Gemini Decision 1 vs. Microsoft-Decision-1: Zwei Hyperscaler-Scorer, vier Punkte auseinander

Die beiden größten Cloud-Anbieter verkaufen jetzt beide ein Modell, das mit einer Wahrscheinlichkeit statt mit einem Satz antwortet, und keiner der beiden verrät, wie gut es funktioniert. Microsoft-Decision-1 ist seit dem 8. Oktober 2026 auf Microsoft Foundry allgemein verfügbar: eine von Microsoft nachtrainierte Qwen3.5-9B-Basis, Text rein, 32.768 Tokens Kontext, kalibrierte Verteilungen raus, Gewichte werden nicht verteilt. Gemini Decision 1 erschien am 11. November 2026 auf der Gemini Developer API: Text, Bild, Video, Audio und PDF rein, 262.144 Tokens Kontext, bis zu 1.000 typisierte Fragen pro Anfrage, 0,10 $ pro Million Eingabe-Tokens, auch hier werden die Gewichte nicht verteilt. Beide liefern einen Methodikabschnitt und keine Ergebnistabelle, womit ein unabhängiges Instrument der einzige Ort ist, an dem sie sich vergleichen lassen — Artificial Analysis, wo sie vier Punkte auseinanderliegen, auf Platz neun und zehn von achtzehn.

Vier Punkte sind nicht die interessante Lücke. Interessant ist die Lücke, dass bei der Evaluation, für die die meisten Entscheidungsmodelle tatsächlich gekauft werden, die beiden nur fünf Punkte auseinanderliegen, während beide nahe am unteren Ende des Feldes stehen, und das Modell, das das Gesamtranking gewinnt, dies ganz woanders tut.

Was jeder von ihnen dir vorlegt

Die Request-Formen sind ähnlich genug, dass ein für die eine geschriebener Client in einem Nachmittag an die andere angepasst werden kann, und unterschiedlich genug, dass die Wahl in der Regel getroffen wird, bevor irgendein Benchmark gelesen wird.

• Eingabe — Gemini Decision 1 verarbeitet Text, Bild, Video, Audio und PDF, bis zu 100 MB inline pro Anfrage und 15 MB pro externer URL. Microsoft-Decision-1 verarbeitet Text, serialisiert zu 32.768 Token. Ein gescanntes Formular oder eine Anrufaufzeichnung ist für den einen native Eingabe und für den anderen eine Vorverarbeitungsaufgabe.

• Kontext — 262.144 Token für Gemini Decision 1, gemeinsam genutzt über die Eingabe und jede Frage hinweg. 32.768 für Microsoft-Decision-1, wobei die Eingabe plus das Optionsset dies verbrauchen und kein Generierungsbudget abzuziehen ist, da es keine Generierung gibt.

• Frageformen — Gemini Decision 1 formalisiert drei: Ja/Nein, beschränkt auf 0,01–0,99, Auswahl aus 2 bis 255 benannten Optionen und Bewertung über 2 bis 255 geordnete Stufen, die ein wahrscheinlichkeitsgewichtetes erwartetes Niveau zurückgibt. Microsoft-Decision-1 deckt Ja/Nein, Multiple Choice, Rating, Klassifizierung und Rubrikbewertung ab und unterstützt ausdrücklich Enthaltungsoptionen wie „kann nicht sagen“ innerhalb des Optionssatzes.

• Batching innerhalb einer Anfrage — bis zu 1.000 unabhängige Fragen für Gemini Decision 1, jede von den anderen isoliert, alle im Rahmen eines einzigen abgerechneten Lesevorgangs der gemeinsam genutzten Eingabe. Der veröffentlichte Vertrag von Microsoft-Decision-1 umfasst einen Zustand und dessen Fragensatz pro Aufruf, daher ergibt sich die Breite aus der Gruppierung von Fragen und nicht aus einer dokumentierten Obergrenze pro Anfrage.

• Preis — 0,10 $ pro Million Eingabetokens für Gemini Decision 1, ohne Ausgabegebühr, da die Ausgabe null Tokens beträgt. Das Board verzeichnet dafür 345 $ pro Million Aufgaben und 143 $ pro Million Aufgaben für Microsoft-Decision-1 zum Eingabesatz, den es verfolgt.

• Zugriff — Gemini Developer API nur in v1beta, mit einer kostenlosen Stufe von 200 Anfragen pro Minute und 10.000 pro Tag, unbegrenzten täglichen Anfragen ab Tier 2 und ohne Vertex AI-Eintrag in der von Google bereitgestellten Dokumentation. Microsoft-Decision-1 als Foundry-Bereitstellung im Portfolio „Direct from Azure“, mit serverlosen und Unified-Endpoint-Optionen, Standard-SKU, Azure-Authentifizierung und einem Abrechnungspfad, deaktivierter Batch-Inferenz sowie ohne Weg zum Herunterladen von Gewichten oder zur Feinabstimmung.

Der Zugangsweg ist der Punkt, an dem Beschaffungsentscheidungen statt technischer Entscheidungen getroffen werden. Wenn Ihr Unternehmen über eine Azure-Verpflichtung einkauft, ist Microsoft-Decision-1 eine Rechnung, die Sie bereits zu bezahlen wissen. Wenn es über Google Cloud einkauft, ist Gemini Decision 1 das derzeit nicht – der einzige dokumentierte Zugang ist ein Gemini-API-Schlüssel, was eine andere Budgetlinie und für manche Unternehmen einen anderen Genehmigungsprozess bedeutet.

Die Anzeigetafel, Komponente für Komponente

Der Decision Index von Artificial Analysis bewertet jede Evaluation als Genauigkeit abzüglich der Brier-Strafe für die mit der Antwort verknüpfte Konfidenz, gewichtet über sechs Komponenten. So teilen die beiden Modelle sie auf:

• AA-Paperclip, 30 % Gewichtung — Gemini Decision 1 56,8 gegenüber Microsoft-Decision-1 51,8. Beide sind schwach. Die Alles-oder-nichts-Bestehensquote bei Dokumenten liegt bei 33 % für Gemini Decision 1 und 20,9 % für Microsoft-Decision-1, gegenüber 63 % beim Marktführer. Keines der Hyperscaler-Modelle extrahiert zuverlässig fünfzehn Fakten aus einem dichten Dokument.

• EvalSafe-O*NET-AA, 15 % — 87,1 gegenüber 86,8. Praktisch identisch, und beide nahe der Spitze eines dicht gedrängten Feldes.

• When2Call, 10% — 80,5 gegenüber 88,0. Microsoft-Decision-1 gewinnt diesen eindeutig und liegt nahe an der Spitze; Gemini Decision 1 ist Vierzehnter von achtzehn.

• AA-Omniscience-Decision v1.1, 15% — 66,3 gegen 54,9. Gemini Decision 1 belegt den ersten Platz im Feld; seine Nicht-Halluzinationsrate von 49,6 % ist der Grund dafür. Microsoft-Decision-1 meldet hier 21,7 % Nicht-Halluzination, und das ist die Zahl, die jeden beunruhigen sollte, der plant, seine Enthaltungen mit einem Schwellenwert zu versehen.

• HLE-MultiChoice v1.1, 15 % — 48,7 gegenüber 39,4. Erster Platz gegenüber elftem Platz. Die rohe Genauigkeit beträgt 13,2 % gegenüber 8,6 %, und die Nicht-Halluzination 35,7 % gegenüber 15,1 %.

• AA-Symmetry v1.1, 15% — 70,5 gegen 70,4. Ein Kopf-an-Kopf-Rennen, beide im Mittelfeld, die bei Umordnung bzw. Negation in 38,3 % bzw. 51,7 % der Fragefamilien dieselbe Antwort beibehalten.

Der Gesamtwert liegt bei 65,98 und 62,07 – auf Platz neun und zehn. Liest man die Komponenten, wird das Profil jedes Produkts klar. Microsoft-Decision-1 ist ein solider Bewerter für Tool-Calls und Arbeitsplatzbeurteilung, dessen Wissens- und Enthaltungsverhalten schwach ist. Gemini Decision 1 ist das Gegenteil: die besten Wissens- und Enthaltungswerte im Feld, gepaart mit Extraktion im Mittelfeld und schlechter Unterscheidungskraft bei der Tool-Auswahl.

Was sie gemeinsam haben, ist genau das, was verdächtig ist.

Keiner der beiden Anbieter veröffentlicht eine Benchmark-Tabelle. Die Modellkarte von Microsoft-Decision-1 beschreibt die Methodik – öffentliche und Community-Entscheidungs-Benchmarks, zurückgehaltene interne Sets, Genauigkeit und Kalibrierungsfehler, variierte Optionsreihenfolge, gepaarte statistische Tests – und behauptet, das Modell „schneide genauso gut ab wie führende Entscheidungsmodelle und besser als andere offene Entscheidungsmodelle, die mit derselben Methodik bewertet wurden“. Unter diesem Satz steht keine Tabelle. Die Versionshinweise zu Gemini Decision 1 kündigen das Modell an und verlinken die API-Dokumentation, die unterstützte und nicht unterstützte Funktionen auflistet und überhaupt keine Genauigkeitsangabe enthält.

Das ist wichtig, weil die gesamte Schnittstelle eines Entscheidungsmodells eine Zahl ist, auf die dein Code verzweigt. Ein Chatmodell, das ein paar Punkte schwächer ist, erzeugt schlechtere Prosa; ein Scorer, der falsch kalibriert ist, leitet stillschweigend 8 % deiner Tickets an die falsche Warteschlange weiter, und nichts in der Antwort sagt es dir. Zwei Frontier-Anbieter haben Produkte auf den Markt gebracht, deren zentrale Behauptung – dass die Wahrscheinlichkeit das bedeutet, was sie sagt – in Prosa behauptet und nur von einem Dritten gemessen wird.

Immerhin misst der Dritte beides mit demselben Instrument, weshalb dieser Vergleich überhaupt möglich ist. Aber ein Board ist ein Board, seine größte Komponente besteht zu 45 % aus privaten Daten, und es bewertet Entscheidungsmodelle erst seit wenigen Wochen. Betrachten Sie 66 und 62 als den ersten externen Messwert, nicht als gesicherte Leistungsfähigkeit.

Welches soll man hinter deine Schwelle legen?

Wählen Sie Microsoft-Decision-1, wenn die Entscheidung ein Tool-Aufruf oder eine Beurteilung eines Arbeitsplatzdokuments ist, wenn die Eingabe Text ist, der bequem in 32K Token passt, und wenn das Deployment-Gate ein Azure-Vertrag mit einheitlicher Abrechnung und angehängtem Responsible-AI-Paket ist. Seine 88,0 bei When2Call und 86,8 bei EvalSafe-O*NET sind echte Stärken, und seine expliziten Enthaltungsoptionen ermöglichen es Ihnen, eine „cannot tell“-Ausstiegsluke in das Optionsset hinein zu entwerfen, statt sie nachträglich anzubauen.

Wählen Sie Gemini Decision 1, wenn die Eingabe lang, multimodal oder über viele Fragen hinweg geteilt ist, wenn Wissensfragen und die Kontrolle von Halluzinationen im Mittelpunkt stehen und wenn Sie bereit sind, für Kontext zu zahlen. Sein erster Platz bei beiden Wissenskomponenten und seine Nicht-Halluzinationsrate von 49,6 % auf AA-Omniscience sind die Gründe, es dem günstigeren Microsoft-Modell vorzuziehen, und seine Dokument-Bestehensrate von 33 % ist der Grund, es nicht für Extraktionsarbeiten zu wählen.

Wählen Sie für die Extraktion in großem Umfang keinen von beiden. Beide Hyperscaler-Scorer liegen in der unteren Hälfte der zu 30 % gewichteten Dokumentkomponente, und die Modelle, die dort führen – ein 27B-Multimodell von Nace.AI und ein 421M-Encoder von Convai Innovations, den Sie selbst fine-tunen können – kosten pro Aufgabe weniger und lassen sich im Fall offener Gewichte auf Ihren eigenen Dokumenten trainieren.

Der Rest der Pipeline muss diesem Umstand nicht ausgeliefert sein.

OrcaRouter führt keines der beiden Modelle. Beide sind reine Wahrscheinlichkeits-Endpunkte – einer auf der Gemini Developer API, einer auf Foundry – und keiner ist ein Chat-Completions-Ziel, daher führen wir sie nicht auf. Was der Katalog jedoch führt, ist TypeSafe's typesafe/jev-1.14, ein Entscheidungsmodell mit 66,23 auf demselben Index, eine sinnvolle dritte Option, wenn Sie den Scoring-Aufruf über denselben Schlüssel wie alles andere abwickeln möchten.

Der Aufruf, der den Scorer umgibt, ist der Ort, an dem ein Router seinen Platz verdient, und genau die Hälfte, die diese beiden Produkte bewusst nicht abdecken. Etwas muss die Rubrik schreiben, gegen die der Scorer bewertet, ein 60-seitiges Dokument auf 32K Token zusammenfassen oder die Kandidatenantwort entwerfen, die bewertet wird – und dieses Etwas ist ein generatives Modell, dessen Preis und Qualität sich alle paar Wochen ändern. Dieser Aufruf läuft über einen einzigen Endpunkt mit mehr als 200 Modellen darauf zum Anbieter-Listenpreis, durchgereicht mit 0 % Aufschlag, mit automatischem Failover, wenn ein Anbieter Leistungseinbußen zeigt und einer Routing-DSL, wenn Sie möchten, dass mehrere Modelle eine Antwort zusammensetzen. Halten Sie die schreibende Hälfte portabel, dann bleibt die Bewertungsentscheidung umkehrbar, was mehr wert ist als vier Indexpunkte, wenn beide Anbieter im Quartalsrhythmus überarbeiten.

Was zu sehen

Drei Signale würden das Ranking verändern, und keines ist eingetroffen. Eine Microsoft-Benchmark-Tabelle mit Kalibrierungskurven würde es seinen Azure-Kunden ermöglichen, Schwellenwerte auf Basis von Evidenz festzulegen; die Karte bietet derzeit lediglich eine Methodik und eine Behauptung. Ein Vertex-AI-Listing für Gemini Decision 1 würde es von einem API-Schlüssel-Kauf zu einem Cloud-Vertragskauf machen und den Beschaffungsvergleich vollständig verändern. Und ein zweites unabhängiges Gremium, das beide Modelle bewertet, würde uns sagen, ob die Vier-Punkte-Lücke ein Signal oder das Rauschen eines drei Wochen alten Leaderboards ist.

Bis dahin ist die vertretbare Einschätzung diese: Gemini Decision 1 ist das bessere Modell bei den zwei Komponenten, bei denen zu wissen, wann man ablehnen sollte, die eigentliche Fähigkeit ist; Microsoft-Decision-1 ist das bessere bei der Tool-Auswahl und marginal günstiger; und beide liegen bei der Dokumentenextraktion, aus der die meisten Entscheidungs-Workloads im Enterprise tatsächlich bestehen, im Mittelfeld. Lass 200 eigene gelabelte Beispiele durch jedes Modell laufen, bevor eine der beiden Zahlen irgendetwas entscheidet.