它們需要保持區隔。

已確認，因為這是一份檔案清單或 HTTP 回應：參數數量（2,592 個 F32 加上 2,213,239,072 個 BF16 權重）；分片配置（一個 3.76 GB 的語言分片、一個 612.5 MB 的視覺塔、一個 50.3 MB 的投影器、約 4.43 GB 的張量，以及大約 4.46 GB 的儲存庫）；授權條款組合；基礎模型；底層架構（一個 Qwen3_5ForConditionalGeneration，具備 24 層、隱藏層大小 2,048、8 個查詢頭對上 2 個鍵值頭、頭維度 256、三層線性注意力對一層全注意力的重複模式、一層保留的多詞元預測層，以及 262,144 個位置的嵌入上限）；儲存庫的存在；以及 huggingface.co/collections/internlm/intern-decision 上的模型集合現在能解析並列出全部三個檢查點這件事實。

廠商自行報告且未經重現：每一項準確度數字、每一項延遲數據，以及校準溫度。沒有論文、沒有 arXiv 條目、沒有發布貼文、沒有更新日誌，也沒有獨立評估——搜尋字串「Intern-Decision」找不到任何與這個模型相關的內容。這個示範 Space 仍然回應 401，這表示它並非公開，而不是它故障了。2B 檢查點有一個讚、零次下載。InternLM 以外沒有人運行過它。

推論合約，依其發生順序

儲存庫中資訊最豐富的檔案並不是模型卡。而是 src/inference/engine.py，以及隨附的 inference.py（在 Hub 上），因為這兩者共同記載的是一份契約，而不是提示詞。

• 您提供狀態——被評判的素材——一個問題綱要，以及可選的最多八張圖片。一至十六個問題，每個最多 62 個選項。

• 每個問題的選項都會對應到單一詞元符號：A–Z，接著是 a–z，然後是 0–9。62 個選項的上限並非出於設計偏好，而正好是該合約所能定址的單一詞元符號數量。

• 系統提示、狀態、結構描述，以及完整的助理 JSON 骨架，每個欄位都會以一個 <decision> 佔位符渲染。檢查點的對話範本與空的思考區塊會保持原樣。

• 執行一次因果前向傳遞。Logits 是在每個佔位符緊接之前的位置讀取——不是在之後，也不是在生成的 token 上。

• 僅對該欄位的合法候選符號執行 softmax，套用檢查點的校準，然後將這些符號映射回你原本的選項值。

這張卡直言不諱地說明這是什麼：「這個 API 執行結構化候選評分。它不會呼叫 generate() 或取樣自由形式的文字。」一個 DecisionEngine(max_length=8192) 會拒絕過大的輸入，而不是將它截斷，因此無法容納的請求會大聲失敗，而不是悄悄遺失最後一段。後端清單也很誠實——backend="hf" 是預設值，也是 Hugging Face 儲存庫中唯一實作的後端；這點值得知道，因為 GitHub 發行版也隨附 XTuner 後端，而兩者在數值上並不相同。InternLM 自家的評估指南也這麼說：「Kernel 與 BF16 的差異可能會改變機率，偶爾也會改變標籤。」

中間的異常

把這三個檢查點並排放在 InternLM 自家的表格上，其形狀之怪異，本身就足以構成整篇報導。

• 七個測試套件的平均 — Intern-Decision-0.8B 79.38、Intern-Decision-2B 84.68、Intern-Decision-4B 90.02。依序排列，正如權重增長時所預期。

• 在單張 RTX 4090 上的延遲——0.8B 的平均延遲為 33.98 ms，2B 為 33.28 ms，4B 為 44.16 ms。中間尺寸是三者中最快的，差距小到在單一 GPU 上可能只是雜訊，但在平均值、中位數（33.15 ms）與 P95（33.55 ms）上均一致。

• Brier 分數，越低越好——0.530、0.437、0.347。隨大小呈單調變化，正如適當的評分規則通常如此。

• 期望校準誤差，越低越好——0.8B 為 0.066，這個 2B 為 0.100，4B 為 0.065。中間尺寸的最差，而且比大小只有它一半的模型還差。

最後一行才是有意思的地方，而擬合出的溫度只是佐證了它，而非解釋了它。每個檢查點都有自己的 NLL 擬合溫度：0.8B 為 2.747760550703，2B 為 2.100509348278，4B 為 1.992418。每一個都是在 1,728 個指定校準案例上擬合、並留出 1,693 個案例，透過在 [0.01, 100] 範圍內搜尋逆溫度、最小化負對數似然而來，且測試套件標籤被刻意排除在擬合之外。2B 的溫度介於它的兩個同系列模型之間，如果這個異常是擬合假象，這正是你預期的結果。但並非如此：擬合值隨規模單調變化，而校準後誤差卻不是。根據 InternLM 自己的量測，這個 22 億參數檢查點在告訴你它有多有信心時，是三者中最不可信的。

在把這當成結論之前，有兩點要注意。採用十個等寬分箱與最大機率信賴度的 ECE，在這張表所用的小型測試套件上是個雜訊很大的統計量——Jevbench-Hard 只有 111 題，所以整個 ECE 欄位全靠一百多道題目和一個分箱選擇。而且internlm/Intern-Decision-2B是三張卡中唯一沒有附上 4B 卡所具備的額外校準章節的那一張，所以這裡的文件是更少，而不是更多。請把 0.100 解讀為「該自行擬合溫度參數」的理由，而不是對權重下的定論。

這個儲存庫新增了什麼，以及它仍不揭露什麼

GitHub 發佈版本比模型卡更完整，而模型卡本身也已相當有資訊量——一個原本只打算產出論文附帶成品的實驗室，通常不會在訓練啟動器之外，還一併附上確定性校準產生器與雜湊驗證評估套件。

現在公開的內容包括：訓練程式碼與遮罩式下一詞元目標（真實答案符號只出現在標籤中，從不出現在輸入中；每個欄位的答案是由緊接其標記之前的 logit 預測，且所有欄位共享一次前向傳遞）；七個準確度測試套件，附有經 SHA-256 驗證的雜湊值與列數；評分程式碼；溫度擬合與重放腳本，其中重放被斷言會改變零個決策；96 個案例的分布校準基準，包含其產生器與離線評分器；以及一個在回送位址上提供服務的瀏覽器示範，使用POST /v1/decisions（別名 /v1/jev）。

什麼被明確排除，用儲存庫自己的話來說：「訓練資料、私人校準／驗證紀錄、影像、準備管線，以及模型權重均未包含。」儲存庫完全沒有授權檔案，因此即使權重採用 Apache-2.0，程式碼的條款仍未載明。而校準分割的組成——是哪 1,728 個案例、來自何處——仍未揭露，這是唯一一項會限制 ECE 數值能被查核到什麼程度的遺漏。

我們實際會配送的尺碼，以及我們不配送的那一個尺碼

Intern-Decision-2B 並未上架 OrcaRouter。我們為它設立的模型頁面會回傳 404，我們也找不到任何為它提供的託管端點，因此這裡的任何內容都不應被解讀為可用性聲明。目前唯一能呼叫它的方式，就是下載檢查點，然後inference.py 與權重檔放在一起執行。

這對本文真正要談的決策很重要，因為一個無人代為服務的評分器，就是必須由你自行維運的評分器。如果你試圖做出的封閉集決策，在形態上與這個家族所做的工作相近——一個狀態、具型別的問題、經過校準的機率——那麼可比較的託管選項就是 TypeSafe's Jev 1.13，這正是 InternLM 刻意拿來做基準測試的模型，而且它在 OrcaRouter 上每百萬輸入 token 收費 0.042 美元，具備 65K 上下文，首個 token 時間的 P50 為 178 毫秒。

在本機執行一個 22 億參數的檢查點，跟呼叫一個代管的分類器，並不是同一筆採購，但它們是同一個問題；而能用同一把金鑰同時取用兩者，且供應商的定價以 0% 加成原樣轉嫁，這正是應該讓比較保持開放、而不是把架構押注在其中之一上的理由。

什麼會改變這幅景象？

三件事，依序。

InternLM 以外的人必須能夠重現 84.68 的平均分與 0.100 的 ECE，而現在讓這件事成為可能的正是那個儲存庫——這才是這裡真正的新聞。這項考試是公開的，而且經過雜湊驗證；唯一缺的是答案卷，而答案卷就是現在任何人都能下載的檢查點。

廠商需要說明這是做什麼用的。一個擁有可用訓練堆疊、已發布評估套件，卻沒有公告、程式碼沒有授權、也沒有託管端點的模型，讀起來就像是尚未拍板成為產品的研究發布。Apache-2.0 權重指向一種解讀；缺少的程式碼授權與 401 Space 則指向另一種。

而中間尺寸需要一個存在的理由。如果 2B 相對於 0.8B 的速度優勢確實存在但幅度有限，而且它的校準在 InternLM 公布的每一項指標上都是三者中最弱的，那麼對大多數讀者最誠實的建議，就是付出 2.6 倍的磁碟空間換取 4B，或者接受較小模型較弱的準確度。支持 2B 的理由，在於它剛好是「快之中的最快」——而這個理由比這個系列那種行銷式的框架所暗示的還要薄弱。