决策模型赛道杀出黑马:Karpo Decision 31B开源即登顶
2026年,一支年轻团队MachinePulse AI专门训练决策模型,一出手就在速度上把Gemini甩在身后。同样一场《城市扫描仪》挑战,Karpo从36场活动中挑出10个休闲娱乐好去处(平均消费50美元以内、通勤距离仅5km)只花了2.6秒,而Gemini 3.5 Flash用了14.96秒——快了将近6倍,36道题准确率达100%。
这位新晋决策高手就是MachinePulse AI刚刚开源的Karpo Decision 31B。它专门为Agent提供高频、低延迟的决策能力,让每一步判断都更快、更省。比如浏览网页下一步点哪个按钮、任务有没有完成、几十个工具待调用哪个最符合要求,它都能直接给出判断。一张RTX PRO 6000就能让它上岗,面对公开集14万多次请求,中位响应时间仅94毫秒。
在300个模型同台厮杀的Decision Index评测总榜上,Karpo Decision 31B以73.9的Full分荣登榜首,单题最多可同时判断255个候选选项,校准误差降至2.3%。
更进一步,MachinePulse还把已应用于自家Personal Agent产品Karpo的浏览器操作框架正式向开发者开源。这套方案采用System 1 + System 2架构,包括karpo-browser框架、专门针对网页动作决策训练的Karpo Decision 27B Act模型,以及配套的网页动作决策评测集KBB。在Browserbase Benchmark v2的102道核心任务上,这套方案做到89%的平均成功率、201秒的平均耗时,单任务模型成本仅需0.096美元(约0.64元)。相比榜首Claude Fable 5.2 + Claude Code,完成任务速度快了约1.9倍,模型成本只有对方的十三分之一。
团队特别说明:当把成功率要求放宽到80%、用户可用体验速度250秒内和成本0.15美金内时,整个榜单全部91条记录无一做到,Karpo独此一份且大幅领先。Karpo在表中特意备注不参加排行,但其自测102道全集题加上3次跑取平均的苛刻要求,远超榜单其他模型在38题仅跑1次的要求。围观网友感叹:“这正是每一个技术栈都需要的东西!”
你还在等大模型回话,Karpo已经把活干完了
自今年9月Jev一夜爆火以来,决策模型赛道已成为硅谷最热门的明星赛道之一。短短24天,Jev背后的TypeSafe AI就拿下了75亿美元(约500亿元)估值。OpenAI、微软、亚马逊、Cloudflare等科技巨头纷纷杀入赛场。
原因很简单:随着Agent越来越能干,如果每次选工具、筛结果都得调用通用大模型逐字生成答案,不仅慢,Token还哗哗烧。于是,专门替Agent处理高频、琐碎判断的决策模型有了用武之地。但现有方案各有难处:Jev和谷歌新推出的Gemini Decision 1能快速给出决策概率,却均未开源,开发者难以自行部署;已开放权重的决策模型(如GLiDE)也不见得能把速度和判断能力同时拉满。
Karpo Decision 31B向前多走了几步:它不需要当场写小作文,只跑一次前向推理就能在刹那间算出整组选项的概率,且完全开源。
在Karpo官网试玩的《十张胃口,菜单就一张》点餐小游戏中,真人与AI同台竞技,为10位客人点餐,需照顾预算、口味和忌口。我刚把光标点到第一位客人的需求,Karpo Decision 31B就已用1.3秒把10道菜全部端上桌,且10位客人的要求一个没错。当我读完第二位客人需求时,时间已过去13秒。从第三题开始我悄悄作弊跟着它点,最后索性乱点,仍花了83.9秒才完成。同样的10道题交给GPT-6.2 Astra(High档),转了34秒才拿到答案。Karpo比偷偷开挂的人类选手快64.5倍,比GPT快约26倍。
放到开发者日常搭建Agent的工作中,这种能力更有用武之地。开发一个自动处理GitHub Issue的Agent,光是决定调用哪个工具、如何给检索到的代码文件排序、任务是否完成,就可能涉及一连串判断。每一步都调用通用大模型会拖慢工作流、推高Token账单。而Karpo可以把多个判断放进一次请求,直接返回各候选选项的概率,省去逐字生成答案的开销。按照JevBench的GPU成本估算,Karpo每1000次决策仅需约0.025美元(0.17元),相当于只花1美元就能让它跑完近4万次决策。
MachinePulse团队最新开源的karpo-browser浏览器Agent方案,创新地采用System 1+System 2的快慢双模型分工:System 2负责动脑,System 1负责动手。比如用户想预订餐厅,通用大模型DeepSeek V4.1 Flash负责理解需求、拆解任务、准备填写信息;专门针对网页操作训练的Karpo Decision 27B Act负责在页面上选择输入框、点击按钮,单次决策时延中位数仅931毫秒(0.93秒);karpo-browser框架负责读取网页、执行操作并处理网页变化和执行异常。
团队在Browserbase Benchmark v2全部102道任务上的三轮实测发现:网页上约78%的操作交给Karpo决策模型完成,但这些操作仅占整个Agent运行耗时的14%、模型成本的13%。原本需要通用大模型反复调用、逐字生成答案的网页操作,如今可交给决策模型快速处理,让大模型腾出手负责规划、核对和更复杂的任务。
MachinePulse还把整套开发工具链一起开放:除了Karpo Decision 27B Act模型权重,还有采用TypeScript编写的karpo-browser框架,能灵活适配不同的开源大模型与决策模型,开发者无需从头搭建浏览器Agent,通过MCP就能把这套浏览器操作能力接入Claude Code、Codex等现有Agent;配套的KBB(Karpo BrowserBench)网页动作决策评测集覆盖584个真实网站、23,075步网页操作,通过真实网页录制与离线回放,让开发者测试模型每一步的动作选得对不对。从模型权重到浏览器执行框架再到配套评测工具,开发者如今可以把这套System 1+System 2方案真正装进自己的Agent里。
其价值不止于省下一笔模型调用费。MachinePulse团队表示,相较于使用昂贵的顶尖模型,这套方案在保持出色任务成功率的同时,有机会让开发者用同样的运营预算支撑原来5-30倍的用户规模。对于想把Agent做成真正面向大量用户产品的开发者来说,这或许才是更令人兴奋的地方。
挑项目快准狠,听人话也有一手
实测一:8条技术搜索结果摆面前,Karpo能又快又准地挑出真正有用的吗?假设正在寻找一个开源、支持本地部署,还能主动点击、填写和导航网页的浏览器Agent。8条搜索结果乍看个个沾边,但混进了只能看不能动的工具、只能云端运行的Agent,以及功能齐全却不开源的项目。结果仅过了308毫秒(约0.3秒),Karpo就把符合要求的A、D、E、G四条结果准确揪出,其余四个干扰项一个没放过。
实测二:各种阴阳怪气,Karpo能听出弦外之音吗?比如“太好了,这个Agent又把我的文件删光了,真是帮了大忙!”是好评还是反讽?只盯“太好了”或“帮了大忙”绝对翻车。6道语气判断题从直白称赞到反讽吐槽再到褒贬混合,Karpo仅用232毫秒(约0.23秒)就给出全部判断。第四句“页面加载慢了一些,但结果准确,整体还可以”这种好坏参半的评价,它给出了91%中性概率、8%认可、隐约0.2%不满的细微觉察。第六句“不错嘛,今天终于没把线上服务弄崩”,Karpo给负面态度分配了88%概率,正面10%,中性或褒贬混合2%——表扬背后对过往翻车经历的怨气也被它听出来了。这种能力在客服Agent判断用户是否真正满意、开发工具分析用户反馈时很实用,能避免把投诉错当成表扬。
告别逐字生成,还要避免偏科,Karpo怎么炼成的?
秘密之一藏在专门设计的Readout Head里。以往通用大模型面对选择题需逐个Token生成答案,再由程序解析出最终选项。Karpo省掉了这道工序:给候选选项安排专门编码,每道题后放置用于读取结果的标记,模型读完输入后,Readout Head就在该位置为各选项打分并转换成概率。整个过程只需一次前向推理,不用逐字生成答案,输出Token数直接降为0。
这套设计能一口气应付三种决策类型:Choice(选择题)让Karpo在最多255个候选选项间分配概率,用于判断Agent下一步该调用哪个工具;Noul(Yes/No判断题)直接返回任务完成的概率;Score(评分题)为不同评分等级分别给出概率,供系统计算分数、调整排序。三种题型共用同一个Readout Head。
Agent真正干活时可能要同时筛选几十条搜索结果、比较几十种工具,背后还跟着大段网页内容或任务上下文。为此团队设计了Branch Attention(分支注意力)机制,支持256K上下文能力,把输入分成共用的Shared Block(任务说明、问题清单、网页等背景材料)和各题自己的Branch(题目、选项和结果读取标记)。共享内容只计算一次,各题分别作答、互不干扰。在一张RTX PRO 6000上,面对1K-4K Token的请求,Karpo单独回答一道题的中位耗时仅371毫秒;一次请求包含16-63道题时,中位耗时也只有653毫秒——几十道判断集中起来,耗时没有随题目数量成倍增长。
判断得快,还得有自知之明。Agent下一步是自动执行还是交还人类,往往取决于模型对自己有多大把握。为此Karpo用上了RLCD(面向校准决策的强化学习):不只奖励模型选对答案,还根据整组预测概率计算奖励,鼓励模型如实报告把握;即使训练数据标签存在分歧,也尽量保留不确定性,而非强行压成唯一答案。在JevBench公开题上,Karpo的预期校准误差(ECE)仅为2.3%,开发者可据此设定不同执行阈值,让Agent既果断出手,也知道何时收手交还人类。
RSI登场,把训练中的偏科问题扳回来
Agent每天遇到的决策需求千奇百怪:今天筛选开源项目,明天判断代码有没有安全漏洞,后天给合同或采购文件把关。如果模型只擅长训练时见过的题目,一换场景就掉链子,那就难堪了。Karpo团队在训练中确实发现了苗头:随着训练推进,模型公开测试成绩从73.1涨到75.1,但在13个陌生领域的评测中,准确率反而从72.1%跌到70.7%。
为破解这个问题,团队把泛化能力列为训练重点,引入RSI(递归自我改进)训练框架:先训练出多个候选模型逐一评估,再通过Model Fusion(模型融合)把不同版本的优势集中到一起;融合后的模型只有胜过当前模型才能晋级下一轮。这次团队选中5个不同Checkpoint(3个来自全参数微调,2个来自LoRA微调),通过权重平均把早期模型较好的泛化能力与后期模型更强的专精能力结合。融合后公开测试成绩仍保持75.1,陌生领域准确率从70.7%提高到72.3%,回升1.6个百分点。融合完成后仍是标准31B参数模型,结构、参数量和推理开销均未增加。在团队组织的同一套13领域测试中,Karpo最终拿下72.3%的准确率,超过此前Decision Index Full榜单前三的KnowLine 31B Gen1(71.5%)、Sieve 31B v3(70.4%)和GLiDE 1.2(69.1%)。公开题没丢分,陌生题反而考得更好——对于要嵌进各种Agent工作流、随时接手不同判断任务的决策模型来说,这份不偏科的能力比单纯多刷几分更值得关注。
让Agent少一点犹豫,让开发者多一点自由
实测下来,最令人印象深刻的还是Karpo处理高频小判断时的利落劲儿。如今,决策正在成为AI系统中可以独立分工的一层能力。早在今年4月,AWS CEO Matt Garman就在Stratechery访谈中预见过类似趋势:“未来会有各种模型共存。一些小模型甚至能完成最新OpenAI模型还做不到的事情,而且会越来越小、越来越便宜、越来越快。”Jev创始人Diogo也表达过类似判断:“未来,AI不必事事依赖大模型生成答案。快速决策可以交给专门的模型,复杂推理则由其他模型承担,各司其职。”Karpo的出现,让开发者多了一种实现这套思路的开源选择。Karpo发布时,LeahW曾这样概括其设计理念:“选下一个工具,不该费一整段话。”
当判断足够快、成本足够低,开发者就有机会在Agent的搜索、推荐和任务执行流程里安排更多细致的筛选与检查,而不必事事依赖生成式大模型。Karpo的名字取自拉丁语Carpe Diem,意为“把握当下,及时行乐”。开发它的MachinePulse团队长期深耕Personal Agent方向,恰好也在解决日常生活中真实又琐碎的小纠结:今天喝点什么?下班后想怎样放松?周末附近有什么好玩的?有时我们脑子里只有一个模模糊糊的念头,连自己想要什么都说不太清楚。Karpo想做的,就是把这些模糊想法变成具体选择,帮人们少一点纠结,早点出门享受生活。外出游玩时轻点两下手机背面,就能瞬间召唤Karpo检索周围娱乐好去处。对开发者而言,Carpe Diem如今多了一层新意义:把琐碎的决策交给Karpo,把宝贵的时间留给自己真正想做的事。
目前,MachinePulse团队已同步开源0.8B、2B、4B、9B、12B和31B共6款Karpo Decision全尺寸模型,以及专门负责网页动作决策的Karpo Decision 27B Act、浏览器Agent框架karpo-browser和配套评测集KBB。从替Agent拿主意,到让Agent真正上手干活,Karpo把决策模型快、准、省的本事用到了刀刃上。
体验链接:https://karpo.ai/models/decision/ten-appetites
仓库指路:[1] https://huggingface.co/MachinePulseAI/karpo-decision-31B [2] https://github.com/machinepulse-ai/karpo-browserbench [3] https://huggingface.co/MachinePulseAI/karpo-decision-27B-act [4] https://github.com/machinepulse-ai/karpo-browser





