Primäre Verwendung angegeben oder vorsichtig aus offizieller Dokumentation abgeleitet.
M
MICROSOFT / microsoft/UserRepGen-4B
UserRepGen-4B
Microsoft-Checkpoint auf Basis von Qwen3.5-4B, der Textgespräche in Beschreibungen der Aufgabe und des beobachteten Verhaltens umwandelt. Die Gewichte wurden am 14. Oktober 2026 in das offizielle Repository hochgeladen. Er erzeugt Repräsentationen für einen separaten Simulator, nicht selbst Nutzerbeiträge oder Aufgabenausführungen. Trotz der multimodalen Architektur des Basismodells unterstützt diese Veröffentlichung nur Text und wurde auf Englisch evaluiert.
01 / ZUSAMMENFASSUNG
Das Wesentliche
Maximale Eingabekapazität bei Veröffentlichung durch die Quelle.
Dokumentierte maximale Erzeugungsgrenze.
Verifizierte Verfügbarkeitskanäle.
Primäre Funktionsfamilie und verifizierte Spezialisierungen.
Deklarierte Bedingungen für API, Gewichte oder Self-Hosting.
02 / TECHNISCHES DATENBLATT
Limits und Integration
| API-ID | microsoft/UserRepGen-4B |
|---|---|
| Modelltyp | Text und Begründung |
| Zugangsmodell | Offene Gewichte |
| Lizenz | MIT; ursprüngliche Qwen-Dateien unter Apache 2.0 |
| Einsatz | Selbsthosting mit Transformers oder vLLM |
| Veröffentlichung | 14 OCT 2026 |
| Wissensstichtag | Nicht veröffentlicht |
| Eingang | Text |
| Ausfahrt | Text |
| Kontextfenster | 8.192 Prompt-Tokens; Trainingssequenz von 9.216 |
| maximale Leistung | Bis zu 1.024 Tokens im dokumentierten Einsatz |
| Argumentation | Denkmodus im offiziellen Beispiel deaktiviert |
| Veröffentlichte Tools | |
| Strukturierte Ausflüge | JSON mit task und user_behavior; Ausgabe validieren |
| Stapelverarbeitung | Nicht veröffentlicht |
| Prompt-Cache | Nicht veröffentlicht |
| Feinabstimmung | Nicht veröffentlicht |
| Verifizierte Plattformen | Hugging Face · Transformers · vLLM |
Überwachte Assistentenforschung und Rekonstruktion autorisierter Gespräche. Die Anpassung nutzt LoRA mit Rang 64 und überwachtes Online-Lernen mit rückblickendem Feedback. Das Training verwendete 3.200 Gespräche aus sieben Datensätzen, die separate Evaluation 700 Gespräche. Das Beispiel verlangt die Validierung von task und user_behavior und begrenzt formatierte Eingaben auf 8.192 sowie die Ausgabe auf 1.024 Tokens. Nicht das erweiterte Kontextfenster des Basismodells voraussetzen.
Die Repräsentationen sind weder anonyme Daten noch verifizierte Personenbeschreibungen: Sie können sensible Informationen bewahren, unbelegte Eigenschaften ableiten und Gespräche verknüpfbar machen. Nicht für Überwachung, Identitätsvortäuschung, Profilbildung ohne Einwilligung oder folgenreiche Entscheidungen verwenden. Die bibliografische Referenz der Studie fehlt noch; die verfügbaren Ergebnisse stammen von Microsoft und sind keine unabhängige Validierung.
03 / FÄHIGKEITEN
Was es kann
Orientierung
Überwachte Assistentenforschung und Rekonstruktion autorisierter Gespräche. Die Anpassung nutzt LoRA mit Rang 64 und überwachtes Online-Lernen mit rückblickendem Feedback. Das Training verwendete 3.200 Gespräche aus sieben Datensätzen, die separate Evaluation 700 Gespräche. Das Beispiel verlangt die Validierung von task und user_behavior und begrenzt formatierte Eingaben auf 8.192 sowie die Ausgabe auf 1.024 Tokens. Nicht das erweiterte Kontextfenster des Basismodells voraussetzen.
Kontext
8.192 Prompt-Tokens; Trainingssequenz von 9.216 · Bis zu 1.024 Tokens im dokumentierten Einsatz
Tools und Integration
Nicht veröffentlicht
Zugang
Hugging Face · herunterladbarer Checkpoint
Eingabemodalitäten
Text
04 / PREISE
Dokumentierte Kosten
| Konzept | Wert | Einheit/Zustand |
|---|---|---|
| Standardeingabe | Kein offizieller API-Preis veröffentlicht | Standardtarif der API |
| Eingabe aus dem Cache | Nicht veröffentlicht | Lesen wiederverwendeter Präfixe |
| Schreiben oder Speichern im Cache | Nicht veröffentlicht | Die Bedingung variiert je nach Anbieter |
| Standardausgabe | Kosten der eigenen Infrastruktur | Kann Reasoning-Tokens enthalten |
| Batch-Eingabe | Nicht veröffentlicht | Asynchrone Verarbeitung |
| Batch-Ausgabe | Nicht veröffentlicht | Asynchrone Verarbeitung |
Die Modellkarte nennt MIT für das Modell und behält Apache 2.0 für ursprüngliche Qwen-Dateien bei. Eine kommerzielle API oder Tokenpreise wurden nicht verifiziert. Offene Gewichte benötigen dennoch Rechenleistung, Arbeitsspeicher und Wartung; der CPU-Funktionstest ist keine Leistungsmessung. Vor dem Einsatz eine Revision fixieren sowie Lizenzen und Verarbeitungsberechtigung prüfen.
i Die Preise ändern sich und können von Level, Region oder Kontextlänge abhängen. Überprüfen Sie die Quelle, bevor Sie eine Entscheidung treffen.
05 / BEWERTUNGEN
So lesen Sie die Ergebnisse
“
Microsoft meldet Simulationstreue von 4,95 bei best-of-1 und 6,02 bei best-of-3 auf einer Skala von 1 bis 10. Das Verfahren verwendet GPT-5.4 mini als Simulator, Assistent und Bewerter mit drei Rollouts je Repräsentation. Dies ist weder prozentuale Genauigkeit noch ein allgemeiner Benchmark. Inferama hat es nicht reproduziert; die Treue hängt von Simulator und Daten ab. Synthetische Interaktionen ersetzen keine Erkenntnisse echter Nutzer.
| Benchmark | Ergebnis | Metrik | Quelle |
|---|---|---|---|
| UserRepGen Simulation Fidelity (best-of-1) | 4,95 / 10 | Simulationstreue | Quelle öffnen ↗ |
| UserRepGen Simulation Fidelity (best-of-3) | 6,02 / 10 | Simulationstreue | Quelle öffnen ↗ |
Inferama hebt nur dann ein „bestes Ergebnis“ hervor, wenn Metrik, Testsatz, Konfiguration und Datum einen gleichwertigen Vergleich ermöglichen. Die Zahlen des Lieferanten werden als Angaben aus eigener Quelle dargestellt.
06 / VERSIONEN
Chronologie
UserRepGen-4B
Gewichte, Konfiguration, Beispiel und Modellkarte öffentlich; Studienreferenz steht aus.
07 / QUELLEN