Uso principal declarado o inferido con cautela desde la documentación oficial.
M
MICROSOFT / microsoft/UserRepGen-4B
UserRepGen-4B
Checkpoint de Microsoft basado en Qwen3.5-4B que convierte conversaciones de texto en una descripción de la tarea y del comportamiento observado. Los pesos se subieron al repositorio oficial el 14 de octubre de 2026. Genera representaciones para alimentar otro simulador: no produce por sí solo turnos de usuario ni ejecuta su tarea. Aunque conserva una arquitectura multimodal del modelo base, esta publicación solo admite texto y se ha evaluado en inglés.
01 / RESUMEN
Lo esencial
Capacidad máxima de entrada cuando la fuente la publica.
Límite máximo de generación documentado.
Canales de disponibilidad verificados.
Familia funcional principal y especialidades verificadas.
Condiciones declaradas para API, pesos o despliegue propio.
02 / FICHA TÉCNICA
Límites e integración
| ID de API | microsoft/UserRepGen-4B |
|---|---|
| Tipo de modelo | Texto y razonamiento |
| Modelo de acceso | Pesos abiertos |
| Licencia | MIT; activos originales de Qwen bajo Apache 2.0 |
| Despliegue | Despliegue propio con Transformers o vLLM |
| Lanzamiento | 14 OCT 2026 |
| Corte de conocimiento | No publicado |
| Entrada | Texto |
| Salida | Texto |
| Ventana de contexto | 8.192 tokens de prompt; secuencia de entrenamiento de 9.216 |
| Salida máxima | Hasta 1.024 tokens en el uso documentado |
| Razonamiento | Modo de razonamiento desactivado en el ejemplo oficial |
| Herramientas publicadas | |
| Salidas estructuradas | JSON con task y user_behavior; validar la salida |
| Procesamiento por lotes | No publicado |
| Caché de prompts | No publicado |
| Ajuste fino | No publicado |
| Plataformas verificadas | Hugging Face · Transformers · vLLM |
Investigación supervisada de asistentes y reconstrucción de conversaciones autorizadas. El ajuste utiliza LoRA de rango 64 y aprendizaje supervisado en línea con retroalimentación retrospectiva. El entrenamiento empleó 3.200 conversaciones de siete conjuntos; la evaluación separada utiliza 700 conversaciones. El ejemplo exige validar los campos task y user_behavior y limita la entrada formateada a 8.192 tokens y la generación a 1.024. No se debe asumir el contexto ampliado del modelo base.
Las representaciones no son datos anónimos ni descripciones verificadas de una persona: pueden conservar información sensible, inferir rasgos sin fundamento y facilitar la vinculación de conversaciones. No usar para vigilancia, suplantación, perfilado sin consentimiento ni decisiones de consecuencias importantes. La ficha aún tiene pendiente la referencia bibliográfica del artículo; los resultados disponibles son los declarados por Microsoft, no una validación independiente.
03 / CAPACIDADES
Qué puede hacer
Orientación
Investigación supervisada de asistentes y reconstrucción de conversaciones autorizadas. El ajuste utiliza LoRA de rango 64 y aprendizaje supervisado en línea con retroalimentación retrospectiva. El entrenamiento empleó 3.200 conversaciones de siete conjuntos; la evaluación separada utiliza 700 conversaciones. El ejemplo exige validar los campos task y user_behavior y limita la entrada formateada a 8.192 tokens y la generación a 1.024. No se debe asumir el contexto ampliado del modelo base.
Contexto
8.192 tokens de prompt; secuencia de entrenamiento de 9.216 · Hasta 1.024 tokens en el uso documentado
Herramientas e integración
No publicado
Acceso
Hugging Face · checkpoint descargable
Modalidades de entrada
Texto
04 / PRECIOS
Coste documentado
| Concepto | Valor | Unidad / condición |
|---|---|---|
| Entrada estándar | Sin tarifa API oficial publicada | Tarifa estándar de API |
| Entrada en caché | No publicado | Lectura de prefijos reutilizados |
| Escritura o almacenamiento de caché | No publicado | La condición varía según proveedor |
| Salida estándar | Coste de infraestructura propia | Puede incluir tokens de razonamiento |
| Entrada por lotes | No publicado | Procesamiento asíncrono |
| Salida por lotes | No publicado | Procesamiento asíncrono |
La ficha declara licencia MIT para el modelo y conserva Apache 2.0 para los activos originales de Qwen. No se ha verificado una API comercial ni una tarifa por tokens. Los pesos abiertos requieren recursos de cómputo, memoria y mantenimiento; la prueba funcional en CPU no es una medición de rendimiento. Fija una revisión y revisa las licencias y la autorización para tratar las conversaciones antes de desplegar.
i Los precios cambian y pueden depender del nivel, la región o la longitud del contexto. Revisa la fuente antes de tomar una decisión.
05 / EVALUACIONES
Cómo leer los resultados
“
Microsoft publica fidelidad de simulación de 4,95 en best-of-1 y 6,02 en best-of-3, sobre una escala de 1 a 10. El protocolo usa GPT-5.4 mini como simulador, asistente y juez, con tres rollouts por representación. No equivale a exactitud porcentual ni a un benchmark generalista. Inferama no lo ha reproducido; la fidelidad depende del simulador y de los datos, y las interacciones sintéticas no sustituyen evidencia de usuarios reales.
| Benchmark | Resultado | Métrica | Fuente |
|---|---|---|---|
| UserRepGen Simulation Fidelity (best-of-1) | 4,95 / 10 | Fidelidad de simulación | Ver fuente ↗ |
| UserRepGen Simulation Fidelity (best-of-3) | 6,02 / 10 | Fidelidad de simulación | Ver fuente ↗ |
Inferama solo destaca un «mejor resultado» cuando la métrica, el conjunto de prueba, la configuración y la fecha permiten una comparación equivalente. Las cifras del proveedor se presentan como afirmaciones de su propia fuente.
06 / VERSIONES
Cronología
UserRepGen-4B
Pesos, configuración, ejemplo y ficha públicos; referencia del artículo pendiente.
07 / FUENTES