实时 AI 消息
反超Gemini之后,Karpo再开源:决策模型登顶,浏览器Agent单任务成本降至0.096美元
MachinePulse AI 开源决策模型 Karpo Decision 31B,在300个模型参与的 Decision Index 榜单上以73.9分排名第一。团队同时放出浏览器Agent方案 karpo-browser 与 KBB 评测集,102道核心任务成功率达89%,单任务模型成本仅0.096美元。
11月21日,MachinePulse AI 宣布开源决策模型 Karpo Decision 31B。它不做长文本生成,而是专为 Agent 的高频判断而生:网页上下一步点哪个按钮、一个任务有没有完成、几十个待调用工具里哪一个最符合要求,都由它直接给出判断。
量子位报道中的《城市扫描仪》测试给出了直观对比:从36场活动中挑出10个符合条件(人均50美元以内、通勤5公里)的去处,Karpo Decision 31B 只用了2.6秒,Gemini 3.5 Flash 用了14.96秒,36道题的准确率为100%。部署门槛也不高,一张 RTX PRO 6000 就能让它上岗,面对公开集14万多次请求,中位响应时间为94毫秒。
榜单成绩同样具体。在300个模型同台竞争的 Decision Index 评测总榜上,Karpo Decision 31B 以73.9的Full分排名第一,单题最多可同时判断255个候选选项,校准误差降到2.3%。团队特意注明 Karpo 不参加排行,其自测用102道全集题、跑三次取平均,比榜单其他模型在38道题上只跑一次的要求更严格。
对开发者来说,同一批开源里的浏览器Agent方案可能更有价值。karpo-browser 采用 System 1 加 System 2 的分工:通用大模型负责理解需求、拆解任务、准备要填写的信息,专门针对网页动作训练的 Karpo Decision 27B Act 则负责选择输入框、点击按钮、决定下一步操作,单次决策中位时延为931毫秒。
这套框架用 TypeScript 编写,可以适配不同的开源大模型与决策模型;通过 MCP,开发者能直接把浏览器操作能力接入 Claude Code、Codex 等现有 Agent,不必从零搭建。配套的 KBB(Karpo BrowserBench)评测集覆盖584个真实网站、23,075步网页操作,全部来自真实网页录制。
实测数据发布于 Browserbase Benchmark v2 的102道核心任务:平均成功率89%,平均耗时201秒,单任务模型成本0.096美元。作为参照,同期榜首的 Claude Fable 5.2 加 Claude Code 组合,用时约为其1.9倍,模型成本则是它的十三倍。
网页上约78%的操作交给决策模型完成,但只占整个 Agent 运行耗时的14%和模型成本的13%。这组比例正是"决策模型"这门生意成立的依据:把大量琐碎、高频的判断从通用大模型手里拿走,规划和核对留给更贵的大模型,速度与账单可以同时下降。
放在赛道背景里看,这一步的意义更清楚。自9月 Jev 走红后,决策模型成为硅谷热门方向,Jev 背后的 TypeSafe AI 在24天内被报道拿到75亿美元估值,OpenAI、微软、亚马逊、Cloudflare 相继入场。但 Jev 与谷歌的 Gemini Decision 1 都没有开源,已开放权重的 GLiDE 又难以同时拉满速度和判断力;Karpo 这次把模型权重、浏览器框架和评测集一起放出,给自建 Agent 的团队提供了一个可自部署的选项。
接下来值得观察的有两点:一是 KBB 与 Browserbase 成绩能否被社区独立复现,二是通过 MCP 接入 Claude Code、Codex 之后,在长流程、多工具的复杂任务上是否仍能维持这样的成本优势。开源只是起点,真实工作流里的稳定性才是决策模型能否长期留在技术栈中的关键。
为什么重要
权重、框架与评测集同时开放,把决策模型从闭源服务变成可自部署的基础件,浏览器Agent的成本曲线可能整体下移。
附近消息
全部11/21 19:27
华中科技大学与阿里巴巴联合成立AI安全研究中心
华中科技大学与阿里巴巴联合成立AI安全研究中心,把合作定位在人工智能安全方向的研究与协作上。目前公开信息仅来自国内媒体报道的标题,具体投入规模、人员构成与运行机制尚未披露。
11/21 19:40
腾讯元宝与KCL发布首个基于群聊构建的Agent记忆基准
11月21日,量子位报道称腾讯元宝与KCL联合发布了一个Agent记忆基准,题目由约8万条真实群聊消息构建。报道称这是首个基于群聊构建的记忆基准,考察系统能否在多说话人、话题跳跃的混乱信息中稳定取用记忆。
11/21 17:40
Check Point 披露 ARTEX:能自主发起攻击的 AI 智能体行动
Check Point 披露了一组被命名为 ARTEX 的 AI 智能体攻击行动,攻击流程由智能体自主推进而非人工逐步操作。报道认为这类活动改变了攻击的成本结构,也让基于人类操作节奏的检测规则更容易被绕过,但样本规模与攻击链细节尚未公开。
11/21 21:53
Qwen4-Max 正式开放使用,早期测试被拿来对标 Claude Opus 5.5
据 Online Tech Tips 报道,Qwen4-Max 已进入正式可用阶段,早期测试把它与 Claude Opus 5.5 放在一起比较。报道释放的信号是这款旗舰模型完成了从预览到普遍可用的跨越,但具体评测分数与测试方法尚未随标题一并披露。