Utilisation principale déclarée ou déduite avec prudence de la documentation officielle.
M
MICROSOFT / microsoft/UserRepGen-4B
UserRepGen-4B
Checkpoint de Microsoft basé sur Qwen3.5-4B qui transforme des conversations textuelles en descriptions de la tâche et du comportement observé. Les poids ont été déposés dans le dépôt officiel le 14 octobre 2026. Il génère des représentations destinées à un simulateur distinct : il ne produit pas lui-même les tours de parole de l’utilisateur et n’exécute pas sa tâche. Malgré l’architecture multimodale héritée du modèle de base, cette publication n’accepte que le texte et a été évaluée en anglais.
01 / RÉSUMÉ
L'essentiel
Capacité d'entrée maximale une fois publiée par la source.
Limite de génération maximale documentée.
Canaux de disponibilité vérifiés.
Famille fonctionnelle principale et spécialités vérifiées.
Conditions déclarées pour l’API, les poids ou l’auto-hébergement.
02 / FICHE TECHNIQUE
Limites et intégration
| ID d’API | microsoft/UserRepGen-4B |
|---|---|
| Type de modèle | Texte et raisonnement |
| Mode d’accès | Poids ouverts |
| Licence | MIT ; ressources originales de Qwen sous Apache 2.0 |
| Déploiement | Auto-hébergement avec Transformers ou vLLM |
| Lancement | 14 OCT 2026 |
| Date limite des connaissances | Non publié |
| Entrée | Texte |
| Sortie | Texte |
| Fenêtre contextuelle | 8 192 tokens de prompt ; séquence d’entraînement de 9 216 |
| puissance maximale | Jusqu’à 1 024 tokens dans l’utilisation documentée |
| Raisonnement | Mode de raisonnement désactivé dans l’exemple officiel |
| Outils publiés | |
| Sorties structurées | JSON avec task et user_behavior ; valider la sortie |
| Traitement par lots | Non publié |
| Cache de prompts | Non publié |
| Ajustement fin | Non publié |
| Plateformes vérifiées | Hugging Face · Transformers · vLLM |
Recherche supervisée sur les assistants et reconstruction de conversations autorisées. L’adaptation utilise LoRA de rang 64 et un apprentissage supervisé en ligne avec retour rétrospectif. L’entraînement a utilisé 3 200 conversations issues de sept jeux ; l’évaluation distincte porte sur 700 conversations. L’exemple impose de valider task et user_behavior et limite l’entrée formatée à 8 192 tokens, la génération à 1 024. Ne pas supposer le contexte étendu du modèle de base.
Les représentations ne sont ni des données anonymes ni des descriptions vérifiées d’une personne : elles peuvent conserver des informations sensibles, inférer des traits non fondés et faciliter le rapprochement de conversations. Ne pas les utiliser pour la surveillance, l’usurpation, le profilage sans consentement ou des décisions à conséquences importantes. La référence bibliographique de l’article reste à compléter ; les résultats sont ceux déclarés par Microsoft, sans validation indépendante.
03 / CAPACITÉS
Ce qu’il peut faire
Orientation
Recherche supervisée sur les assistants et reconstruction de conversations autorisées. L’adaptation utilise LoRA de rang 64 et un apprentissage supervisé en ligne avec retour rétrospectif. L’entraînement a utilisé 3 200 conversations issues de sept jeux ; l’évaluation distincte porte sur 700 conversations. L’exemple impose de valider task et user_behavior et limite l’entrée formatée à 8 192 tokens, la génération à 1 024. Ne pas supposer le contexte étendu du modèle de base.
Contexte
8 192 tokens de prompt ; séquence d’entraînement de 9 216 · Jusqu’à 1 024 tokens dans l’utilisation documentée
Outils et intégration
Non publié
Accès
Hugging Face · checkpoint téléchargeable
Modalités d’entrée
Texte
04 / TARIFS
Coût documenté
| Concept | Valeur | Unité/état |
|---|---|---|
| Entrée standard | Aucun tarif API officiel publié | Tarif API standard |
| Entrée en cache | Non publié | Lecture de préfixes réutilisés |
| Écriture ou stockage de cache | Non publié | La condition varie selon le fournisseur |
| Sortie standard | Coût de l’infrastructure propre | Peut inclure des tokens de raisonnement |
| Entrée par lots | Non publié | Traitement asynchrone |
| Sortie par lots | Non publié | Traitement asynchrone |
La fiche déclare une licence MIT pour le modèle et conserve Apache 2.0 pour les ressources originales de Qwen. Aucune API commerciale ni tarification par tokens n’a été vérifiée. Les poids ouverts nécessitent calcul, mémoire et maintenance ; le test fonctionnel sur CPU n’est pas une mesure de performance. Figer une révision et vérifier licences et autorisation de traitement avant déploiement.
i Les prix changent et peuvent dépendre du niveau, de la région ou de la durée du contexte. Vérifiez la source avant de prendre une décision.
05 / ÉVALUATIONS
Comment lire les résultats
“
Microsoft annonce une fidélité de simulation de 4,95 en best-of-1 et 6,02 en best-of-3, sur une échelle de 1 à 10. Le protocole utilise GPT-5.4 mini comme simulateur, assistant et juge, avec trois rollouts par représentation. Il ne s’agit ni d’un pourcentage d’exactitude ni d’un benchmark généraliste. Inferama n’a pas reproduit ces résultats ; la fidélité dépend du simulateur et des données, et les interactions synthétiques ne remplacent pas les observations de vrais utilisateurs.
| Benchmark | Résultat | Métrique | Source |
|---|---|---|---|
| UserRepGen Simulation Fidelity (best-of-1) | 4,95 / 10 | Fidélité de simulation | Voir la source ↗ |
| UserRepGen Simulation Fidelity (best-of-3) | 6,02 / 10 | Fidélité de simulation | Voir la source ↗ |
Inferama ne met en évidence un « meilleur résultat » que lorsque la métrique, l'ensemble de test, la configuration et la date permettent une comparaison équivalente. Les chiffres du fournisseur sont présentés comme des affirmations provenant de sa propre source.
06 / VERSIONS
Chronologie
UserRepGen-4B
Poids, configuration, exemple et fiche publics ; référence de l’article en attente.
07 / SOURCES