决策模型开源新王登顶全球榜首,反超谷歌闭源王牌

资讯 腾讯网 作者:新智元 全文 5149 字 · 约 13 分钟读完 分类GoogleAnthropic开源上市AI 编程大模型

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

所属频道 大厂动态模型发布融资与资本开源生态AI 编程与开发

新智元报道  


硅谷竞争最激烈的新赛道,跑出了一位开源新王者。


即将敲钟的


通用大模型在编程、数学上表现出色,但真要替人干活时,算力账单就变得深不见底。


Token消耗比生成文本高出4.8倍。



在极度焦虑中,硅谷的「决策模型」竞争全面展开。


初代标杆


前两天,谷歌CEO劈柴亲自出面,高调发布闭源决策模型Gemini Decision 1。



大厂之间打得火热,一匹叫Karpo Decision 31B的开源黑马突然冲了出来。


在300个模型一起参评的Decision Index权威评测总榜上,它直接杀到最前面,拿下全球第一。


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


这一回,从0.8B到31B,尺寸全都齐了。


拿冠军的31B旗舰款,单卡中位延迟只有94毫秒,0.023,一道题最多能同时评估255个选项。




它正面碰上了谷歌的闭源王牌。
这匹开源黑马连赢三局。


传统大模型是一个字一个字往外蹦,Karpo Decision不一样,它是给AI智能体高频做决断用的。


把当前状态和问题输进去,它一次前向推理就把所有选项的概率全算出来,整个过程不生成任何Token。


靠这套极快的判断方式,Karpo一开源就登上总榜第一,还在多项评测里正面赢了谷歌闭源王牌Gemini Decision 1。


更有意思的是,这匹夺冠的开源黑马,底子竟然来自谷歌自家的开源底座Gemma 4 31B——它是在这个底座上做后训练出来的。



目前公认最权威的两大独立榜单,一个是Decision Index,一个是JevBench,Karpo在这两处把闭源和开源对手都赢了一遍。Decision Index覆盖37项公开基准,还混入了未公开的私有题库,全球300个模型在同一张榜上打擂台。



JevBench那边则是独立机构出手,在自有显卡上全程断网盲测,1500道考题里有1200道被永久封存。


Decision Index总榜上,Karpo拿到73.9分,直接登顶,把初代标杆Jev 1.14的60.2分甩开一大截。分数之外,它的中位延迟只有94毫秒,Jev 1.14是196毫秒,快出整整一倍。



真正把差距拉开的,还是那道防刷榜的私有题库盲测。


公开榜前十的模型一进同技能私有盲测,成绩平均要掉6.8分。Karpo只掉了4.3分,在前十名里最抗跌;换到全新领域的私有题上,它更是拿到78.6分。




和谷歌Gemini Decision 1正面交锋时,Karpo也打出了一串漂亮的连胜。


两边在JevBench公开集上都是92.2%,打了个平手。可一进真实Agent考场,差距就出来了。


头一场比的是Agent最要紧的本事——行动判断。权威基准When2Call就是干这个的,专门看Agent在对话里该调工具、该追问,还是该停手。



Karpo在这项测试里拿到90.4%,谷歌是79.9%,相差10.5个百分点。


换成看网页截图点按钮的Mind2Web,Karpo照样以90.0%压过谷歌的86.2%。


第二场转到言外之意和细粒度分类。纽约客漫画配文测试考的是能不能读懂话里藏着的语气,Karpo飙到90.5%,谷歌79.7%,被甩开10.8个百分点。



商品意图特别细碎的Amazon ESCI电商分类里,Karpo以64.7%稳住了对谷歌58.7%的优势。



第三场是37项公开基准的全面摸底。Decision Index把这37项摆在一起同台实测,Karpo拿到75.0分,谷歌60.9分,差距拉到14.1分。



再拆到陌生领域(72.3%)、知识准确率(56.0%)和安全判断(93.4%)三个维度,Karpo同样是全线胜出。


同时,它还把



JevBench刚出的官方断网盲测用了1500道题,Karpo在这轮测试里同样表现亮眼,拿下当期能力分89.53分。这场大考由榜单维护方独立运行,标准相当严苛。



更难得的是封存私有题的表现:1200道题上它拿到85.67分,反而高过公开题的80.45分,校准分则冲到96.00分!



按榜单统一标尺折算,261个开源模型里,Karpo的折算能力分为87.2分,进入全球前三。


和同场参测的谷歌相比,综合总分77.4、决策智力80.2、校准度94.1这三项核心指标,Karpo全部占优。


成本方面,Karpo每千次决策只要0.025美元,算下来做4万次判断才花1美元。



31B旗舰登顶的同时,0.8B至12B这五个中小尺寸上


也有布局。端侧轻量模型也好,单卡主力也罢,每个参数量级都进了同阶第一梯队。




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?传统大模型碰到这类问题,往往得一个Token一个Token地往外生成长篇分析。



而Karpo压根不写一个字,只跑一次前向推理,毫秒之间就把所有选项的概率算了出来。


官网最新上线的两个实时互动擂台,把这种「一次前向答完几十题」的速度差距摆在了明面上。


其中一个叫「城市扫描仪」的挑战:AI要从全城36场活动里,帮用户挑出周末的去处。


场景设定在周五晚上约朋友出门,条件是「今晚、2个人、人均50美元以内、5公里内、能聊天」。模型得照着这些要求,逐场判断每场活动是「匹配、淘汰还是信息不足」。



系统把同一个请求同时发给Karpo和通用大模型(Gemini 3.5 Flash),让两边同场掐表。


Karpo点下开始后只用了1.12秒,36道题全部答完!


快之外,准确度也没落下:10个匹配、23个淘汰、3个信息不足,36道题与规则100%一致。


右边那个逐个Token往外蹦字的通用大模型,计时器过了5秒还在转圈干等。



换成「10个胃口、一张菜单」这道题,多条件权衡的难度被顶到了头。


场景里坐着10位顾客,各自的卡路里上限和预算都不一样。我们在左侧动手点菜,一边盯忌口一边算预算,连点10道,折腾了5秒,还误踩了两处忌口。



Karpo那边把整张菜单连同10位顾客塞进一次请求,916毫秒就把10道菜一起端上桌,硬约束和软偏好都拿了满分。


就算某道菜临时售罄,它也能在几百毫秒内只针对被波及的顾客把菜重新配好。



除了对擂,我们还在官网试玩台上测了浏览器Agent自动订座:任务是替用户订到Lumen餐厅周五晚7点半的两人桌。



对着真实的订座页面,Karpo每一步都当场给出概率最高的操作,按顺序点中「7:30 pm」、按下「Find a table」,再确认预订。


每一步都在130多毫秒内一次算完,整个订座流程不到半秒就跑顺了;指令说得清楚时,它不会反过来一遍遍追问用户。




逐字生成这一步被直接去掉了。
答案靠一次前向计算得出。


几十道题能在几百毫秒内一次答完,Karpo靠的是换掉了大模型一贯的「逐字生成」机制。



架构层面,这是一款原生多模态决策模型,支持256K上下文,传统文本生成链路被它完全弃用。


逐字解码环节不再保留,取而代之的是在60层底座末端挂一个轻量级线性读出头(Readout head)。


题目进来后,每个候选答案先被压成单独的单Token标号,读出头随即对最多255个选项同步打分,一次完成,分数直接转成校准概率。


于是多选题(choice)、是非题(noul)、打分题(score)这几类,一次前向推理就能全部算完,格式错误的废话也不会再出现。



单题快了之后,长网页里连问几十道题的开销也要压到最低,Karpo为此另做了分支注意力机制(Branch Attention)。


做法是先把整份问题清单摆在最前,模型带着这些问题去读后面的长网页,两部分合成共享块,KV缓存全程只算一遍。


共享块末尾再并行伸出各题自己的答题分支,每个分支的位置编码都从同一处重新起算,几十道题因此互不干扰、不会串味。


效果落在数字上:数千Token的复杂网页,只问1道题时中位延迟为371毫秒;一口气连问16到63道题,也只要653毫秒。



靠RSI不断自我改进,模型会越用越聪明。


训练决策模型时最头疼的事,是别让它学成只会背格式、专门刷榜的机器。


Karpo团队在实验中发现,只做全参数微调,公开榜成绩能推到75.09分,可陌生领域的准确率却掉了2.3个百分点。


更讽刺的是,「正反读取选项再取平均」这类刷榜技巧对真实泛化能力毫无帮助,延迟反倒翻倍到162毫秒。


公开集分数上涨,不代表模型进了真实业务就真能打。这类拖慢速度的刷榜套路,被团队果断砍掉。


那怎么在不牺牲泛化能力的前提下持续进化?团队搭了一套RSI(递归自我改进)闭环。


这个闭环里,团队用公开数据集加定向合成数据补能力短板,每轮候选模型按「公开集占60%、陌生领域占40%」综合考评,真赢过上一代才能晋升。



到了多模型融合阶段,团队照样不玩花哨套路。复杂搜索算法很容易过拟合,反倒是经典的Model Fusion最稳。


所以最终夺冠的Karpo,把全参数微调早、中、晚期的3个检查点,和另一条LoRA上的2个检查点直接做了均匀平均。


背后逻辑挺巧妙:早期权重泛化好,后期权重更专精,正好和LoRA「学得少、忘得也少」的特点互补。


五个权重合成一个后,推理开销还是单模型的1倍,陌生领域准确率却比单模型终点高出1.6个百分点。



靠这套防过拟合的做法,Karpo在陌生领域评测里打出10比0,对手Jev 1.14一分没拿。评测覆盖临床医学、法院裁判等10个大类、283个小类。



选得准之外,决策模型还得清楚自己几斤几两。Karpo为此加了校准决策强化学习(RLCD),让模型如实给出对自身把握度的评估。强化校准之后,它在JevBench上的校准误差为0.023,这个成绩远好过谷歌和Jev 1.14。换句话说,它说「80%把握」,10次判断里大约有8次真的判断对了。




信息缺失的是非题盲测里,Karpo对92.0%的题目能果断拍板,剩下8.0%拿不准的就主动弃权,交给人类兜底。



一张显卡装上「最强决策大脑」


模型练成之后,工程师想让31B模型在单卡上跑到极致速度,于是针对Gemma 4底座的全局注意力层用Triton手写了专属算子,单卡推理速度提升近2倍。再叠上无Padding打包等手段,显存占用控制在60GB左右,评测分数一点没掉。



基准测试抽样了2000条请求,它的单卡中位延迟压到73毫秒,吞吐量达到7100 Token/秒;最吃算力的长网页推理,耗时也减半到3.6秒。




真实场景就是练兵场,个人智能体的红利正在到来。


不少人会问,一家初创团队凭什么能正面赢下谷歌?答案其实就在他们长期深耕的Personal Agent战场。


在海外,MachinePulse一直在打磨本地生活智能体Karpo。全城找餐厅、搜周末活动,或者打开网页比较房型、勾选时段、把订座流程走完,每一步操作说到底都是高频判断。



放到日常生活里,这类微决策几乎随处可见。




超市货架前,要从满满一排牛奶里挑出合口味、也符合身体需求的那一盒;夜色里走进一家对味的酒吧,闲聊几句,给疲惫的一天收个尾。



这些看着不假思索的瞬间,换到Agent身上,全是一次次毫秒级的权衡和拍板。



可通用大模型动不动几秒的卡顿、细微的判断偏差,加上每次多消耗的Token,落到真实用户手里,就是难以接受的体验落差。


对AI实验室来说,这下可以专心去刷分了。


垂类Agent产品其实就是最好的模型训练场。真实业务里要同时权衡多个条件,网页操作得一步步连着做,出了异常还得回退重来,这些都在逼团队别只盯着纸面跑分,转去啃实验室里碰不到的延迟、成本和校准问题。



眼下决策延迟已经压到毫秒级,单次成本也降到了几美分,高频快思考给各类Agent打开了新的想象空间。


MachinePulse把原生具备网页操作判断力的决策模型全部开源,尺寸从0.8B覆盖到31B,给Personal Agent的创作者们送来了一批趁手弹药。



通用大模型就负责深度思考,毫秒级的高频拍板交给Karpo决策模型。


一张显卡就够,给Agent装上这颗击败谷歌闭源新王的「全球第一决策大脑」,去探索个人智能体的下一波浪潮。


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. Fable 5.2登顶AI大模型榜:65分,27美元一次评测

    截止今日,11 月的榜有个反转:9 日 Anthropic 放出 Fable 5.2,综合指数 65,把 Gemini 4 Carbon 挤到第二。但这一分不是白拿的。图按五档排,分数取自 Artificial Analysis 的 Intelligence Index v5,收了 74 个模型、中位数 40 分。带「

    来源 腾讯网
  2. 狂揽80亿!前Anthropic员工押注RSI,谷歌英伟达都投了

    智东西(公众号:zhidxcom)作者 | 王涵编辑 | 李水青智东西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 P

    来源 腾讯网
  3. Anthropic本周启动IPO:1.25万亿美元估值能否撑住AI牛市

    作为首家独立上市的美国前沿AI公司,其定价将直接影响谷歌、亚马逊、微软等云巨头的8950亿美元资本开支逻辑。Dan Ives认为,若Anthropic上市估值能够站稳1.25万亿至1.4万亿美元乃至更高水平,并伴随强劲的股价表现,将直接为整个AI投资链条提供有力背书。

    来源 华尔街见闻
  4. Anthropic阿莫迪谈IPO:算力是最深层难题,估值不虚高

    美国当地时间11月13日午间,Anthropic联合创始人兼CEO达里奥·阿莫迪与摩根大通CEO杰米·戴蒙(Jamie Dimon)在纽约举行了一场IPO主题对话。 对于正准备登陆公开市场的Anthropic而言,这场对话不仅是一次上市推介,也是外界观察其商业模式、竞争策略和长期发展规划的窗口。 阿莫迪把Anthrop

    来源 AI 行业观察
  5. AI生成代码该不该开源:Anthropic模式触动开发者争论

    作者 | 褚杏娟“所有 AI 生成的代码都应该开源。”11 月 15 日,开源开发者 Jakub T. Jankiewicz 公开呼吁将 AI 生成的代码全部开源,或者直接放入公共领域。他认为,AI 模型从开源社区几十年积累的代码和技术知识中受益,企业却可以利用这些模型生成闭源软件,将原本属于社区的集体成果转化为自己的

    来源 腾讯网
  6. Anthropic IPO看跌声渐起:Polymarket赔率一周从42倍缩到2.8倍

    Anthropic备受瞩目的、预计将创造历史的IPO,“意外”是越来越多了。 最新的一个意外是,Anthropic在11月9日,也就是原定启动投资者路演的前一天撤回了IPO定价文件。这份文件原本会将它的定价区间最高市值定在1.441万亿美元。随后Anthropic更新了文件,将估价区间确定为每股70至78美元,这意味着

    来源 AI 行业观察
  7. 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
  8. 英伟达份额降至28%,摩根大通称CUDA壁垒正被AI攻破

    摩根大通指出,英伟达在2026年算力协议中份额仅剩28%,AMD、谷歌TPU等竞品强势崛起;与此同时,CUDA护城河三天被AI攻破。开源市场则遭遇监管收紧,出口合规风险上升。尽管英伟达当前估值具备吸引力,但支撑高增速预期的两大引擎均已动摇。

    来源 华尔街见闻
  9. 谷歌AdMob加码AI工具:对话助手帮开发者找广告增收机会

    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 Gem

    来源 腾讯网
  10. 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
  11. AI生成代码该不该开源?开发者吵翻,Anthropic招股书早有提示

    “所有 AI 生成的代码都应该开源。” 11 月 15 日,开源开发者 Jakub T. Jankiewicz 公开呼吁将 AI 生成的代码全部开源,或者直接放入公共领域。他认为,AI 模型从开源社区几十年积累的代码和技术知识中受益,企业却可以利用这些模型生成闭源软件,将原本属于社区的集体成果转化为自己的商业资产。这种

    来源 AI 行业观察
  12. 96% 的测试集泄漏,大模型的跑分还能信吗?

    文:ZZ 未至之境 TL;DR:一分钟读完▸我们在 20 套主流考卷上测试了 4 个公开的大模型基座版本,发现刚公开的百度的ERNIE-5.5-Flash-Base 能在没看过题的情况下,一字不差地默写出 96% 的 HumanEval 编程测试题、85% 的 OpenBookQA 科学测试题、80% 的 GSM8K

    来源 腾讯网
  13. 450道题逼出AI编程漏洞:最强模型也难幸免

    2026年,一个研究团队做了一件挺较真的事。他们找来六个最厉害的AI编程助手,给它们布置了450道题,题目来自150个真实世界里发生过的安全漏洞。规则很简单:只告诉AI要实现什么功能,绝口不提安全二字,就像现实中大多数程序员写需求文档那样。结果呢?**最强的那个模型,Claude Fable 5,写出的代码里,真正做到

    来源 腾讯网
  14. 奥特曼回应OpenAI上市:不担心被Anthropic抢风头

    Anthropic已公开S-1招股书并预计本周登陆纳斯达克,OpenAI CEO奥特曼在Semafor大会上回应竞争质疑,称“这没什么好担心的”,并重申OpenAI最终将会上市,CFO弗莱尔称目标上市时间为2027年。

    来源 凤凰科技
  15. 谷歌 Gemini4Carbon 入驻 WorkBuddy,百万 Token 上下文向 Pro 用户开放

    腾讯 WorkBuddy 国际版于11月15日宣布正式接入谷歌 Gemini4Carbon 大模型,面向复杂推理和长周期任务处理场景提供模型支持,目前仅向 Pro 计划用户开放。 Gemini4Carbon 是谷歌面向长周期智能体工作流推出的模型,适用于复杂知识工作、软件工程、网络安全及科学推理等任

    来源 AI 开发者社区
  16. 腾讯WorkBuddy接入Gemini4Carbon:百万Token上下文向Pro用户开放

    腾讯WorkBuddy国际版11月15日宣布接入谷歌Gemini4Carbon大模型,面向复杂推理和长周期任务,目前仅向Pro计划用户开放。该模型面向长周期智能体工作流,适用于复杂知识工作、软件工程、网络安全及科学推理,支持文本、图像、音频和视频多模态输入,输入输出合计上下文窗口最高达100万Token。

    来源 AI 产业速递
  17. 谷歌TPU订单排到2029年:OpenAI与Anthropic需求成关键支撑

    郭明錤发文称,受益于OpenAI和Anthropic的强劲新订单,谷歌TPU出货能见度已延伸至2029年,优于英伟达GPU等供应商。他预估2028年至2029年OpenAI需要约1200万颗联发科设计的8t,Anthropic需要约1400万颗博通设计的8i;2027年至2029年谷歌TPU出货量预估分别约为800万至

    来源 凤凰科技
  18. 英伟达CEO黄仁勋辞职,OpenAI模型安全与资本争议升温

    英伟达领导层变动、Anthropic拟上市与财报窗口,使AI交易从增长叙事转向现金流、资本效率和治理连续性验证;美国将先进芯片出口管制延伸至远程算力与最终用户审查。OpenAI在儿童安全、媒体分发与健康研究上推进基础设施化,同时因自主智能体安全遭加州起诉。Claude Fable 5.2展现过程智能,谷歌Gemini4

    来源 钛媒体
  19. 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
  20. Anthropic冲刺IPO:1.4万亿美元估值,认购订单近7倍

    11月16日消息,据彭博社报道,Claude开发商Anthropic正以约1.4万亿美元的目标估值冲刺上市,目前IPO收到的认购订单已接近可售股份的7倍。公司及部分现有股东计划通过本次IPO与同期私募,合计募集最高约904亿美元。 随着黄仁勋(Jensen Huang)几天前突然辞去英伟达CEO,这场超大型IPO也让A

    来源 AI 行业观察
  21. 谷歌整柜卖TPU:推理性价比压过GB200,直指英伟达地盘

    谷歌打破惯例,首次向外部客户直接销售整套TPU系统,试图通过硬件外售分摊研发成本并扩大市场份额。最新测试显示,其第七代TPU在特定推理场景下的每美元性能优于英伟达GB200。配合TorchTPU开源以兼容PyTorch生态,谷歌正从专用芯片和软件适配两端发力,挑战英伟达在AI算力领域的绝对主导地位。

    来源 AI 应用前沿
向下滚动自动加载更多