
Karpo Decision 31B 對比 Microsoft-Decision-1:一個有價格,另一個有評分
- 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 · 215 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 · 97 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 · 76 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 每百萬 tokens · 109 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 · 68 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
把Karpo Decision 31B與Microsoft-Decision-1並列,你首先會注意到的是,兩家公司都沒有提供你在兩者之間做選擇時所需的東西。Karpo Decision 31B 是 MachinePulse 於 2026 年 11 月 5 日推上 Hugging Face、卻沒有發布貼文的 313 億參數 Gemma 4 微調模型,它有排行榜分數,卻沒有價格。Microsoft-Decision-1 自 2026 年 10 月 8 日起在 Microsoft Foundry 上提供,有價格、有 Azure 合約、有負責任 AI 套件,卻完全沒有公布基準測試表。一個可衡量卻無法販售。另一個可販售,且依其供應商自己的選擇,未被衡量。
那個反轉就是整個比較的核心,而值得克制的是用算術把它化解掉的衝動。Karpo 所帶的 73.86 與 Artificial Analysis 指派給 Microsoft-Decision-1 的 62.07,並不是同一件事的兩種讀數。它們來自不同的評測榜單、不同的任務組合、不同的評分公式,以及對決策模型用途的不同想像。有用的問題不是哪個數字比較大,而是這兩個缺口——缺失的價格或缺失的分數——你的部署實際上能吸收哪一個。
微軟究竟在賣什麼
Microsoft-Decision-1 是一個經後訓練的 Qwen3.5-9B,會以各選項上的分佈作答,而不是以散文作答。其契約範圍很窄:是/否、選擇題、評分量表、分類集合或評分規準,處理最多 32,768 個 token 的文字。不支援圖像、音訊,沒有解釋欄位,也不會生成 token。Microsoft 明確表示,它不適用於開放式問題、翻譯或摘要,並建議不要將其作為信貸、就業、住房、保險、教育或醫療保健相關決策的唯一依據。
它確實帶來的是開放式檢查點無法提供的那一部分:Direct from Azure 產品組合中的 Foundry 部署、無伺服器或統一端點、標準 SKU、Azure 驗證、單一帳單、刻意關閉批次推論,以及沒有權重下載或微調途徑。對銀行或醫院集團而言,最後這組事實往往比排行榜上的二十分還更有價值,因為這正是平台團隊可以核准的模型,與平台團隊必須為其建置推論服務堆疊的模型之間的差別。
價格確實存在,但很難直接報價。模型頁面並未列出每 token 的費率;而是連到 Azure 的定價頁面。Artificial Analysis 為其追蹤到的是:以輸入費率計,每百萬個任務 143 美元;相較之下,Google 的 Gemini Decision 1 為每百萬個任務 345 美元。Karpo 沒有可比較的數字,因為 Karpo 完全沒有任何價目表——沒有代管服務、沒有主控台、沒有試用方案,也沒有公開的每 GPU 成本。
董事會衡量了什麼,又沒有衡量什麼

Karpo 的分數是社群分數。Decision Index 這個追蹤 TypeSafe 的 Jev 復現結果的開放排行榜,在 0.4.1 版中把它列為 73.86 Full——在該排行榜公開匯出資料的 307 筆資料中並列第一,與 GLiDE 27B 的 73.37 並列,因為排行榜會把與領先者差距在 0.9 分以內的任何結果歸為同一組。那個 Full 分數在重要意義上屬於第三方:排行榜維護者跑了廠商從未看過的私人測試,大致拆分為 60% 同類技能與 40% 新領域。Karpo 的拆分得分在熟悉技能上是 70.94,在不熟悉技能上是 61.5,這對一個針對已知測試套件嚴格調校過的模型來說是常見型態。
模型卡上的 75.05 完全是另一回事,而模型卡對此也很坦誠:那是 MachinePulse 自行以官方評分套件跑出的結果,140,178 筆已評分請求中有 11 筆因超出視窗而被拒;在套件重新評分結果與其聲稱值相同後,獲董事會採納。公開且可重現,但仍屬第一方。董事會自己的資料列確認了這項採納,並指出與提交資料列的私測一致率在 827 列中為 100%。
Microsoft-Decision-1 完全沒有這些。它的目錄頁有一個「基準測試」分頁,裡面只有一段方法論說明,沒有任何數據:公開與社群決策基準、留出的內部資料集、準確度與校準誤差、選項順序經過變換、套用配對統計檢定。Microsoft 表示該模型的表現「與領先的決策模型相當,並優於以相同方法論評估的其他開放決策模型」,然後拒絕展示評估結果。如今對它的每一項效能宣稱,都是廠商自行報告且未經重現。
唯一對它進行評分的工具是 Artificial Analysis,採用 Decision Index v2.1;其各組成部分的資訊量比總分更有意義。Microsoft-Decision-1 在 When2Call 上得分 88.0,接近領先者;在 EvalSafe-O*NET 上得分 86.8。它在 AA-Paperclip 上得分 51.8,全有或全無的文件通過率為 20.9%;在 AA-Omniscience-Decision 上得分 54.9,非幻覺率為 21.7%;在 HLE-MultiChoice 上得分 39.4,原始準確率為 8.6%。這個模式顯示出它是一個稱職的工作場所判斷評分器,但知識行為偏弱;而拒答數字才是值得深思的一項:一個對 78% 的知識問題拒絕作答的模型,是在以有用性為代價來保護其校準。
請求的形態,並排對照

• 參數 — Karpo 31.3B 以 bf16 精度運行,外加一個 255 × 5,376 fp32 讀出層,磁碟上約佔 62.5 GB;Microsoft-Decision-1 是 9B 稠密基礎模型,僅以 API 形式提供。
• 輸入 — Karpo 接受文字、JSON 與圖片,並將螢幕截圖透過 state.viewport_screenshot 傳入;Microsoft-Decision-1 僅接受文字,並序列化為 32,768 個 token。
• 上下文 — 兩者皆為 32,768 個 token,但在失敗模式上有重要差異:Karpo 會依問題拆分長請求,並拒絕任何仍無法容納的內容;而 Microsoft 的上限則是輸入加上選項集,且無法調高。
• 題型 — Karpo 選擇題最多 255 個選項,noul 用於是非題,score 用於有序等級;Microsoft 的是非題、選擇題、評分、分類與評分規準,並於選項組內支援如「無法判斷」的棄答選項。
• 批次處理 — Karpo 會將一個狀態與許多問題編碼進單一序列,因此針對同一張發票的一百個問題,成本大約只需對該發票進行一次處理;Microsoft 公布的合約則是每次呼叫處理一個狀態及其問題集,並透過分組來達成廣度。
• 延遲 — 在追蹤器的參考硬體上,Karpo 每次請求的中位數為 94 毫秒,使用單一 GPU、一次處理一個請求;依 AA 的測量,Microsoft-Decision-1 每項任務為 274 毫秒,這是以一組文件為單位的每項任務數值,而非每次請求的數值。
• 授權與存取 —— Karpo 提供 Apache-2.0 授權的權重,並同時附上 Gemma 4 的條款;Microsoft-Decision-1 則完全不提供權重,僅以 API 形式依 Azure 條款提供。
• 價格 — Karpo 沒有公開費率;在 AA 對 Microsoft-Decision-1 的追蹤資料中,每百萬項任務為 143 美元,而每 token 的輸入費率是列在 Azure 定價頁面上,而非模型卡上。
校準是雙方都有話可說的軸線
對於一個整體輸出就是機率的模型而言,決定是否部署的數字不是準確率,而是這個機率是否名副其實。Karpo 的模型卡回報校準誤差為 4.8 個百分點:在 34,411 筆已評分回應中,其平均信心為 87.96%,而準確率為 83.19%;在最高信心區間——占所有回應的 68.5%——它宣稱 98.7%,但實際有 95.7% 的時候是正確的。這是一個可以設定閾值的模型,且在高信心端有已知的漂移。
Microsoft 並未公布期望校準誤差、Brier 分數或可靠性曲線。AA 的元件分數所暗示的,是一個信心運用得相當保守的模型:其在 Omniscience 與 HLE 上偏高的非幻覺率,意味著它在不確定時會選擇棄答而非作答;這正是護欄想要、而分類器不要的行為。其 0.8 在 Microsoft 自家評估之外是否仍代表 0.8,仍屬未知;Microsoft 的文件也以自己的方式表明了這點,告訴整合者要在具代表性的資料上驗證,並依其錯誤成本來設定閾值。
這種不對稱有一個實際後果。使用 Karpo,你會繼承一條已發表的校準曲線,並可在執行任何作業之前先設定起始閾值。使用 Microsoft-Decision-1,你繼承的是一套方法論與一項承諾,而你的前兩週會是一個量測專案。兩者都不構成淘汰理由;它們只是不同類型的工作。
沒有任何人的標題提及的那個版本
Microsoft-Decision-1 已不再是其自身家族中的現行模型。Microsoft-Decision-1.1 於 2026 年 11 月 17 日在 Ignite 登場,基於 Gemma 4 26B A4B 混合專家架構基礎模型,價格相同、32K 上限也相同,而 Artificial Analysis 給它的評分為 67.78——比版本 1 高 5.7 分,每項任務耗時 123 毫秒而非 274 毫秒,且在 Omniscience 上的非幻覺率從 21.7% 升至 49.4%。它在評分器理應保持穩定的那些方面也變得更差:在 HLE-MultiChoice 上的原始準確率為 6.29%,對比 8.64%;而在 AA-Symmetry 題目家族中有一致作答的比例為 47.5%,對比 51.7%。
因此,任何在十一月下旬把 Karpo 与「Microsoft 的决策模型」进行比较的人,实际上都是在把它与一个已被取代的版本作比较。这并不会让这项对比失去意义——版本 1 仍然是许多 Foundry 部署在规划规模时所依据的基准——但这确实意味着,在 Microsoft 一方需要超越的数字是 67.78,而二阶问题则是:一个以知识准确性换取弃权纪律的模型,究竟是否从一开始就适合你的管线。
每一方無法給你什麼
Karpo 無法給您一份合約。沒有端點、沒有價目表、沒有支援管道、沒有 SLA,也沒有模型卡和 README 之外的廠商聲明。如果您的組織無法在自己的硬體上執行 62.5 GB 的檢查點,那麼無論分數如何,比較都到此為止。將它當作一般聊天模型載入,也無法重現它的回答:分支注意力和 255 代碼讀出兩者都是必需的,而 Python 套件以及 POST /v1/systemone 伺服器之所以存在,正是因為通用推論堆疊無法勝任。
Microsoft-Decision-1 無法給你一個你未經信任就接受的數字,無法用你自己的決策資料進行微調,無法讀取螢幕截圖,也無法離線運行。你也無法用與 Karpo 相同的工具對它進行基準測試,因為 Decision Index 是公開可重現項目的登記冊,而封閉 API 模型沒有可供重現的權重。這兩個模型將一直彼此錯過:某個榜單永遠不會列出 Microsoft 的評分器,而 Artificial Analysis 也沒有 Karpo 的條目。
還有第三種選擇,比上述任一欄都更有用。如果你真正需要的是緊鄰生成式管線的決策層,那麼生成器是你已經可以標準化的那一半。OrcaRouter 並不託管 Karpo Decision 31B 或 Microsoft-Decision-1,而這兩者都不該放在 chat-completions 路由後面。它實際託管的是這場比較不斷圍繞的兩個模型:Gemma 4 31B,也就是 Karpo 微調所依據的基礎模型,以及 TypeSafe 的 Jev 1.14,也就是開放復現排行榜設立所要追趕的模型。兩者都位於同一把 OpenAI 相容金鑰之後,與 200+ 款其他模型並列,依供應商牌價原樣提供、不加價,因此供應商降價當天就會反映在我們這邊,而 自動容錯移轉能讓評分迴圈持續運作,即使單一供應商不穩。
該選哪一個

採用 Microsoft-Decision-1,或更明智地採用 Microsoft-Decision-1.1,前提是決策層必須位於 Azure 環境內、你更需要核准軌跡而非排行榜名次,且你的輸入是能容納於 32K 的文字。請為校準研究編列預算,因為 Microsoft 並未提供你這類研究;並依你的錯誤成本、而非依廠商對這些錯誤的描述,來設定你的棄權閾值。
若你有 GPU、若工作內容包含截圖或 JSON 狀態、若 Apache-2.0 對你打算出貨的產品很重要,且若第三方私測分數加上已公布的校準曲線是你團隊所接受的證據,就採用 Karpo Decision 31B。但交換條件是:你現在就是供應商本身:沒有支援、沒有 SLA、沒有可據以編列預算的價格,而且這是一個才兩週大、其儲存庫在 11 月 16 日還在被編輯的模型。
不要僅憑 73.86 對 62.07 就選擇任一方。這些數字是由從未評閱同一份試卷的組織所產生,且各自使用的測試套件在私有測試占比與評分公式上都不同;誠實的解讀是,兩個模型都具可信度,且彼此都未被證明優於對方。能定奪的測試——Karpo 出現在同時也評分 Microsoft 模型的獨立評測榜上,或 Microsoft 公布其方法論章節所述的結果表——尚未發生。在它發生之前,決策取決於採購、硬體與輸入模態,而這本來就該是決策依據。
