Newshot

反超Gemini之后,Karpo新作再开源,浏览器Agent速效双赢

Original text(via 量子位)

反超Gemini之后,Karpo新作再开源,浏览器Agent速效双赢

文婷 发自 凹非寺 量子位 | 公众号 QbitAI

2026年了,居然还有年轻团队专门训练决策模型,而且一出手,就把Gemini甩在了身后?!

同样一场《城市扫描仪》挑战,Karpo从36场活动中帮我挑出10个休闲娱乐的好去处(平均消费50美元之内、通勤距离仅5km)只花了2.6秒,而Gemini 3.5 Flash则足足用了14.96秒。

快了将近6倍!各种筛选条件也一个没漏,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,干起活来相当麻利。

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,眨眼的工夫都用不着。

在足足有300个模型同台厮杀的Decision Index评测总榜上,Karpo Decision 31B还以73.9的Full分荣登榜首,单题最多可同时判断255个候选选项,校准误差降至了2.3%。

更进一步,MachinePulse还把已经应用于自家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,这套方案做到了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,完成任务的速度快了约1.9倍,模型成本更是只有对方的十三分之一。

我们观察到,当把成功率要求放宽到80%,但真正用户可用的体验速度250秒内和成本0.15美金内,整个榜单全部91条记录无一做到,Karpo独此一份且大幅度领先,真正做到既要准又要快还要便宜!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。

这正是每一个技术栈都需要的东西!

好家伙,这位专门替Agent拿主意的AI军师,究竟还有多少本事?

你还在等大模型回话,Karpo已经把活干完了

说起来,自今年9月Jev一夜爆火以来,决策模型这条赛道,已经一跃成为了硅谷最热门的明星赛道之一。

短短24天的功夫,Jev背后的TypeSafe AI就拿下了75亿美元(约500亿元)估值的大结果。

一时间,OpenAI、微软、亚马逊、Cloudflare等科技巨头纷纷杀进赛场,决策模型赛道迅速热闹起来。

为啥大家突然都盯上了这门生意?

随着Agent越来越能干,要是每次选个工具、筛个结果,都得调用通用大模型逐字生成答案,多少有点杀鸡用牛刀了。

不仅慢,Token还哗哗烧,钱包跟着瘪瘪。

于是,专门替Agent处理这些高频、琐碎判断的决策模型,就有了用武之地。

比如火爆的Jev和谷歌新推出的Gemini Decision 1,虽然能快速给出决策概率,但却均没有开源,开发者难以自行部署。

已经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。

于是,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。

就拿我在Karpo官网上试玩的《十张胃口,菜单就一张》来说。

这是个真人与AI同台竞技的点餐小游戏。我和Karpo Decision 31B需要同时为10位客人点餐,既要照顾各自的预算、口味和忌口,还得比比谁上菜更快、更准。

看着很简单,可谁橙想,我才刚把光标点到第一位客人的需求,连第一行字都没读完,Karpo Decision 31B就已经以1.3秒的速度,火速把10道菜全部端上了桌。

而且10位客人的要求,它一个都没搞错!

被……被秒杀了?!哦不,稳住稳住,不会差太远的吧…

可当我终于读完第二位客人的需求,准备继续选菜时一瞄表盘,时间已经过去了整整13秒。

好家伙,换Karpo早都交卷10轮了,我竟还在第二题打转…

这我可就急了。从第三道题开始,我干脆悄悄作弊,它点啥,我就跟着点啥。

可即便抄作业,也还是追不上。

最后,我索性死马当活马医,直接乱点一通,心想着说不准撞个好运。

可就算这么连蒙带猜、半抄作业地折腾下来,我还是花了足足83.9秒才完成整套任务。

与此同时再看看通用大模型这边。

同样的10道题,我还截图交给了GPT-6.2 Astra(High档)来做,转了足足34秒才拿到答案。

这么一对比,Karpo不仅比我这个已经偷偷开挂的人类选手快了64.5倍,比GPT还快了约26倍!

而这种判断工作要是放到开发者日常搭建Agent的工作中来看,就更有用武之地了。

因为开发一个自动处理GitHub Issue的Agent,光是决定该调用哪个工具、如何给检索到的代码文件排序、任务是否已经完成,就可能涉及一连串判断。

要是每一步都得调用通用大模型,等它慢慢生成答案,不仅工作流容易被拖慢,Token账单也会跟着水涨船高。

而Karpo可以把多个判断放进一次请求,直接返回各个候选选项的概率,省去逐字生成答案的开销,让Agent有机会跑得更快、更省钱。

更关键的是,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(折合人民币约6.67元)就能让它跑完近4万次决策!

与动辄调用通用大模型相比,成本简直暴降啊。

而且,Karpo还真把这套决策能力搬进了浏览器里,大幅度改进用户的网页任务的体验!

MachinePulse团队最新开源了这套名为karpo-browser的浏览器Agent方案,该方案创新地采用了System 1+System 2的快慢双模型分工,让通用大模型和专门的决策模型搭伙干活。

System 2负责动脑,System 1负责动手。

比如说,用户想预订一家餐厅。

通用大模型DeepSeek V4.1 Flash负责理解需求、拆解任务、准备需要填写的信息;

而专门针对网页操作训练的Karpo Decision 27B Act,则负责在页面上选择输入框、点击按钮,决定下一步执行哪个操作,单次决策时延中位数仅931毫秒(0.93秒)。

背后的karpo-browser框架,则负责读取网页、执行操作,并处理网页变化和执行异常。

而这套分工的效果,还真有点东西。

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,都交给了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%。

于是,原本需要通用大模型反复调用、逐字生成答案的网页操作,如今可以交给决策模型快速处理,让大模型腾出手来负责规划、核对和更复杂的任务。

而且这回,MachinePulse还把整套开发工具链一起开放了出来。

除了Karpo Decision 27B Act模型权重,还有采用TypeScript编写的karpo-browser框架。

这套框架能灵活地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。

甚至还有配套的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究竟选得对不对。

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。

△四个部署入口

而它带来的价值,还不止于省下一笔模型调用费。

MachinePlulse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的任务成功率的同时,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的产品的开发者来说,或许这才是更令人兴奋的地方。

挑项目快准狠,听人话也有一手!Karpo有点东西啊

看着介么不错,我当然也要原地开Roll!

于是,我也给Karpo Decision 31B出了两道题,先看看它能不能又快又准地筛选技术资料,再体验看它听不听得懂我的阴阳怪气。(doge)

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?

假设咱们正在寻找一个开源、支持本地部署,还能主动点击、填写和导航网页的浏览器Agent。

我一口气给Karpo甩出8条技术搜索结果,乍一看,个个都沾边,但其中混进了各种只能看不能动的工具、只能云端运行的Agent,还有功能齐全却不开源的项目。

看它能不能把真正符合要求的项目揪出来。

结果,仅过了308毫秒(约0.3秒),Karpo就把符合要求的A、D、E、G四条结果准确揪了出来!

其余四个混在其中的干扰项,也一个没放过。

实测二:我各种阴阳怪气,Karpo能听得出弦外之音吗?

不过,做决策往往可不只是筛选结果。

中华文化博大精深,有时候,咱们可不能只信字面意思。(doge)

太好了,这个Agent又把我的文件删光了,真是帮了大忙!

要是只盯着前半句话的“太好了”,或后半句话里的“帮了大忙”,绝对要翻车。

于是,我又给Karpo搬出了6道语气判断题,从直白称赞到反讽吐槽,再到褒贬混合的中性表达,看看它能否读出言外之意,读到什么程度。

仅过了232毫秒(约0.23秒),Karpo Decision 31B就给出了全部6道题的判断,把藏在字里行间的吐槽、称赞和复杂情绪全揪了出来。

甚至连第四句“页面加载慢了一些,但结果准确,整体还可以。”这种不夸不骂、好坏参半的评价,它都拿捏住了。

还给出了91%的中性概率、8%的认可,隐约0.2%的不满的细微觉察。

不错嘛,今天终于没把线上服务弄崩。

明明开头就是一句“不错嘛”,Karpo却给负面态度分配了足足88%的概率,正面态度10%,中性或褒贬混合2%。

合着对这次任务的肯定、这句表扬背后,藏着的那些对过往翻车经历的怨气,也完全被它听出来了。

放到开发者的实际应用中,这种能力其实也很实用。

比如客服Agent判断用户是否真的满意、开发工具分析用户反馈,都需要透过字面表达识别真正的态度,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?

看到这里,估计大家也好奇了,Karpo Decision 31B究竟是怎么把这么多判断压缩到一次推理里,还能直接给出概率的?

秘密之一,就藏在它专门设计的Readout Head里。

以往,通用大模型面对一道选择题,往往需要逐个Token生成答案,再由程序从文字中解析出最终选项。

Karpo干脆省掉了这道工序。

它给候选选项安排了专门的编码,每道题后面再放置一个用于读取结果的标记。模型读完输入后,Readout Head就在这个位置为各个选项打分,并把分数转换成概率。

整个过程只需要一次前向推理,不用逐字生成答案,输出Token数直接降到了0。

△Readout Head机制

而且,这套设计还能一口气应付三种不同类型的决策。

比如,Agent下一步该调用哪个工具?

这可以交给Choice(选择题),让Karpo在最多255个候选选项之间分配概率,让Agent知道哪个更值得选。

要是Agent忙活半天,需要判断任务究竟完成了没有呢?

那就交给Noul(Yes/No判断题),直接返回任务完成的概率。

至于搜索结果有多相关、某个推荐内容究竟有多符合用户口味,则可以交给Score(评分题),让模型为不同评分等级分别给出概率,再供系统计算分数、调整排序。

三种题型,共用同一个Readout Head。

不过,一次能答一道题还不够。

Agent真正干起活来,可能要同时筛选几十条搜索结果、比较几十种工具,背后还跟着一大段网页内容或任务上下文。

难不成每判断一个候选,都得把同一份材料重新算一遍?

Karpo可不想干这种重复劳动。

于是,团队又设计了Branch Attention(分支注意力)机制。

它支持256K上下文能力,会把输入分成两部分。一部分是大家共用的Shared Block,放着任务说明、问题清单和网页等背景材料;另一部分则是各道题自己的Branch,包含对应的题目、选项和结果读取标记。

共享的内容只计算一次,各道题却能分别作答,互不干扰。

△Branch Attention架构示意图

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为371毫秒。

而当一次请求包含16-63道题时,中位耗时也只有653毫秒。

几十道判断集中起来,耗时却没有跟着题目数量成倍增长,Agent处理高频决策的开销也就有机会大幅降下来。

对开发者来说,这就很香了。

不过,判断得快,还得有点自知之明。

毕竟,Agent下一步是自动执行,还是乖乖把决定权交还给人类,往往就取决于模型对自己到底有多大把握。

要是明明只有六成胜算,却张口就是99%,那可真是自信得有点吓人了。(doge)

为此,Karpo还用上了RLCD(面向校准决策的强化学习)。

它不只奖励模型选对答案,还会根据整组预测概率来计算奖励,鼓励模型如实报告自己的把握。

哪怕训练数据里的标签存在分歧,它也会尽量保留这种不确定性,而不是强行压成唯一答案。

在JevBench公开题上,Karpo的预期校准误差(ECE)仅为2.3%。

如此一来,开发者就可以尝试给Agent设定不同的执行阈值,让Agent既能果断出手,也知道什么时候该收手,交还给人类把关。

RSI登场,Karpo把训练中的偏科问题扳回来了

不过,速度和概率都搞定了,Karpo还得面对另一个更棘手的问题。

那就是千万别练着练着,就把自己练偏科了。

要知道,Agent每天遇到的决策需求千奇百怪。

今天帮你筛选开源项目,明天可能就要判断代码有没有安全漏洞,后天又得给某份合同或采购文件把关。

如果模型从来只擅长训练时见过的题目,一换场景就掉链子,那可真有点难堪了。

而Karpo团队在训练中,还真发现了这样的苗头。

随着训练不断推进,模型的公开测试成绩从73.1涨到了75.1,可在13个陌生领域的评测中,准确率反而从72.1%跌到了70.7%。

为了破解这个问题,Karpo团队把泛化能力列为训练重点,并引入了RSI(递归自我改进)训练框架。

它会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,才能成功晋级,进入下一轮迭代。

这一次,团队选中了5个不同的Checkpoint,其中3个来自全参数微调,另外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和后期模型更强的专精能力结合起来。

效果还真不错。融合后,公开测试成绩仍保持在75.1,陌生领域准确率却从70.7%提高到了72.3%,足足回升了1.6个百分点。

而且,融合完成后,它仍然是一套标准的31B参数模型,结构、参数量和推理开销都没有增加。

在团队组织的同一套13领域测试中,Karpo最终拿下了72.3%的准确率,超过了此前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了。

对于一个想要嵌进各种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,恐怕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

Anyway,实测了一圈下来,最让我印象深刻的,还是Karpo处理那些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的创始人Diogo也表达过类似的判断:

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。

而Karpo的出现,又让开发者多了一种实现这套思路的开源选择。

Karpo发布时,LeahW曾这样概括它的设计理念:

选下一个工具,不该费一整段话。

当判断足够快、成本足够低,开发者也就有机会在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。

更有趣的是,Karpo连名字都透着一股潇洒劲儿。

它取自拉丁语Carpe Diem,意为“把握当下,及时行乐”。

而开发Karpo的MachinePulse团队,长期深耕的Personal Agent(个人智能体)方向,恰好也在解决咱们日常生活中那些真实又琐碎的小纠结。

比如,今天喝点什么?下班后想怎样放松?周末附近有什么好玩的?

有时候,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,就是把这些模糊的想法变成具体的选择,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,就能瞬间召唤出Karpo帮咱们检索周围娱乐好去处

而对开发者群体而言,Carpe Diem如今似乎又多了一层新的意义。

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。

毕竟,技术进步的意义,不就是让我们能更自由地做自己想做的事吗?

现在,MachinePulse团队已经同步开源了0.8B、2B、4B、9B、12B和31B共6款Karpo Decision全尺寸模型,大家可以根据实际需求调用~

而且,这回连专门负责网页动作决策的Karpo Decision 27B Act、浏览器Agent框架karpo-browser,以及配套评测集KBB,也一并开放给了开发者。

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,真正用到了刀刃上。

体验链接:https://karpo.ai/models/decision/ten-appetites

[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给乐队现场搓MV,这是黑客松还是音乐节啊2026-11-21
  • 中国计算,走出新的登峰之路2026-11-21
  • 8万条群聊消息做成考卷:腾讯元宝×KCL发布首个基于群聊构建的Agent记忆基准2026-11-21
  • 全网疯传!Grok一姐教你如何月提交3000个PR2026-11-21

The text above was extracted automatically from the source page and may miss images, tables or code blocks. The original is authoritative.

Published by 量子位
This site only summarises and aggregates; copyright stays with the original author. Headlines and summaries follow the source — where they differ, the original wins.
Read the original ↗