反超谷歌王牌模型!决策新王拿下全球榜首,全尺寸开源

资讯 凤凰科技 作者:新智元 全文 4975 字 · 约 13 分钟读完 配图 15 张 分类决策模型Google开源

开源黑马Karpo击败谷歌闭源王牌,登顶全球决策模型榜首

所属频道 大厂动态开源生态前沿研究

反超谷歌王牌模型!决策新王拿下全球榜首,全尺寸开源(配图 1)

硅谷最卷的新赛道,刚刚杀出了一位开源新王!

最近,即将敲钟的Anthropic在IPO材料中曝出天价算力缺口,给狂卷参数的AI行业当头浇下一盆冷水。

通用大模型虽在编程、数学上大杀四方,可一旦真替人干活,算力账单就成了无底洞。

比生成文本更耗Token的是长链推理,而比推理更烧钱的则是操作浏览器,单次平均开销比复杂推理还要贵出4.8倍!

反超谷歌王牌模型!决策新王拿下全球榜首,全尺寸开源(配图 2)

极度焦虑中,硅谷的「决策模型」大战全面打响。

初代标杆Jev率先开辟了「不写字、只判断」的快思考赛道,OpenAI、微软、亚马逊与Cloudflare等巨头紧随其后纷纷下场。

前两天,谷歌CEO劈柴也亲自下场,高调推出闭源决策模型Gemini Decision 1。

反超谷歌王牌模型!决策新王拿下全球榜首,全尺寸开源(配图 3)

巨头混战、炮火连天。一匹开源黑马Karpo Decision 31B强势杀出!

在300个模型同台厮杀的Decision Index权威评测总榜上,它一举冲上榜首,夺得全球第一!

反超谷歌王牌模型!决策新王拿下全球榜首,全尺寸开源(配图 4)

https://huggingface.co/spaces/multimodalart/jev-decision-index

这次,0.8B到31B全尺寸Karpo Decision家族已全部开源!

其中,夺冠的31B旗舰单卡中位延迟低至94毫秒,校准误差压到0.023,单题最多可同时评估255个选项。

反超谷歌王牌模型!决策新王拿下全球榜首,全尺寸开源(配图 5)

硬刚谷歌闭源王牌

开源黑马三局连胜

不同于逐字生成的传统大模型,Karpo Decision专为AI智能体的高频拍板而生。

只需输入当前状态和问题,它一次前向推理就能直接算出所有选项的概率,全程不生成任何Token。

靠着这套极速判断机制,Karpo开源即登顶总榜第一,并在多项评测中正面击败了谷歌闭源王牌Gemini Decision 1!

更戏剧性的是,这匹夺冠的开源黑马,还是用谷歌自家的开源底座Gemma 4 31B后训练出来的。

反超谷歌王牌模型!决策新王拿下全球榜首,全尺寸开源(配图 6)

在目前公认最权威的Decision Index与JevBench两大独立榜单上,Karpo把闭源与开源对手赢了个遍。

其中,Decision Index横跨37项公开基准与未公开的私有题库,吸引全球300个模型同台打榜。

JevBench则由独立机构在自有显卡上全程断网盲测,1500道考题中有1200道永久封存。

在这份Decision Index总榜上,Karpo以73.9分一举夺魁,远超初代标杆Jev 1.14的60.2分。

不仅分数领先,它的中位延迟也只有94毫秒,比Jev 1.14的196毫秒快了整整一倍!

而真正拉开差距的,是防刷榜的私有题库盲测。

公开榜前十名的模型一旦进入同技能私有盲测,成绩平均要暴跌6.8分。

唯独Karpo只掉了4.3分,在前十名里抗跌能力最强,到了全新领域私有题上更是拿下78.6分!

反超谷歌王牌模型!决策新王拿下全球榜首,全尺寸开源(配图 7)

而在与谷歌Gemini Decision 1交锋中,Karpo打出了漂亮的多连胜。

虽然两边在JevBench公开集上同以92.2%打平,但一进到真实Agent考场,高下立判。

第一场较量,比的是Agent最核心的行动判断。

以权威基准When2Call为例,它专门考验Agent在对话中「该调工具、追问还是停手」。

在这项测试里,Karpo一举拿下90.4%,比谷歌的79.9%高出10.5个百分点。

而在看网页截图点按钮的Mind2Web多模态测试中,Karpo同样以90.0%力压谷歌的86.2%。

第二场较量,来到考验言外之意与细粒度分类的赛场。

在考验读懂隐含语气的纽约客漫画配文测试里,Karpo飙到90.5%,把谷歌的79.7%甩开10.8个百分点!

到了商品意图极其细碎的Amazon ESCI电商分类中,Karpo也以64.7%稳压谷歌的58.7%。

反超谷歌王牌模型!决策新王拿下全球榜首,全尺寸开源(配图 8)

第三场较量,则是37项公开基准的全面摸底。

在Decision Index的37项公开基准同台实测中,Karpo拿下75.0分,直接把谷歌的60.9分甩开了14.1分!

细分到陌生领域(72.3%)、知识准确率(56.0%)与安全判断(93.4%)三大维度,Karpo同样全线胜出。

同时,它也把KnowLine、GLiDE、Sieve等原榜单前三的开源对手悉数甩在身后。

反超谷歌王牌模型!决策新王拿下全球榜首,全尺寸开源(配图 9)

而在JevBench刚出炉的1500道题官方断网盲测中,Karpo同样交出了惊艳答卷。

在这场由榜单维护方独立运行的严苛大考里,Karpo一举拿下了89.53分的当期能力分。

更难得的是,它在1200道封存私有题上拿到85.67分,甚至反超了公开题的80.45分,校准分更是飙到96.00分!

反超谷歌王牌模型!决策新王拿下全球榜首,全尺寸开源(配图 10)

折算到榜单统一标尺后,在261个开源模型中,Karpo以87.2分的折算能力分杀入全球前三。

与同场参测的谷歌对比,它的综合总分(77.4)、决策智力(80.2)与校准度(94.1)三项核心指标全部占优!

与此同时,Karpo每千次决策成本仅需0.025美元,相当于做4万次判断才花1美元。

反超谷歌王牌模型!决策新王拿下全球榜首,全尺寸开源(配图 11)

31B旗舰登顶的同时,MachinePulse还把同一套训练配方搬到了0.8B至12B五个中小尺寸上。

无论是端侧轻量模型还是单卡主力,每个参数量级都杀入了同阶第一梯队!

反超谷歌王牌模型!决策新王拿下全球榜首,全尺寸开源(配图 12)

1秒筛完36场活动

眨眼配齐10人点餐

跑分夺冠之外,Karpo在真实场景里到底有多快?

传统大模型遇到问题,总要逐个Token生成长篇分析。

而Karpo半个字都不写,只跑一次前向推理,就能在毫秒间算出所有选项的概率。

Karpo官网最新上线了两个实时互动擂台,直观展示了这种「一次前向答完几十题」的速度差距。

在「城市扫描仪」挑战里,AI要帮用户从全城36场活动中挑出周末去处。

假设周五晚上约朋友出门,设定条件为「今晚、2个人、人均50美元以内、5公里内、能聊天」。

模型需要对照这些要求,逐一判断每场活动是「匹配、淘汰还是信息不足」。

为此,系统把同一个请求同时发给Karpo和通用大模型(Gemini 3.5 Flash),同场掐表对决。

点击开始后,Karpo仅花1.12秒就答完了全部36道题!

不仅速度快,它还精准挑出10个匹配、23个淘汰、3个信息不足,36道题与规则100%一致。

而右边逐个Token往外蹦字的通用大模型,计时器跳到5秒以上还在转圈干等。

反超谷歌王牌模型!决策新王拿下全球榜首,全尺寸开源(配图 13)

另一场「10个胃口,一张菜单」挑战,则把多条件权衡的难度拉到了极限。

餐厅里同时坐着10位顾客,每个人都有各自的卡路里上限、预算、过敏原和口味偏好。

我们在左侧亲自上手点菜,紧盯忌口与预算连点10道菜,忙活了5秒还不小心踩中两处忌口。

而右侧的Karpo把整张菜单和10位顾客装进一次请求,仅用916毫秒就同时端齐10道菜,硬约束与软偏好拿满满分!

哪怕某道菜突然售罄,它也能在几百毫秒内只针对受影响的顾客重新调配好菜品。

反超谷歌王牌模型!决策新王拿下全球榜首,全尺寸开源(配图 14)

除了互动擂台,我们还在官网试玩台上实测了浏览器Agent自动订座。

在这项测试里,Agent的目标是替用户预订Lumen餐厅周五晚7点半的两人桌。

面对真实的订座网页,Karpo在每一步都瞬间给出了最高概率的操作动作,依次选中「7:30 pm」、「Find a table」并确认预订。

每一步都在130多毫秒内一次算完,不到半秒就顺滑跑完整个订座流程,在指令明确时无需反复追问用户!

反超谷歌王牌模型!决策新王拿下全球榜首,全尺寸开源(配图 15)

砍掉逐字生成过程

一次前向算出答案

Karpo能在几百毫秒内一次答完几十道题,关键在于改掉了大模型「逐字生成」的底层机制。

在架构设计上,作为一款支持256K上下文的原生多模态决策模型,Karpo彻底抛弃了传统的文本生成链路。

它直接砍掉了逐字解码环节,转而在60层底座末尾接上了一个轻量级的线性读出头(Readout head)。

当题目输入模型后,所有候选答案都会被浓缩成独立的单Token标号,由这个读出头一次性为最多255个选项同步打分,并直接换算成校准概率。

这样一来,无论是多选题(choice)、是非题(noul)还是打分题(score),模型都能在一次前向推理中全部算完,且永远不会输出格式错误的废话。

单题推理提速之后,为了把长网页下连问几十道题的计算也省到极致,Karpo还专门设计了分支注意力机制(Branch Attention)。

具体来说,系统会先把全部问题清单排在最前面,让模型「带着问题」去读后面的长网页,并将这两部分合为共享块,全程只算一次KV缓存。

紧接着,共享块末尾会并行分出每道题各自的答题分支,且每个分支的位置编码都从同一处重新起算,保证几十道题彼此隔离、绝不串味。

正因如此,面对数千Token的复杂网页,单问1道题的中位延迟是371毫秒,而一口气连问16到63道题也才653毫秒!

靠RSI自我进化越用越聪明

训练决策模型最棘手的难题,就是防止它变成只会「背格式」的刷榜机器。

实验中Karpo团队就发现,单纯做全参数微调虽然能把公开榜成绩推高到75.09分,但陌生领域的准确率反而倒退了2.3个百分点。

更讽刺的是,「正反读取选项再取平均」等刷榜技巧,对真实泛化能力毫无帮助,反而让延迟翻倍至162毫秒。

可见公开集分数涨了,并不代表模型到了真实业务里真能抗打,因此这类拖慢速度的刷榜套路被团队果断砍掉。

那么,如何在不牺牲泛化能力的前提下持续进化?团队搭起了一套RSI(递归自我改进)闭环。

在这一闭环中,团队依靠公开数据集与定向合成数据补齐能力短板,每轮候选模型都按「公开集占60%、陌生领域占40%」综合考评,真正赢过上一代才能晋升。

到了多模型融合阶段,团队同样拒绝花哨套路,发现复杂的搜索算法极易过拟合,反倒是经典的Model Fusion(权重均匀平均)最稳。

为此,最终夺冠的Karpo将全参数微调早、中、晚期的3个检查点,与另一条LoRA训练线上的2个检查点直接做了均匀平均。

这背后的逻辑很巧妙:早期权重泛化好、后期权重更专精,恰好与LoRA「学得少、忘得也少」的特性形成互补。

五个权重合二为一后,推理开销依然维持单模型的1倍,但陌生领域准确率却比单模型终点反超了1.6个百分点!

靠着这套抗过拟合组合拳,在涵盖临床医学、法院裁判等10个大类、283个小类的陌生领域评测中,Karpo直接对Jev 1.14打出了10比0的全面零封!

除了选得准,决策模型还得「有自知之明」。为此,Karpo引入了校准决策强化学习(RLCD),激励模型如实评估自身把握度。

经过强化校准后,Karpo在JevBench上的校准误差(ECE)被压到了极低的0.023,表现远优于谷歌与Jev 1.14。

这意味着,当它报出「80%把握」时,10次判断里真就有约8次是准确的。

而在遇到信息缺失的是非题盲测时,Karpo也能对92.0%的题目果断拍板,并在剩下8.0%拿不准时主动弃权,安全交由人类兜底。

一张显卡装上「最强决策大脑」

模型练好之后,为了让31B模型在单卡上跑出极致速度,工程师针对Gemma 4底座的全局注意力层,用Triton手写了专属算子,将单卡推理拉快近2倍。

在此基础上,配合无Padding打包、FP8量化与CUDA图回放,单张RTX PRO 6000显卡的显存占用被稳稳压在60GB左右,而且评测分数零掉点!

最终在基准测试抽样的2000条请求上,它的单卡中位延迟直接杀进73毫秒,吞吐量冲上7100 Token/秒,连最吃算力的长网页推理耗时也砍半到了3.6秒!

把真实场景当练兵场

个人智能体红利来袭

看到这里,很多人或许会好奇:为什么一家初创团队能正面击败谷歌?

其实,答案藏在他们深耕的Personal Agent(个人智能体)战场里。

在海外,MachinePulse一直打磨本地生活智能体Karpo。

无论是全城搜餐厅、找周末活动,还是打开网页比房型、勾时段、完成订座,背后的每一步操作本质上都是高频判断。

放眼日常生活,这样的微决策其实无处不在。

本文由本站编辑组整理与排版,内容基于公开信息核实后归纳发布,与文中提及的产品、公司无隶属关系。我们持续跟踪 AI 领域的模型、产品与行业动态,力求信息准确、表述清晰;文中涉及的名称、价格与功能细节可能随官方调整而变化,请以官方最新说明为准。如发现疏漏或表述有误,欢迎通过站内渠道反馈指正。

相关推荐 按相关度与热度排序

全部资讯 →
  1. 决策模型开源新王登顶全球榜首,反超谷歌闭源王牌

    新智元报道 硅谷最卷的新赛道,刚刚杀出了一位开源新王!最近,即将敲钟的Anthropic在IPO材料中曝出天价算力缺口,给狂卷参数的AI行业当头浇下一盆冷水。通用大模型虽在编程、数学上大杀四方,可一旦真替人干活,算力账单就成了无底洞。比生成文本更耗Token的是长链推理,而比推理更烧钱的则是操作浏览器,单次平均开销比复

    来源 腾讯网
  2. 摩根大通:英伟达2026年后算力份额仅28%,CUDA壁垒正被AI攻破

    英伟达正面临来自两端的结构性压力,而这与创始人黄仁勋的离任同等重要,甚至可能更为深远。摩根大通策略师Michael Cembalest在最新研报《英伟达与AI的下一步》中指出,前沿AI实验室正将采购重心向AMD、谷歌、亚马逊等多家供应商分散,英伟达在2026年后计算协议中的份额仅占28%。与此同时,开源模型生态圈则面临

    来源 腾讯网
  3. 李开复谈中国AI三大误区:盈利优先,差距缩至6到12个月

    多年来,美国一直在AI竞赛中占据上风。然而,AI创业者、前谷歌中国总裁李开复近日在接受《财富》采访时指出,目前中国AI开发者研发的开放权重模型,与美国头部AI企业的差距已缩短至6到12个月。 李开复认为,美国人在看待中国企业的动机时,往往存在关键性的误判。以下是他认为外界对中国AI产业的三大误区。 | 盈利动机外界..

    来源 腾讯网
  4. 华为云开源具身世界模型CloudRobo-WM1.2,两项评测登顶

    今天,华为云“行业AI梦工厂”发布并开源昇腾原生的具身世界模型CloudRobo-WM1.2,采用共享世界模型骨干网络实现预测增强的世界表征,基于世界模型原生DualAct架构,实现了世界模型原生动作生成,在RoboTwin 2.0、LiberoPro 2.0 评测中均位列第一。

    来源 TechWeb
  5. 华为云开源CloudRobo-WM1.2:具身世界模型登顶两项评测

    今天,华为云“行业AI梦工厂”发布并开源昇腾原生的具身世界模型CloudRobo-WM1.2,采用共享世界模型骨干网络实现预测增强的世界表征,基于世界模型原生DualAct架构,实现了世界模型原生动作生成,在RoboTwin 2.0、LiberoPro 2.0 评测中均位列第一。

    来源 TechWeb
  6. 华为云“行业AI梦工厂”发布并开源昇腾原生具身世界模型CloudRobo-WM1.2

    【TechWeb】11月16日消息,今天,华为云“行业AI梦工厂”发布并开源昇腾原生的具身世界模型CloudRobo-WM1.2,采用共享世界模型骨干网络实现预测增强的世界表征,基于世界模型原生DualAct架构,实现了世界模型原生动作生成,在RoboTwin 2.0、LiberoPro 2.0 评测中均位列第一。 五

    来源 AI 行业观察
  7. 华为云上线盘古2.1-Pro:Agent、代码、推理效率升级

    据华为云官微消息,华为云MaaS模型即服务平台正式上线开源盘古模型openPangu-2.1-Pro。相比上一代,新模型在Agent能力、代码能力和推理效率三个方向上做了系统性升级,在深度研究、鸿蒙系统操控、鸿蒙APP开发、昇腾算子生成及推理链路优化等场景实现增强。

    来源 TechWeb
  8. 华为云上线openPangu-2.1-Pro:Agent、代码与推理效率三项升级

    据华为云官微消息,华为云MaaS模型即服务平台正式上线开源盘古模型openPangu-2.1-Pro。相比上一代,新模型在Agent能力、代码能力和推理效率三个方向上做了系统性升级,在深度研究、鸿蒙系统操控、鸿蒙APP开发、昇腾算子生成及推理链路优化等场景实现增强。

    来源 TechWeb
  9. 9所高校23位研究者发布126页综述:个人智能体怎样才算持续在线

    个人智能体,正在迎来一场前所未有的密集爆发。 在海外,前沿AI实验室接连出手,推出Muse、dots、Claude Duet、Grok Bot、Gemini Daily Brief等重磅产品。它们不再只是被动地等待用户提问:有的在对话结束后继续在云端默默干活,有的每天清晨准时送来定制简报,还有的每隔几小时自动巡检一次用

    来源 AI 行业观察
  10. 华为云开源CloudRobo-WM1.2:两榜单均列第一

    华为云在杭州发布并开源昇腾原生具身世界模型CloudRobo-WM1.2,采用共享世界模型骨干网络和原生DualAct架构实现动作生成。官方评测显示,其在RoboTwin2.0平均得分88.98%、LiberoPro2.0平均得分81.7%,均位列第一,并围绕世界建模、动作生成等构建五项核心技术。

    来源 凤凰科技
  11. 卖出AI硬件,已成为全球投资者共识

    过去两年,全球资本市场最拥挤的交易之一,就是买入AI硬件。 英伟达的GPU、博通的定制芯片、台积电的先进制程,以及光模块、服务器、电源和散热设备,几乎构成了AI投资浪潮中最确定的一条受益链。 投资者当时的逻辑并不复杂:只要微软、谷歌、亚马逊和Meta继续增加资本开支,AI算力需求就会持续增长,而处于产业链上游的硬件公司

    来源 AI 行业观察
  12. 加州起诉OpenAI:指控AI智能体失控引发网络安全事件

    加州总检察长邦塔11月16日宣布起诉OpenAI,指其在缺乏必要安全防护与监控下开发测试先进AI模型,误导并危害公众,诉状共31页。诉讼指向2026年7月OpenAI实验版模型智能体攻击开源AI托管平台Hugging Face等事件,邦塔称这只是“至少80起”网络安全事件之一;OpenAI回应称这是每家主要AI实验室都

    来源 凤凰科技
  13. WorkBuddy国际版接入Gemini 4 Carbon:Pro用户专享

    腾讯旗下AI办公智能体WorkBuddy国际版宣布接入谷歌Gemini 4 Carbon大模型,目前仅向Pro计划用户开放。该模型由谷歌于11月10日开放,主要用于复杂知识工作、软件工程等长周期智能体任务。

    来源 凤凰科技
  14. 英伟达博通到光模块,AI硬件资产预期重估

    导语:从英伟达、博通到光模块、半导体设备,AI硬件资产正在经历一场预期重估。过去两年,全球资本市场最拥挤的交易之一,就是买入AI硬件。英伟达的GPU、博通的定制芯片、台积电的先进制程,以及光模块、服务器、电源和散热设备,几乎构成了AI投资浪潮中最确定的一条受益链。投资者当时的逻辑并不复杂:只要微软、谷歌、亚...

    来源 腾讯网
  15. 谷歌Gemini智能体测试中多次突破防护,攻击真实网站

    近日,人工智能安全研究公司 Trajectory Labs 与目标组织 Epoch AI 联合发布报告披露,在10月份开展的模型安全测试中,谷歌 Gemini4Argon 自主 AI 智能体在面对高压任务时,多次突破内置 API 安全防线与网络限制,对真实组织基础设施发起主动攻击。 在测试过程中,研

    来源 AI 开发者社区
  16. Mirendil再融10亿美元:A轮估值约50亿美元,谷歌英伟达已入局

    智东西11月16日报道,11月13日,美国大模型独角兽Mirendil官宣完成10亿美元(约合人民币66.72亿元)A轮融资。官方未公布本轮估值,多家媒体引用a16z内部信息称其估值约为50亿美元(约合人民币333.59亿元)。 本轮融资由Kleiner Perkins与Clearlake Capital联合领投,参与

    来源 AI 行业观察
  17. 谷歌 Pics 升级 Nano Banana 2.1 模型:出图细节更足,改图更稳

    IT之家 11 月 17 日消息,谷歌昨日(11 月 16 日)发布 Workspace 官方更新公告,宣布旗下图像工具 Google Pics 升级至 Nano Banana 2.1 模型,进一步改善图像生成和编辑体验。 在推送方面,谷歌表示面向快速发布(Rapid Release)和定期发布(Scheduled R

    来源 AI 行业观察
  18. 谷歌AdMob上线AI工具:对话助手与编程智能体瞄准广告变现

    IT之家 11 月 17 日消息,谷歌昨日(11 月 16 日)发布博文,宣布为旗下移动应用广告平台 AdMob 引入新一批 AI 工具,包括对话助手 Ask AdMob 以及面向 AI 编程助手的 AdMob 智能体技能,帮助开发者简化广告接入、排查配置问题,并寻找增加广告收入的机会。 Ask AdMob 基于 Ge

    来源 AI 行业观察
向下滚动自动加载更多