Pareto 26.10 與 Pareto 26.9：一個數字區隔了這兩個版本

比較Pareto 26.10與Pareto 26.9，主要是在檢視沒有改變的事物。相同的供應商、相同的複合架構、相同的 131,072 個 token 最大回應、相同的五個宣告參數、相同的公布費率（在供應商自家的定價頁面上），以及在兩個版本唯一共用的基準測試上，相差 0.1 分，且由較舊的模型佔優。在人們通常用來比較模型的各個層面上，這兩者只是掛著不同版本編號的同一項產品。但有一個層面並非如此，而正是這個層面決定哪些工作負載根本能使用其中任何一個：上下文視窗，其中 26.9 提供 262,144 個 token，26.10 提供 1,048,576 個。像這類版本發布背後的已記錄 AI 故障與代理事件，都收集在 OrcaRouter AI Incident Archive 中，每筆條目都附有各自的來源、嚴重程度、信心等級與爭議標記。

兩者皆已上線。pareto-26.10 是 2026 年 10 月 15 日成為 pareto 別名背後預設版本的發行版，當時 Unbiased 將其正式可用（GA）發行版轉移到此版本；pareto-26.9 則是九月發行版，廠商表示它「仍可供使用」，讓想留下的使用者繼續使用。這就是今日來電者面前的全貌，本頁其餘內容則是背後的細節。

周遭的事實

這兩個模型都記載為可接受文字與影像輸入並回傳文字，且兩者都未公布 Hugging Face 識別碼——在此比較的兩邊，權重都是封閉的，因此沒有可下載並自行託管的內容。兩者都沒有獨立基準測試。兩者都由單一供應商 Unbiased 本身提供服務，這意味著對這兩個版本而言，在供應商自家技術堆疊內都沒有可容錯切換的第二個主機。因此，下文的比較是同一家供應商同一條產品線的兩種配置之間的比較，而非兩個生態系統之間的比較。

脈絡就是整個論點

4 倍上下文提升聽起來像是規格表上的一行數字，直到你把它對應到人們實際如何使用長上下文模型。

在 {{1}}262,144 個 Token{{/1}} 時，完整儲存庫的 agent 工作階段、冗長的客服對話紀錄，或數小時的研究討論串，都是{{2}}分塊問題{{/2}}。你得擷取、摘要、維持滾動視窗，並接受模型看到的是任務的重建版本，而非任務本身。在 {{3}}1,048,576 個 Token{{/3}} 時，這些工作負載就能容納——未必總是舒適，而且在{{4}}沒有快取命中時每百萬輸入 Token 收費 $0.80{{/4}} 並不便宜，但它們確實能容納。這兩個版本在實務上的差異，在於你的管線是否需要在資料與模型之間加入{{5}}檢索層{{/5}}。

這是一個真正的工程決策，也是本頁唯一有站得住腳答案的決策。其餘的差異都小到足以讓人依據品質以外的因素來做選擇。

並排對比，逐項比較

• 模型字串 — pareto-26.10（自 2026-10-15 起為 pareto 背後的預設）對比 pareto-26.9（保留，非預設）。

• 上下文視窗 — 1,048,576 個 token 對比 262,144 個 token。

• 最大回應 — 兩者皆為 131,072 個 token。各版本之間維持不變。

• 模態 — 兩者皆支援文字＋圖片輸入、文字輸出。

• 已宣告的參數 — 在 26.10 上為 max_tokens、temperature、top_p、tools、tool_choice；在 26.9 上為同一組參數再加上 response_format。

• 工具呼叫 — 在 26.10 中，tool_choice 僅限於 auto；由模型自行決定是否呼叫，你無法強制執行。

• 權重 — 兩者皆為封閉；兩筆紀錄中皆無 Hugging Face 識別碼。

• 提供服務的供應商——兩者皆為同一家，即該供應商。

• 公佈費率 — 兩者皆為每百萬 $0.80 輸入 / $0.03 快取 / $3.20 輸出，依據廠商目前的定價頁面。

• DeepSWE v1.1 — 在 26.10 上每項任務 $0.24 達到 69.9%，對比在 26.9 上每項任務 $0.29 達到 70.0%，兩者皆由廠商執行。

其中兩列值得各自獨立成段，因為它們正是常被誤報的項目。

沒有人宣傳的結構化輸出差異

參數清單並不相同。26.9 的目錄記錄在其支援的參數中宣告了 response_format；26.10 的記錄則沒有。26.10 所宣告的介面範圍是 max_tokens、temperature、top_p、tools 和 tool_choice，僅此而已。

請仔細讀這段內容，而不是把它當成標題一瞥而過：某個參數未出現在已宣告的清單中，並不證明端點會拒絕它，而廠商自己的 API 文件也沒有列舉任一份清單。但如果你的管線依賴 JSON 模式或受結構描述約束的輸出，而且你正從 26.9 移到 26.10，並假定較新的版本是嚴格超集，那麼這個假定並沒有任何已發布的內容支持。遷移前請先用你自己的流量測試，或打算在用戶端驗證輸出。這看似小事，卻可能在某個週二演變成事故。

兩份現行費率表對 26.9 的收費各執一詞

這是比較中最混亂的部分，也是最可能影響實際決策的部分。

Unbiased 公布單一價目表——輸入 $0.80、快取輸入 $0.03、輸出 $3.20——且不依版本分開定價。若按字面解讀，這表示 26.10 與 26.9 今日每 token 成本相同，這使遷移免費，而上下文增加成為唯一變數。同時，該模型自身的技術列出紀錄仍保留 26.9 的九月數字：輸入 $2.50、快取 $0.25、輸出 $7.50。撰寫本文時，兩個來源都仍在線上。兩者皆未標註日期，且供應商未發布任何變更日誌項目解釋此調整，因此紀錄中沒有任何可引用的「這一天價格下降了」字句。

實務上的指引並不光鮮。先假設採用較低價的方案，因為你能讀到的三個介面中有兩個會公布它，而其中一個正是向客戶請款的頁面——然後在你把數字寫進預算之前，再核對一次。如果你要把任一版本固定下來做成本歸屬，要知道：跨越 10 月 15 日過渡期的混合月份，事後無法乾淨地拆分，因為這些版本在不同時點有不同的定價，而供應商並未標明其變更日期。

一次得分、零點一分，卻無從下定論

兩者唯一共同的基準測試是 DeepSWE v1.1，而廠商自家數據顯示 26.9 為 70.0%、26.10 為 69.9%。這兩項數字皆由廠商自行執行，較舊的一項是在 30 項任務的子集上而非完整評估集上進行，且 Unbiased 將整個比較描述為未經獨立驗證。

誠實解讀是，這項測量無法區分這些版本。在部分任務切片上，零點一分落在單次執行的雜訊範圍內；把它當成任一方向的排名——「26.10 退步了」或「26.10 更好，因為每項任務成本更低」——都是在捕風捉影。每項任務成本數字差距較大（$0.24 對 $0.29），而且即使是這些數字，也來自不同月份、使用混合模型的執行結果，而該混合模型的底層組成廠商並未揭露。

這張表真正告訴你的是：哪裡不該看。如果你是在品質上二選一，你依據的是一個無法支撐這項選擇的數字。真正能區分這兩者的證據屬於架構層面——上下文視窗與參數面——而這兩者都能以分數做不到的方式被驗證。

依工作負載，該呼叫哪一個

• 在完整儲存庫上進行代理式編碼 — 26.10。1M 視窗是傳送整個儲存庫與傳送其摘要之間的差別。

• 長篇文件或長篇逐字稿分析 — 26.10，出於同樣原因，並留意輸入費用：1M tokens 若沒有快取命中，單是輸入每請求就要 $0.80。

• JSON 模式或受結構描述約束的輸出管線 — 在你親自測試過 26.10 的行為之前，請先使用 26.9，因為 26.9 宣告的參數清單包含 response_format，而 26.10 的則沒有。

• 已投入生產且符合 262K 以內的工作負載 —— 26.9。目前沒有已發表的證據顯示轉移能改善輸出，而固定版本是成本較低的決定。

• 任何你想要供應商目前預設值、又不想維護釘選版本的情況 — 26.10，透過裸 pareto 別名，並理解該別名遵循的是供應商的日曆，而不是你的。

對同時運行建置與驗證迴圈兩端的團隊來說，實用的模式是將 26.10 釘選用於長上下文階段，並保留 26.9 作為對照組——這正是路由層存在的目的。OrcaRouter 並未提供任何 Unbiased 模型，因此這兩個字串都是透過供應商自家的 API 呼叫；我們提供的是一組金鑰與一套整合，適用於你會拿 26.10 與之對照評測的模型，因此評估是否切換並不需要再簽一份合約。OrcaRouter 會將供應商的定價原樣傳遞，0% 加價，這是針對我們實際提供的模型所作的說明，並非針對這一個模型。

沒有人安排的遷移

這項比較之所以是即時實況而非學術探討，是因為這項變更已經發生在那些並未要求變更的人身上。10 月 15 日，pareto 別名從九月版本移到 26.10。任何人只要呼叫這個裸字串，就會在未改動程式碼的情況下獲得四倍的上下文視窗與不同的參數介面——而且由於廠商文件指出未知的模型識別碼不會被拒絕，拼錯的固定指定仍會以 Pareto 提供並計費，而不是明確報錯。

如果你當時改用的是 preview 版本線，那條路已經關閉：Unbiased 已告知 preview 使用者轉移到 pareto 或 pareto-26.10。如果你當時在 pareto 上，並假設它穩定，那麼無論這是否造成問題，這個假設現在都已清楚顯示在你自己的日誌中。

無論哪種情況，修正方式都一樣，而且只要一行：寫出你測試的是哪個版本。帶版本標識的字串，正是讓成本模型可供相減、讓回歸問題可供歸因的關鍵，而這也是這家廠商唯一提供給你的機制，兩者皆然。

什麼仍未經證實

這兩個版本都沒有獨立基準測試。Artificial Analysis 並未為兩者建立頁面，也沒有任何評測者公佈過對廠商測試框架的重跑結果。本比較中的每一項數字——四項分數、每項任務成本數字、上下文視窗——不是由廠商公佈，就是讀自模型的技術登錄紀錄，而且這些分數本身還帶有廠商自家的「初步」與「未經獨立驗證」標籤。

這不是避開任一模型的理由。這是就那些可檢查的事項做出決定的理由：你的工作負載是否適合 262K、你的管線是否需要 response_format，以及你想使用別名還是固定版本。這三個問題都有答案。哪個模型比較好則沒有答案，而且再怎麼閱讀公開規格表也讀不出答案。