UserRepGen-4B 對上 Intern-Decision-4B：兩個團隊微調了同一個 4B 基礎模型，卻毫無共識

兩次靜悄悄的發布，相隔五週，從同一個檢查點分支而出。microsoft/UserRepGen-4B於 2026 年 10 月 14 日以 9.1 GB bfloat16 儲存庫的形式上架 Hugging Face，沒有任何公告；internlm/Intern-Decision-4B則在 2026 年 9 月 26 日 05:36:37 UTC 現身於一個四十秒的發布視窗中，同一個視窗還催生了 0.8B 與 2B 版本，同樣毫無預告。兩者都是 Qwen3.5-4B的 LoRA 微調版本，兩者雖然都掛著一座從未派上用場的視覺塔，卻都只處理文字，兩者回傳的都是僵硬固定的結構而非答案——而它們對於這個模型究竟是為了什麼而存在，看法再分歧不過。Intern-Decision-4B 從不寫出任何詞元。UserRepGen-4B 除了詞元什麼都不寫。這篇比較中的其餘一切，都源自這一道分岔。

一位是得分手，另一位是作家。

InternLM 的說明卡對自身機制異常直白：「這個 API 執行結構化的候選評分。它不會呼叫 generate() 或取樣自由形式的文字。」你交給它一個狀態、一份具名問題的結構描述，以及一組候選答案。它把選項映射到單一 token 符號上，執行一次因果前向傳遞，讀取每個佔位符前一個位置的 logits，套用擬合出的溫度 1.99241824，並回傳每個選項的校準後機率。一次傳遞。沒有取樣，沒有解碼迴圈，沒有文字。

UserRepGen-4B 將其反轉。你交給它一段已完成的對話。它會在兩個 JSON 欄位中輸出最多 1,024 個詞元的文字——一個任務描述和一個 user_behavior 描述——而模型卡在另一個方向上也同樣直白：該模型「生成的是表徵，而非模擬的使用者回合」，它不會執行使用者的任務，也不是模擬器。

將兩者並排比較，工程上的後果立刻顯現。

• 輸出成果的價值 — Intern-Decision-4B 回傳的是一個你可以設定閾值、取平均並稽核的數字。UserRepGen-4B 回傳的則是一段文字，其品質只有 LLM 評審才能評分，而這正是 Microsoft 評估它的方式。

• 每次呼叫成本 — 一次對固定提示詞的前向傳遞，對比最多 1,024 個生成的 token。這是大約 44 毫秒與一次完整解碼執行之間的差異，也是為什麼決策模型能待在迴圈裡，而表徵模型不行。

• 意義所在之處 ——InternLM 認為答案應該已經能在提示中列舉出來，因此模型只需排序。Microsoft 則認為答案潛藏於對話之中，因此模型必須寫下它。排序是有界且可驗證的。寫作則是開放式的，需要評判者。

輸入上限，以及它們對押注的啟示

兩張卡都公布了硬性上限，而比較這兩者，是看出這兩個團隊如何以截然不同的方式界定同一個基礎模型範圍最快的方法。

Intern-Decision-4B 拒絕處理超過 8,192 個 token 的工作。那是一種拒絕，不是截斷——這項設計選擇表明，該模型是為那些精簡到能在提示中完整陳述的決策而設計。

UserRepGen-4B 是在 9,216 個符元的序列上訓練：最多 8,192 個提示符元涵蓋整段對話，外加 1,024 個完成符元用於表徵。模型卡還補充說，超出該長度的擴展上下文用途「不獲此版本支援」，而且長上下文效能從未另行進行基準測試。因此，相同的 8,192 符元上限在雙方都出現，卻是各自獨立得出的，出自兩個想必無法得知彼此工作的團隊。

那樣的趨同就是有用的發現。{{1}}在 2026 年中，基於這個基礎模型所做的 4B 微調，是一個規模僅針對單一格式良好提示的元件——而不是長上下文引擎。{{/1}}兩個發行版都對這點很誠實。兩者都沒有把它藏在更大的宣傳視窗背後。

兩者都發表了一則校準故事，而它們並不是同一個故事。

這正是取材變得棘手之處，因為這兩項評估無法相提並論，且皆未在其各自實驗室之外被重現。

Intern-Decision-4B 發布了一套七項測試套件的基準，平均得分 90.02——在它自己的表格中是最亮眼的一列，領先 Intern-Decision-2B 的 84.68 與 Intern-Decision-0.8B 的 79.38，這些全都是在 InternLM 自家的測試框架上測得的。它同時公布了校準結果：Brier 分數 0.347，期望校準誤差 0.065。另一項採用精確參考分布的 96 案例先導測試，在套用其擬合溫度後，從 0.628 Brier 與 0.213 ECE，變成 0.550 與 0.089。這些數字全都是廠商自家的，InternLM 以外沒有任何單位查核過。

UserRepGen-4B 在一到十的評審量表上公布了一份保真度表——最佳 1 次為 4.95，最佳 3 次為 6.02，而現成使用的 GPT-5.5 則是 3.90 和 4.90，未調校的基礎模型為 3.41 和 4.42。這些數字全都是微軟自己的，由 GPT-5.4 mini 同時扮演模擬器、助手和評審產生，微軟以外沒有人查核過。

真正重要的不對稱並不在於分數——它們是在不同尺度上衡量不同的東西。而是在於：Intern-Decision-4B 公佈了一套相對於已知參考分佈的適當評分規則，這在構造上即可證偽；而 UserRepGen-4B 公佈的是 LLM 評審分數，只有透過執行另一個評審才能證偽。InternLM 打造了一個能用算術稽核的模型。Microsoft 打造的則必須用另一個模型來稽核。既然兩者都宣稱已超越基線，這種可稽核性的差異，就是你實際在兩者之間做選擇時的一部分。

那份隱私發現，只有其中一個會列印。

Intern-Decision-4B 的模型卡中沒有值得一提的隱私章節。UserRepGen-4B 的模型卡則包含一個應該讓任何團隊停下腳步的數字：在超過 147 名使用者中，要求選擇器從四段對話中挑出哪一段來自同一個人時，使用模型的行為描述可達到 51.02%，而使用完整原始對話為 44.22%，隨機則為 25%。這種壓縮表徵辨識出該人物的表現優於其衍生自的原始素材。

Microsoft 將其標示為可連結性風險，並直言表徵並非匿名化資料。這是正確的處理方式，而這項警告適用於整個模型類別——包括決策模型，其自身的輸入是有關人們處境的對話。差別只在於其中一張卡這麼說，另一張沒有，而這並不等同於其中一個模型是安全的。

兩者都不是 API，但它們共用的基礎是

這兩個都是下載項目，不是端點。Intern-Decision-4B 是以 Python DecisionEngine 類別的形式發布，載入一次後重複使用；它的示範 Space 回應 401，而它的 GitHub 連結則是 404；UserRepGen-4B 則發布單一未量化的 safetensors 檔案和一個 example.py。OrcaRouter 兩者都沒有。如果你說的是其中任何一個目前可透過託管 API 取用，那你描述的是計畫，而不是事實。

真正可呼叫的，是它們兩者所分支出的那個檢查點。Qwen3.5-4B 的家族就在我們的型錄上——Qwen3.5-Flash以每百萬輸入 token 0.10 美元、每百萬輸出 token 0.40 美元的價格，提供超過百萬 token 的上下文，Qwen3.5-35B-A3B為 0.057 與 0.459 美元，Qwen3.5-27B為 0.086 與 0.688 美元——全都用同一把金鑰，全都依供應商定價表收費，不加收任何費用。對於流程中不屬於這兩個模型的部分來說，這很實用：模擬的助理端，或是決策呼叫周遭的推理步驟，都可以透過同一個端點執行，而你在本機評估微調後的模型。

如何選擇

如果你的問題是一個有界、答案可枚舉的問題，而且你需要每秒一萬次取得經過校準的數值，那麼 Intern-Decision-4B 是這裡唯一做得到的模型，而它從不取樣這件事是特色，而不是限制。如果你的問題是你想要一個行為像真實使用者的模擬器，UserRepGen-4B 是這裡唯一為此訓練的模型，而它相對於 GPT-5.5 所回報的增益幅度，就是值得關注的原因。任何人都不應該根據另一方的數字來選擇其中一個，因為它們從來沒有測量同一件事。能夠平息這項比較的，是對任一方的模型卡進行一次外部審查——而對於兩個相隔數週、在全然沉默中發布的版本，兩者都未曾有過任何外部審查。

兩次低調的發布也提醒我們，這類模型中有多少是在缺乏說明文件的情況下推出的，而隨之而來的失敗案例則收錄於OrcaRouter AI Incident Archive，其中每筆記錄都附有自己的來源、嚴重程度、可信度等級和爭議標記。