Karpo开源浏览器Agent决策模型
时间:2026年11月21日
地点:美国/中国
人物:MachinePulse AI团队、Karpo
事件详情:MachinePulse AI正式开源Karpo Decision 31B及浏览器Agent框架karpo-browser。Karpo Decision 31B在Decision Index评测总榜上以73.9分登顶,单题最多可同时判断255个候选选项,校准误差仅2.3%。配套开源的karpo-browser采用System 1 + System 2架构,在Browserbase Benchmark v2的102道任务上实现89%平均成功率,平均耗时201秒,单任务成本仅0.096美元。
背景:随着Agent越来越普及,高频低延迟的决策能力成为瓶颈。通用大模型逐字生成答案速度慢、Token成本高,而专门针对决策优化的模型可以一次前向推理返回所有候选选项的概率。Karpo Decision系列包含0.8B、2B、4B、9B、12B和31B六款开源模型,基于Google Gemma 4训练。
技术细节:karpo-browser框架将任务拆分为System 2(通用大模型负责规划)和System 1(Karpo Decision 27B Act负责网页动作决策)。在Browserbase Benchmark上,约78%的操作由Karpo决策模型完成,但仅占运行耗时的14%和模型成本的13%。相比Claude Fable 5.2 + Claude Code,Karpo完成任务速度快约1.9倍,模型成本仅对方的1/13。
影响:该开源方案让开发者无需从头搭建浏览器Agent,通过MCP即可将浏览器操作能力接入Claude Code、Codex等现有Agent。配套的KBB评测集覆盖584个真实网站、23,075步网页操作。决策正成为AI系统中可独立分工的一层能力。
竞争格局:决策模型赛道已吸引OpenAI、微软、亚马逊、Cloudflare等巨头入场。Jev背后的TypeSafe AI估值达75亿美元。Karpo的优势在于完全开源、成本极低(每1000次决策仅0.025美元)且支持私有部署。
总结:Karpo Decision 31B登顶决策模型榜单并全尺寸开源,标志着Agent决策层正从通用大模型中独立出来。System 1 + System 2的分工模式,让Agent既快又省,为大规模部署提供了新的技术路径。
常见问题:
问:Karpo Decision 31B的主要优势是什么?
答:一次前向推理即可返回所有候选选项概率,中位响应时间仅94毫秒,校准误差2.3%,且完全开源。
问:karpo-browser如何与现有Agent集成?
答:通过MCP协议可接入Claude Code、Codex等现有Agent,通用大模型负责规划,Karpo负责网页动作决策。
参考来源:
量子位报道
https://www.qbitai.com/2026/11/511791.html
下载电脑网
https://www.pconline.com.cn/focus/2185/21857606.html?ad=9448#1
TLDR报道
https://tldr.tech/story/5983ca01-06b8-435e-ad8a-6dc891924a5b
Hugging Face模型页
https://huggingface.co/MachinePulseAI/karpo-decision-31B
掘金深度解析
https://juejin.cn/post/7710170786309455887
掘金开源报道
https://juejin.cn/post/7710348910824816640
i10x.ai报道
https://i10x.ai/news/karpo-decision-31b-open-weight-decision-model







