Eine generierte Titelkarte für den Artikel mit der Überschrift „MAI Decision 1 ist eigentlich Decision 1.1“ und dem Untertitel „und die 200x-Schlagzeile ist nicht von Microsoft“, aufgeteilt in zwei abgerundete Panels beidseits eines fett gedruckten „vs“-Kreises. Das linke Panel mit der Überschrift „Der Beitrag, der die Runde machte“ listet „10x schneller“, „200x günstiger“, „gegen ein allgemeines Modell“ und „keine genannte Vergleichsbasis“ auf; das rechte Panel mit der Überschrift „Microsofts eigene Angabe“ listet „50x schneller“, „79x günstiger“, „gegen GPT-Sol 6.1“ und „genannte Vergleichsbasis“ auf. Eine Fußzeile lautet: „Unabhängige Prüfung: 67,78 im AA Decision Index v2.1, Achter von achtzehn bewerteten Modellen.“ Das OrcaRouter-Logo ist in den weißen Streifen unter der Grafik eingefügt.
Guides & Insights

MAI-Entscheidung 1 ist eigentlich Entscheidung 1.1 – und die 200x-Schlagzeile ist nicht von Microsoft.

Autor

Gideon Frost

Veröffentlicht am

Neueste Modelle · 20Alle Modelle ansehen →
Benchmarks: Artificial Analysis · täglich aktualisiert
Zurück zu allen Beiträgen

Zwei Zahlen zu MAI Decision 1 machten am 17. November 2026 die Runde: dass es 10x schneller und 200x günstiger sei als ein allgemeines Modell. Keine der beiden Zahlen taucht irgendwo in Microsofts eigener Ankündigung auf. Das Modell, das Microsoft auf der Ignite tatsächlich ausgeliefert hat, ist Microsoft-Decision-1.1, und die veröffentlichten Angaben des Unternehmens lauten 50x schneller und 79x günstiger als GPT-Sol 6.1 — gegenüber einem konkret benannten Modell, in einem spezifischen Testaufbau, nicht gegenüber „einem allgemeinen Modell“. Diese Diskrepanz sollte man an den Anfang stellen, denn sie ist der Unterschied zwischen einem Marketing-Verhältnis und einer Zahl, die man überprüfen kann. Hier ist, was ausgeliefert wurde, was Microsoft dokumentiert hat und wo ein unabhängiges Gremium es einordnet.

Zuerst der Name

Die Materialien von Microsoft verwenden nie die Zeichenfolge „MAI Decision 1“. Der Ignite-Lineup-Beitrag nennt das Modell Decision 1.1, der Foundry-Blog nennt es Microsoft-Decision-1.1, und die Modellkarte im Foundry-Katalog trägt denselben Namen. Die Bezeichnung „MAI Decision 1“ stammt aus der Berichterstattung Dritter über die Keynote, zusammen mit „MAI Code 2“, „MAI Code 2 Flash“ und „MAI Cyber 2 Flash“ — dieselbe Familie, von Beobachtern und nicht vom Anbieter umbenannt.

Das ist aus einem praktischen Grund wichtig: Microsoft-Decision-1.1 ist nicht das erste Entscheidungsmodell, das Microsoft auf den Markt gebracht hat. Microsoft-Decision-1 erreichte am 8. Oktober 2026 die allgemeine Verfügbarkeit auf Foundry, basierte auf Alibabas Qwen3.5-9B, war rein textbasiert und hatte zum Start keine veröffentlichten Benchmark-Zahlen. Was am 17. November erschien, ist Version 1.1 derselben Produktlinie – mit einem anderen Basismodell, multimodaler Eingabe und einer deutlich ausführlicheren Leistungsdarstellung. Betrachten Sie alles, was Sie über „MAI Decision 1“ lesen, als Aussagen über 1.1, sofern nicht ausdrücklich anders angegeben.

Was ist eigentlich in der Box?

Der Vertrag ist in seiner Form unverändert und hat eine deutlich größere Reichweite. Sie senden einen Zustand – Text oder JSON – plus eine oder mehrere typisierte Fragen, jede mit einem festen Satz von Optionen, und erhalten Wahrscheinlichkeiten statt Prosa zurück. Drei Frage-Primitive sind dokumentiert: ein Ja/Nein („noul“ in der API), eine Auswahl aus einer beschrifteten Menge und eine Bewertung auf geordneten Stufen, deren Rückgabewert der wahrscheinlichkeitsgewichtete Durchschnitt der Stufenindizes ist. Alles in einem Aufruf, einem Durchgang, ohne Decoding-Schleife.

Was ist neu in 1.1:

• Basismodell — Gemma 4 26B-A4B, das offene Mixture-of-Experts-Modell mit offenen Gewichten von G​oogle, nachtrainiert von Microsoft. Version 1 wurde auf Qwen3.5-9B nachtrainiert.

• Eingabe — Text und Bilder. Version 1 war reiner Text.

• Bildverarbeitung — PNG oder JPEG, 280 bis 1.568 Pixel pro Seite, bis zu 8 Bilder pro Frage, einschließlich aller aus dem Status referenzierten, insgesamt begrenzt auf 645.120 verarbeitete Pixel. Der Dienst skaliert auf eine feste Arbeitsgröße, sodass ein größerer Upload nicht mehr Tokens verbraucht.

• Kontext — 32.768 Eingabe-Tokens für die Kombination aus Zustand und Frage, dieselbe Obergrenze wie bei Version 1.

• Sprachen — trainiert und evaluiert in mehr als 25, gegenüber mehr als 35, die vom Basismodell direkt unterstützt werden. Microsoft stellt ausdrücklich klar, dass die Abdeckung des Basismodells keine validierte Kalibrierung je Sprache belegt.

• Serving — ein Entscheidungs-Endpunkt statt einer Chat-Completion: Anfragen gehen an /providers/microsoft/v1/systemone in Ihrer Foundry-Ressource, mit einem Bereitstellungsnamen im Feld model. Microsoft zufolge läuft dort eine benutzerdefinierte Inferenz-Engine, die für Entscheidungs-Workloads statt für einen Textgenerierungs-Stack geschrieben wurde.

• Preis — 0,042 $ pro Million Tokens im Global Standard, 0,05 $ in den Datenzonen EU und APAC. Identisch mit Version 1, und Decision-Calls werden auf Basis der Eingabe-Tokens abgerechnet, da praktisch keine Ausgabe zum Abrechnen anfällt.

• Trainingsfenster — Oktober bis November 2026, gemäß der Modellkarte.

• Gewichte — keine. Dies ist ein gehostetes Modell im Portfolio „Direct from Azure“ von Foundry. Es gibt keinen Download und keinen Fine-Tuning-Pfad.

Die Ausschlüsse sind genauso schlicht formuliert wie die Funktionen, und sie definieren das Produkt weiterhin. Microsoft-Decision-1.1 ist nicht für Textgenerierung, offene Fragebeantwortung, Konversation, Übersetzung oder Zusammenfassung gedacht und nicht für Aufgaben, die Wissen erfordern, das in der Eingabe fehlt. Es liefert keine Begründung. Die Antwort enthält Wahrscheinlichkeiten und nichts, was man einem Nutzer als Erklärung zeigen könnte, was bedeutet, dass die Erklärung Ihre Aufgabe ist und der Schwellenwert Ihre Entscheidung: Bei 0,7 wird eskaliert, bei 0,95 nicht, und diese Grenze wird von der Anwendung festgelegt, nicht vom Anbieter.

Die beiden Behauptungen zu Geschwindigkeit und Kosten – und welche einer Prüfung standhält

Die kursierende Version – „10x schneller und 200x billiger als ein allgemeines Modell“ – hat keinen Bezugspunkt. Ein Verhältnis gegenüber einem ungenannten Modell lässt sich nicht reproduzieren, und die beiden veröffentlichten Microsoft-Vergleiche, die tatsächlich etwas benennen, sind zugleich enger und größer.

Der Ignite-Beitrag besagt, dass Decision 1.1 „50x schneller und 79x günstiger als GPT-Sol 6.1“ ist. Der Foundry-Launch-Beitrag besagt, dass es „mehr als doppelt so schnell wie unser erstes Modell ist, bei gleichen Kosten“, und nennt ein Copilot-Beispiel: Routing zwischen Copilot und Cowork mit derselben Genauigkeit wie ein großes Sprachmodell, 2,2-mal schneller und 4,4-mal günstiger. Das sind Herstellermessungen auf Microsofts eigenem Verkehr und mit Microsofts eigenem Harness. Sie sind nicht falsch; sie sind nur begrenzt aussagekräftig. Die Zahlen 50x und 79x beziehen sich auf einen Wettbewerber bei einer Art von Routing-Entscheidung, nicht auf Entscheidungsmodelle im Allgemeinen.

Eine der Behauptungen ist anhand eines Drittanbieters überprüfbar, und sie trifft zu. Artificial Analysis misst Decision 1.1 mit 123,25 Millisekunden pro Aufgabe in seinem Decision Index v2.1, gegenüber 274,25 ms für Microsoft-Decision-1. Das entspricht dem 2,23-Fachen, was „mehr als doppelt so schnell“ bedeutet. Auch die Kostenbehauptung hält stand, allerdings in abgeschwächter Form: AA berechnet 139,64 US-Dollar pro Million Aufgaben für 1.1 gegenüber 142,56 US-Dollar für Version 1 – etwa 2 % günstiger, nicht derselbe Preis, weil die beiden Versionen selbst bei identischem Preis pro Token unterschiedliche Token-Zahlen pro Aufgabe verwenden. „Zum selben Preis“ ist hinsichtlich der Preisliste korrekt und hinsichtlich der Rechnung etwas großzügig.

Welchen Rang es belegt und wie die Behauptung von Microsoft aussieht

In Microsofts Launch-Post heißt es, Decision 1.1 „erreiche 68, sechs Punkte mehr als unser erstes Modell und liege vor Jev 1.14, G​oogles G​emini Decision 1 und O​penAIs GPT-6 Luna (Decisions)“. Auf dem Artificial Analysis Decision Index v2.1 mit Stand vom 18. November 2026 stimmt jeder Teil davon. Decision 1.1 steht bei 67.78. Jev 1.14 steht bei 66.23, G​emini Decision 1 bei 65.98, GPT-6 Luna bei 60.25. Version 1 steht bei 62.07, der Zuwachs von sechs Punkten ist also ebenfalls real.

Was der Satz nicht sagt, ist, wo das Modell im Gesamtfeld steht. Es liegt auf dem achten Platz der Rangliste, sieben Punkte hinter einem alleinigen Spitzenreiter und anderthalb Punkte vor dem Modell, das Microsoft genannt hat:

• 74,85 — d1.2-ultra (Liquid AI)

• 72.62 — Drex Max v1.1 (Nace.AI)

• 72.58 — SubQ Snap 1.2 (subquadratisch)

• 72.52 — GLiDE v1.2 (Fastino)

• 71.36 — Mammoth 27B (Base Labs)

• 70.41 — Decider v1.3 (Perplexity)

• 68.69 — d1.2 (Liquid AI)

• 67,78 — Microsoft-Decision-1.1

A screenshot of the Artificial Analysis Decision Index v2.1 leaderboard page, headed 'Artificial Analysis Decision Index v2.1' with the subheading describing a composite index testing decision models across document decisions and extraction, tool calling, knowledge, reasoning and invariance, and the constituent evaluation labels AA-Paperclip, EvalSafe-O*NET-AA, When2Call, AA-Omniscience-Decision, HLE-MultiChoice and AA-Symmetry.

Sieben Modelle erzielen höhere Werte, und der Spitzenreiter liegt 7,1 Punkte vorn. Microsofts separate Behauptung – „die höchste durchschnittliche Genauigkeit von acht Entscheidungsmodellen“ über seine eigene interne Suite mit 102 Benchmarks und 385.000 Fragen – ist eine Aussage über ein Feld, das Microsoft selbst gewählt hat; das ist eine normale Sache für einen Anbieter zu veröffentlichen und eine schlechte Sache, sie als Ranking zu lesen. Das unabhängige Feld umfasst achtzehn gerankte Modelle, und Microsoft liegt in dessen oberer Hälfte.

Die Teilwerte sind aussagekräftiger als der Gesamtwert, weil sie zeigen, was das Post-Training gebracht hat. In den sechs Bestandteilsevaluationen von AA erzielt Decision 1.1 95,1 bei When2Call-Tool-Aufruf, 88,8 bei EvalSafe-O*NET, 75,7 bei Symmetrie, 58,7 bei AA-Paperclip-Dokumententscheidungen, 60,5 bei Allwissenheit und 46,1 bei HLE Multiple-Choice. Der Genauigkeitsindex liegt bei 48,45 gegenüber 40,59 für Version 1, und der Brier-Score – das Kalibrierungsmaß, bei dem niedriger besser ist – verbessert sich von 0,1965 auf 0,1604. Diese Brier-Veränderung ist die aussagekräftigste Zahl der Veröffentlichung: Sie besagt, dass die Wahrscheinlichkeiten näher an der Wahrheit liegen, und das ist die einzige Eigenschaft, die das Festlegen von Schwellenwerten für ein Entscheidungsmodell zu einer vernünftigen Ingenieursentscheidung macht.

A generated single-column scoreboard card titled 'Microsoft-Decision-1.1 — the scoreboard' with six rows: AA Decision Index v2.1 67.78, eighth of eighteen; latency per task 123 ms; cost per million tasks 139.64 dollars; Brier score 0.160, lower is better; input context 32,768 tokens; price per million input tokens 0.042 dollars. The footer reads 'Index, latency, cost and Brier per Artificial Analysis v2.1, read 18 November 2026; price per Microsoft Foundry's list.' The OrcaRouter logo is composited in the white strip below the artwork.

Der Wechsel zum Basismodell ist die eigentliche Geschichte.

Version 1 war ein Post-Training von Qwen3.5-9B, einem dichten 9B-Modell. Version 1.1 ist ein Post-Training von Gemma 4 26B-A4B, einem Mixture-of-Experts-Modell mit rund 4B aktiven Parametern. Microsofts eigene Erklärung dreht sich um die Serving-Ökonomie und nicht um die Qualität: genügend aktive Parameter für Urteilsvermögen, klein genug, um über A100-, H100/200- und GB200/300-Flotten zu laufen, mit einer eigenen Engine, die Anfragen im GPU-Pool nach Kosten statt nur nach Latenz weiterleitet.

Daraus ergeben sich drei Konsequenzen, und genau diese sollten für ein Plattformteam relevant sein. Erstens: Ein MoE mit 4B aktiven Parametern ist pro Aufruf günstig bereitzustellen, gerade weil der Großteil des Modells im Leerlauf ist – daher kommen die 123 ms. Zweitens: Der Wechsel stellt die Sprach- und Kalibrierungsfrage neu: Die Basis hat sich geändert, die Aussage zu 25 Sprachen bezieht sich auf die neue Basis, und jede Kalibrierung, die Sie auf Version 1 gemessen haben, lässt sich nicht übertragen. Drittens: Die Lizenzierung der Basis liegt bei Google, während das nachtrainierte Modell von Microsoft stammt und nur als Hosted-Angebot verfügbar ist – die Open-Weight-Herkunft bringt Ihnen im Betrieb also nichts. Sie können dieses Modell nicht herunterladen, und dass die Basis offen ist, ändert daran nichts.

Was ein Anruf kostet – in den Einheiten, die Sie tatsächlich bezahlen

Bei 0,042 $ pro Million Eingabetokens kostet ein Routing-Aufruf mit einem Ticket von 1.200 Tokens und einer Frage mit drei Optionen etwa 0,00005 $ – fünf Hundertstel eines Cents. Eine Million solcher Aufrufe kostet laut Preisliste rund 50 $; die von AA gemessenen 139,64 $ pro Million Aufgaben liegen höher, weil seine Aufgaben länger als ein Support-Ticket sind. Das ist die nützliche Erinnerung daran, dass Preise pro Token und Kosten pro Aufgabe unterschiedliche Einheiten sind und die zweite diejenige ist, die in einer Budgetprüfung auftaucht.

Der Vergleich, der die Wirtschaftlichkeit nachvollziehbar macht, ist der mit einem allgemeinen Modell, das dieselbe Aufgabe im JSON-Modus erledigt. Man zahlt für dessen Ausgabe-Tokens, die bei einer strukturierten Antwort je Aufruf bei Dutzenden bis Hunderten Tokens statt null liegen, und man zahlt für das Reasoning, das es vor der Antwort betreibt. Das ist die Lücke, die Microsoft mit 79x beschreibt, und die Lücke ist real, selbst wenn der genaue Faktor eine Wahl des Anbieters für die Vergleichsbasis ist.

Unangenehm wird es an derselben Stelle, an der es bei einem gehosteten Scorer von einem einzigen Anbieter immer unangenehm wird: Es gibt eine Preisliste, ein Rate Limit und eine einzige Regionslogik. Foundry bietet Deployments in Global Standard und Data Zone Standard an, und die Data-Zone-Variante kostet 19 % mehr, nämlich 0,05 US-Dollar pro Million Tokens. Wenn Ihr Workload latenzempfindlich ist, empfiehlt die Dokumentation, die Foundry-Ressource gemeinsam mit Ihrer Anwendung am selben Ort zu betreiben – ein ehrlicher Rat, der Ihnen zugleich sagt, dass das Modell keine Magie ist: Es ist ein kleines MoE hinter einer Warteschlange.

So erreichen Sie es, ohne Ihren Stack neu aufzubauen

Der Decision-Endpunkt selbst steht nicht im Katalog von OrcaRouter, und sein Vorgänger auch nicht – Microsoft vertreibt dieses Modell über Foundry und sonst nirgends. Was im Katalog steht, zum Listenpreis des Anbieters mit durchgereichtem Aufschlag von 0 %, sind die zwei Posten, die Sie brauchen, um den Decision vor dem Kauf zu kalkulieren. Gemma 4 26B A4B ist die Basis des Post-Train und wird mit 0,25 $ pro Million Eingabe-Tokens und 2,90 $ pro Million Ausgabe-Tokens abgerechnet; es ist die Basis und nicht der Post-Train, gibt daher nicht die kalibrierten Wahrscheinlichkeiten von Decision 1.1 zurück, aber es hat dieselbe Architektur und ist die ehrliche Untergrenze dafür, was ein allgemeines Modell dieser Form kostet. Jev 1.14, das Microsoft nennt und auf dem unabhängigen Board um 1,55 Punkte schlägt, wird mit 0,042 $ pro Million Tokens für Ein- und Ausgabe abgerechnet.

Diese Kombination ist für die Evaluierungsphase nützlich, nicht für die Produktionsphase. Wenn Sie entscheiden, ob ein Entscheidungsmodell überhaupt in einen Routing-Pfad gehört, können Sie die beiden routbaren Endpunkte anhand Ihrer eigenen gelabelten Tickets über einen einzigen Schlüssel benchmarken – mit automatischem Failover zwischen Anbietern –, bevor Sie überhaupt eine Azure-Bereitstellung starten. Wenn die Antwort Ja lautet und die Zahlen für Decision 1.1 sprechen, stellen Sie es in Foundry bereit und behalten den Router davor – einen Endpunkt für Entscheidungsaufrufe und generative Aufrufe gleichermaßen, damit das Ratenlimit eines Entscheidungsmodells nicht zum Ausfall Ihrer Anwendung wird.

A screenshot of the OrcaRouter model page for typesafe/jev-1.14, showing the OrcaRouter navigation, a models breadcrumb for the typesafe vendor, the model name typesafe/jev-1.14, HF and ZDR badges, a Data retention panel noting that Zero Data Retention is available and that with ZDR on requests go only to providers, and the page's Code samples and Pricing sections.

Wer sollte jetzt aktiv werden, und wer sollte zwei Wochen warten?

Wechseln Sie jetzt, wenn Sie bereits ein allgemeines Modell für Klassifizierung, Bewertung oder Freigabe bezahlen und Ihr Volumen hoch genug ist, dass die Kosten pro Aufruf in einem Diagramm sichtbar sind. Der Median von 123 ms und der Preis von 0,042 $ sind ein klarer Vorteil gegenüber einem Frontier-Modell, das dieselbe Beurteilung vornimmt, und die multimodale Eingabe ist der Unterschied zwischen einem Scorer, den Sie auf Screenshots ansetzen können, und einem, bei dem das nicht geht.

Halten Sie inne, wenn Ihre Entscheidung Menschen betrifft – Kredite, Beschäftigung, Wohnen, Versicherungen, Gesundheitsversorgung, Recht –, denn Microsofts eigene Modellkarte besagt, sie dort nicht als alleinige Entscheidungsinstanz einzusetzen, und nichts in 1.1 ändert das. Halten Sie auch inne, wenn Sie eine Kalibrierung benötigen, die Sie verteidigen können: Der Brier-Wert von 0.160 in 1.1 ist eine Verbesserung, keine Garantie, und die Dokumentation sagt offen, dass sich Bewertungen je nach Formulierung und Reihenfolge der Optionen verschieben. Validieren Sie anhand Ihrer eigenen Labels, randomisieren Sie die Reihenfolge der Optionen und legen Sie Schwellenwerte anhand der Kosten der beiden Fehlertypen fest statt anhand eines Anbieterdiagramms.

Die ehrliche Zusammenfassung des 17. November ist kleiner und nützlicher als die 200x-Schlagzeile: Microsoft lieferte einen schnelleren, multimodalen, besser kalibrierten Entscheidungs-Scorer zu einem Preis, der Beurteilungen pro Anfrage bezahlbar machen, und er ist gut genug, um in der oberen Hälfte eines unabhängigen Feldes zu stehen statt an dessen Spitze. Das Modell ist echt. Das Verhältnis im Tweet nicht.