
Karpo Decision 31B 在涵蓋 307 個模型的排行榜上奪冠,卻沒有屬於它的發布貼文。
- Orca新OrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 每百萬 tokens · 184 tok/s
- tencent新Tencent: Hy4 Flash2026-11-16$0.02 / $0.07 每百萬 tokens · 223 tok/s
- Google新Google: Gemini 4 Carbon2026-11-10$2.00 / $10.00 每百萬 tokens · 87 tok/s
- Anthropic新Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 每百萬 tokens · 96 tok/s
- orca新Orca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 每百萬 tokens · 90 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 每百萬 tokens · 131 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 每百萬 tokens · 77 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 每百萬 tokens · 94 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 每百萬 tokens · 114 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 每百萬 tokens · 69 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百萬 tokens · 94 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百萬 tokens · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447智能
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 每百萬 tokens · 209 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929智能
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 每百萬 tokens · 111 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733智能
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 每百萬 tokens · 311 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740智能
2026 年 11 月 12 日,Decision Index——這個追蹤 TypeSafe 的 Jev 開放複現成果的社群排行榜——將Karpo Decision 31B在其 Full score 中排在首位,分數為 73.9,是 307 個項目中的最高分。同一週,開始流傳一種說法:這個模型是 Google 開放模型 Gemma 4 31B 的微調版本,能擊敗 Google 自家的Gemini Decision 1。這兩項說法中,只有一項是讀者今天能夠查證的,而兩者之間的差別正是整件事的關鍵。將 Karpo 排在第一的排行榜是公開的、有日期標註的,且可從該實驗室發布的 45 MB 結果檔案重現。與 Gemini Decision 1 的正面對決從未進行過:這兩個模型不在同一個排行榜上,而且它們被評分時所用的工具也不是同一套工具。
前半段之所以奇怪,不在於分數,而在於圍繞它的沉默。Karpo 背後的加坡公司 MachinePulse Pte. Ltd. 於 2026 年 11 月 5 日建立了 Hugging Face 儲存庫,同日在 GitHub 發布了推論儲存庫,並於 11 月 12 日推出五個較小的同系列模型——12B、9B、4B、2B 和 0.8B。截至本文撰寫時,沒有產品頁面、沒有部落格文章、沒有定價、沒有模型公告,也沒有 API。公司自家網站上,所有應該放這些內容的路徑都回傳 404。Karpo 僅以權重、README、Python 套件和排行榜上的一列存在。本文要談的是,這四樣東西能告訴你什麼、不能告訴你什麼。

這些日期,以及它們為何比往常更重要
儲存庫建立時間戳記為 2026 年 11 月 5 日 15:33 UTC。GitHub 推論程式碼則在二十二分鐘後建立。Decision Index 執行資料集——也就是讓 73.9 得以可稽核的那項東西——是在 11 月 6 日 05:18 UTC 上傳的。README 到 11 月 16 日仍持續在編輯,最後兩次提交只改了一行著作權聲明和一段授權條款陳述,其餘什麼都沒動。
那是一個問世兩週的模型,擁有活躍的程式碼倉庫,卻沒有正式發布。它不是外洩,也不是某個較舊東西的改名:權重是新的,授權檔案是新的,而且六個模型的家族是在一個下午內推送上去的。它是什麼呢?就是一個決定先發布產物、再進行行銷的實驗室。
73.9 究竟衡量的是什麼

Decision Index 目前是 0.4.1 版。其 Full 分數由該委員會的維護者透過私有測試計算:約 60% 的任務取自與公開測試套件相同的技能,40% 則來自公開測試套件未涵蓋的領域。Karpo 那一列顯示 Full 為 73.9,其中同技能部分為 70.7,新領域部分為 78.6。最後這兩個數字的順序並不尋常——模型通常在不熟悉的領域上,表現會比在其受調校過的技能上更差——而卡片未加評論地呈現了這一點。
榜單會將與領先者差距在 0.9 分以內的模型並列同一名次,因此 Karpo 並非獨占第一。GLiDE 27B 以 73.4 分並列第 1 名。緊隨其後的是 REAX 1.3(72.6)、Logits Sigma-1 Duo(72.3)、Copernicus-31B(72.1)與 KnowLine 31B Gen1.5(71.9)。這是競爭激烈的領先群,而非一枝獨秀。
卡片上的第二個數字 75.05 來源不同,也值得以不同方式解讀。那是公開指數,來自 MachinePulse 自行執行官方評分套件的結果——140,178 個已評分請求,其中九個遭到拒絕,因為單一問題加上其狀態超過了 32,768 個 token 的視窗。董事會採用了該次執行結果。相較於一般廠商數字,值得更信任它的原因在於執行目錄是公開的:results.jsonl.gz、逐請求分數檔、環境清單。任何人都能重新執行套件並進行比較。董事會自身的採用即是審查步驟。這比大多數發布聲明所達到的標準更嚴格,但仍不等同於由獨立實驗室在其自有硬體上對模型評分。
那麼,會有兩個標籤,且不應將它們合併:Full 分數是由第三方根據私有測試計算而得;公開指數則是由第一方根據公開測試套件計算並採用。兩者都不是一般意義上的廠商基準測試。兩者也都不是 Artificial Analysis。
為什麼「勝過 Gemini Decision 1」還不是一項經過實測的陳述?
Gemini Decision 1 有一個分數。Artificial Analysis 在 Decision Index v2.1 上給它 65.98 分,該指數是由六項評估組成的綜合分數,權重涵蓋文件決策、工具呼叫、知識、推理與不變性。在該榜單上,它在 AA 所排名的決策模型中位列第十一,低於 74.85 的 d1.2-ultra、72.62 的 Drex Max v1.1 與 72.58 的 SubQ Snap 1.2,高於 62.07 的 Microsoft-Decision-1。評分是 AA 的,在 AA 的硬體上進行,執行成本為每百萬個任務 345 美元。
Karpo 完全沒有出現在那個看板上。Artificial Analysis 沒有它的頁面,也沒有它的資料列。Gemini Decision 1 也沒有出現在收錄 Karpo 的 Decision Index 追蹤器中——那個看板是公開重現版本的登記冊,而 Google 的模型是封閉、僅提供 API 的產品,沒有可供重現的權重。
所以,大家所做的比較,是根據兩個組織在兩套套件上產生的兩個數字推論而來;而這兩套套件的工作任務組成不同、私有測試占比不同,評分公式也不同。無論從哪個經得起方法論檢驗的角度來看,73.9 都不比 65.98 大。如果明天把這兩者放進同一套工具裡跑,Karpo 很可能會贏——它的分類別表現很強——但沒有人跑過,而目前的那個頭條結論,只是一個披著結果外衣的假設。
有一個值得知道的額外細節,因為這點不利於該說法,而非支持它。在該追蹤器的五個類別細分中,Karpo 最弱的一環是知識與推理,其經機率校正的技能分數為 65.5。最強的是工具與自動化,為 88.4。在 AA 的排行榜上,Gemini Decision 1 幾乎勝過所有項目的單一成分,就是知識項目:在 AA-Omniscience 上拿到 66.3,是此處受檢的四個模型中最高的。Google 模型最擅長的領域,正是 Gemma 微調模型相對最弱的領域。若進行正面對決,那會是一場真正的較量,而非一面倒;正因如此,這場尚未實際進行的比較不應被報導為勝利。
卡片中比排名更有趣的部分

Karpo 不是具備 JSON 模式的聊天模型。它是一種讀出機制。問題中的每個選項都會獲得一個選項代碼,線性頭會在固定槽位對 255 個代碼評分,然後對問題實際提供的選項進行 softmax。不會生成任何內容,因此答案始終是你提供的其中一個選項,而輸出成本在結構上為零。
這套架構值得用一段來說明,因為它解釋了延遲。一個請求是一個狀態加上任意數量的問題,並編碼成單一序列:問題在前,接著是狀態,然後每個問題各一個分支。分支注意力讓一個分支能讀取共享區塊與自身,絕不會讀取另一個分支。狀態只計算一次。因此,針對同一張發票的一百個問題,成本大約是對該發票進行一次處理,而不是一百次。
• 參數 — 以 bf16 表示為 31.3B,外加一個 255 × 5,376 的 fp32 讀出層;磁碟上約 62.5 GB。
• 上下文 — 每個序列 32,768 個 token;較長的請求會按問題拆分,每個部分都攜帶完整狀態,而仍然無法容納的問題會被拒絕,而不是被截斷。
• 輸入 — 文字、JSON 與圖片;螢幕截圖可透過 state.viewport_screenshot 或資料 URL 傳入。
• 題型 — 選擇題,最多 255 個選項,noul 用於是非題,評分 用於有序等級。
• 介面 — 以 System One 形式提供的 Python API 與 HTTP 伺服器,POST /v1/systemone。
• 授權條款 — 權重與程式碼採用 Apache-2.0,並在儲存庫中一併附上 Gemma 4 本身的授權條款。
在追蹤器的參考硬體上、以單一 GPU 一次處理一個請求所測得的延遲,中位數為 94 毫秒。這個速度還不足以在每一回合發出二十次小型呼叫的逐步代理迴圈中做到讓人察覺不到,但已足以支撐一個每次對話只觸發少數幾次的工具呼叫閘門。這張模型卡另外回報了 4.8 個百分點的校準誤差,而這正是部署與否真正取決於的數字:準確率告訴你最高分答案有多常是對的,校準則告訴你附加在它上面的機率是否能拿來設閾值。
尚未確認的部分,直白說明
沒有價格。不是「上市前暫不公開」——沒有價目表、沒有託管端點、沒有主控台、沒有試用。如果你今天想要 Karpo Decision 31B,你得下載 62.5 GB,並用該儲存庫自帶的載入器在自己的 GPU 上執行。把檢查點當成一般聊天模型載入,並不會重現它的回答;分支注意力與讀出機制兩者都不可或缺。
沒有獨立評分。Decision Index 是非官方且由社群維護的。它謹慎、紀錄完善,且對方法異常透明;它不是 Artificial Analysis,也未被要求在自身硬體上為這個模型評分。最有力的第三方要素是,其維護者在廠商從未見過的測試上計算出 Full 分數。
除了 README 本身的描述之外,沒有任何廠商聲明說明這個模型是為何而打造:代理在每一步所做的小型判斷——要呼叫工具還是先詢問、要點擊頁面上的哪個元素、某項退貨是否符合某項政策的資格。那段描述是實驗室的框架設定,並非經獨立驗證的範圍。
而且完全沒有公告。不是低調的那種,也不是更新日誌裡的一條記錄。權重上線兩週後,這家公司對外呈現的門面,是一個招聘頁面和另一條產品線。
這會讓想要嘗試它的團隊處於什麼境地
誠實的總結是,Karpo Decision 31B 是過去兩週最有趣、卻也最缺乏佐證的開放式決策模型。它的領先是真實的,但只是並列;它的公開指數可重現;它的私測分數確實來自第三方;而它的核心行銷主張——一個 Gemma 微調版本如今能在 Google 自家的決策模型上擊敗 Google——並未經實測。
對於已經在運行決策層的團隊而言,實務上的做法是影子部署,而不是遷移。保留目前承載生產流量的模型,對相同請求離線執行 Karpo,並比較機率而非標籤:4.8 個百分點的校準誤差意味著大約每二十個答案就有一個,其錯誤的信心程度高於其標示機率所暗示的;而你的閾值策略會決定這究竟會變成人工審查佇列,還是事故。如果你要為堆疊其餘部分標準化到單一端點,本週你實際能存取的模型就是目錄上的那些——Gemma 4 31B 本身,也就是 Karpo 的基礎模型,並透過one API 以供應商定價、無加價提供 200+ 模型,以及TypeSafe 的 Jev 1.14,也就是這整個開放復現排行榜打造來追趕的模型。Karpo 必須像其他模型一樣贏得它的位置:讓自己可被呼叫。
值得注意的不是 73.9,而是 MachinePulse 是否會在接下來一個月內推出產品頁、公布價格,並向 AA 提交。一家先在網站上線前發布權重的實驗室,通常是有原因的,而這個原因往往會以託管端點或轉向的形式出現。無論如何,AA 榜上的第一個獨立數字,將在一週內定案排行榜算術算了兩週仍未能定案的事。
