
MAI Decision 1 vs. Microsoft Decision 1: Dieselbe Produktlinie, sechs Punkte Abstand
- GoogleNEUGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 pro 1 Mio. Tokens · 90 tok/s
- AnthropicNEUAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 pro 1 Mio. Tokens · 97 tok/s
- orcaNEUOrca: OrcaC2 1.02026-11-0711 tok/s
- OrcaNEUOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 pro 1 Mio. Tokens · 87 tok/s
- OrcaNEUOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 pro 1 Mio. Tokens · 134 tok/s
- OrcaNEUOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 pro 1 Mio. Tokens · 86 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 pro 1 Mio. Tokens · 124 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 pro 1 Mio. Tokens · 67 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 pro 1 Mio. Tokens · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 pro 1 Mio. Tokens · 43 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligenz
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 pro 1 Mio. Tokens · 192 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligenz
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 pro 1 Mio. Tokens · 130 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligenz
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligenz
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 pro 1 Mio. Tokens · 135 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955Intelligenz
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855Intelligenz
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 pro 1 Mio. Tokens · 182 tok/s
In diesem Vergleich steckt eine Falle, und die Falle ist die Prämisse. MAI Decision 1 und Microsoft Decision 1 sind keine zwei konkurrierenden Modelle. Sie sind dieselbe Microsoft-Produktlinie, nur eine Version auseinander: Das Modell, das die Ignite-Berichterstattung als MAI Decision 1 bezeichnet hat, ist Microsoft-Decision-1.1, und Microsoft-Decision-1 ist die Oktober-Version, die es ersetzt. Der sinnvolle Vergleich lautet also nicht „welcher Anbieter gewinnt“ — sondern „was haben fünf Wochen und ein neues Basismodell gebracht, und lohnt sich das Upgrade als Migration für alle, die bereits mit dem älteren Endpunkt in Produktion sind“. Die kurze Antwort: sechs Indexpunkte, die halbe Latenz, Bildeingabe und eine Preisliste, die unverändert geblieben ist.
Namensgebung – ein für alle Mal geklärt
Die Bezeichnung links in diesem Vergleich stammt aus der Keynote-Berichterstattung, nicht von Microsoft. Die eigenen Zeichenketten des Anbieters lauten „Decision 1.1“ im Ignite-Lineup-Beitrag und „Microsoft-Decision-1.1“ im Foundry-Blog und auf der Modellkarte; das MAI-Präfix wanderte mit MAI Code 2 und MAI Cyber 2 Flash durch dieselben Berichte von Dritten und blieb dort hängen. Diese Seite vergleicht also Version 1.1 mit Version 1 einer Produktlinie, und die interessante Frage ist nicht, welcher Anbieter gewinnt, sondern was fünf Wochen und ein anderes Basismodell verändert haben.
Version 1 wurde nicht zurückgezogen. Sie ist weiterhin in Foundry gelistet und wird weiterhin auf dem unabhängigen Board bewertet, weshalb die beiden Namen in Vergleichstabellen weiterhin nebeneinander auftauchen — manchmal als Rivalen verschiedener Unternehmen, was sie nicht sind.
Sechs Wochen, zwei Modelle, ein Preis
Version 1 wurde am 8. Oktober 2026 allgemein verfügbar: ein reiner Text-Post-Train von Alibabas Qwen3.5-9B, kalibrierte Wahrscheinlichkeiten über eine feste Optionsmenge, eine Obergrenze von 32.768 Tokens, keine Gewichte, keine veröffentlichten Benchmark-Zahlen. Version 1.1 erschien am 17. November mit einer Gemma-4-26B-A4B-Basis, Bildeingabe und einer vollständigen Performance-Story – während die Preisliste exakt unverändert blieb, bei 0,042 US-Dollar pro Million Tokens.
• Basismodell — Qwen3.5-9B, dense, 9B gesamt vs. Gemma 4 26B-A4B, Mixture-of-Experts mit etwa 4B aktiv; beide hausintern nachtrainiert
• Modalität — nur Text vs. Text, JSON und PNG/JPEG-Bilder, bis zu 8 pro Frage
• Eingabe-Obergrenze — 32.768 Token vs. 32.768 Token, unverändert
• Fragetypen — Ja/Nein, Multiple-Choice, Bewertung, Klassifizierung, Rubrik vs. dasselbe Set, bereitgestellt als drei typisierte Primitive (noul, choice, score)
• Preis — 0,042 $/Mio. Tokens Global Standard, 0,05 $ EU und APAC vs. identisch
• Gemessene Latenz — 274,25 ms pro Aufgabe vs. 123,25 ms pro Aufgabe, Artificial Analysis
• Gemessene Kosten — 142,56 $ pro Million Aufgaben gegenüber 139,64 $ pro Million Aufgaben, Artificial Analysis
• Entscheidungsindex v2.1 — 62,07 vs. 67,78
• Gewichte — keine, nur in Foundry gehostet vs. keine, nur in Foundry gehostet
Die eine Zeile, die unverändert geblieben ist, ist die, auf die die meisten Teams ihr Budget stützen, und die, die sich am stärksten verändert hat, ist die, die niemand bewirbt: halbierte Latenz bei gleichbleibendem Preis pro Token, weil die neue Basis ein Sparse-Modell ist, das pro Aufruf deutlich weniger Arbeit verrichtet.

Woraus die sechs Punkte bestehen
Der zusammengesetzte Abstand von 5,71 ist nicht gleichmäßig verteilt, und die Ungleichmäßigkeit verrät, für welche Workloads das Upgrade entwickelt wurde. In den sechs Teilbewertungen von Artificial Analysis, mit Blick auf die Rangliste am 18. November 2026:
• When2Call-Tool-Calling – 95,1 auf 1.1 gegenüber 87,9 auf Version 1, ein Plus von 7,1 Punkten und der Wert, der für Agenten-Guardrails entscheidend ist
• EvalSafe-O*NET Arbeitsplatzbeurteilung — 88,8 gegenüber 86,8
• AA-Symmetrie, Entscheidungsinvarianz bei Umformulierung — 75,7 gegenüber 70,4
• AA-Paperclip Dokumentenentscheidungen — 58,7 gegenüber 51,8, der größte absolute Sprung
• AA-Omniscience, Wissen und Halluzination — 60,5 gegenüber 54,9
• HLE-Multiple-Choice-Reasoning — 46,1 gegenüber 39,4
Jede Teilleistung verbesserte sich, was ungewöhnlich ist und den Gesamtwert vertrauenswürdig macht; ein zusammengesetzter Wert, der bei einer Bewertung steigt und bei zwei fällt, ist meist ein Gewichtungsartefakt. Der Zuwachs bei der Invarianz ist der unscheinbare, den es hervorzuheben lohnt. Symmetrie misst, ob eine Entscheidung es übersteht, dass ihre Optionen umsortiert oder ihre Frage umformuliert wird – genau der Fehlermodus, vor dem Microsofts eigene Dokumentation warnt, und genau die Eigenschaft, die entscheidet, ob ein in der Staging-Umgebung abgestimmter Schwellenwert in der Produktion noch auslöst. Von 70 auf 76 in diesem Bereich zu kommen, ist eine größere operative Veränderung als der Sprung von 62 auf 68 bei der Hauptkennzahl.
Die Kalibrierung verbesserte sich in dieselbe Richtung. Der Brier-Score, der die quadratische Abweichung zwischen einer angegebenen Wahrscheinlichkeit und der Wahrheit misst, sank von 0,1965 auf 0,1604 – niedriger ist besser. Die Genauigkeit der gewählten Option stieg von 40,6 auf 48,5. Beide Zahlen sind Messungen von Artificial Analysis auf dessen eigenen Aufgaben, nicht auf denen von Microsoft, weshalb man sie gewichten sollte: Microsofts eigene Launch-Darstellung für 1.1 nennt einen Wert von 68 – „sechs Punkte mehr als bei unserem ersten Modell“ –, und die unabhängige Instanz liegt mit 67,78 und einem Zugewinn von 5,71 Punkten nur einen halben Punkt davon entfernt. Ausnahmsweise stimmen Anbieter und Prüfer weitgehend überein.

Wo das ältere Modell immer noch die richtige Wahl ist
Es gibt drei vertretbare Gründe, bei Microsoft-Decision-1 zu bleiben, und keiner davon ist Performance.
Das erste ist eine eingefrorene Evaluation. Wenn Sie Schwellenwerte anhand von Version 1 auf Ihren eigenen gelabelten Daten kalibriert haben – und das sollten Sie getan haben –, dann macht ein Wechsel des Basismodells diese Arbeit zunichte. Ein dichtes 9B-Modell, das für Scoring nachtrainiert wurde, und ein 26B-MoE, das für Scoring nachtrainiert wurde, scheitern nicht an denselben Stellen, und die Dokumentation zu 1.1 sagt ausdrücklich, dass die Kalibrierung bei vertrauten Aufgabentypen am stärksten ist und sich mit der Formulierung verschieben kann. Ein erneutes Tuning ist ein echter Kostenfaktor, und er lastet auf dem Team, nicht auf dem Anbieter.
Der zweite Punkt ist die Sprachabdeckung. Version 1 enthielt eine Post-Training-Story für 25 Sprachen auf einer Qwen-Basis, bei der deutlich über 200 Sprachen verfügbar waren. Version 1.1 enthält eine Story für 25+ Sprachen auf einer Gemma-Basis, die mit 35+ dokumentiert ist. 25+ ist nicht 25, und wenn Sie eine mehrsprachige Queue betreiben, ist der ehrliche Weg zu testen, statt anzunehmen, dass die Zahl gestiegen ist.
Der dritte Punkt ist die Beschaffenheit Ihrer Abhängigkeit. Beide Versionen sind ausschließlich gehostet, von einem einzigen Anbieter, mit einer Preisliste und einem Rate-Limit-Regime. Ein Upgrade verändert Ihre Fehlerdomäne, ohne sie zu verkleinern. Wenn Sie den Endpunkt bereits hinter Ihrem eigenen Fallback gekapselt haben, kostet Sie der Verbleib auf Version 1 Latenz und Genauigkeit, aber nicht Verfügbarkeit; wenn nicht, erhalten Sie mit dem Upgrade ein schnelleres Modell hinter demselben Single Point of Failure.
Die beiden parallel laufen lassen, bevor du dich festlegst
Die Migration selbst ist klein, und das ist das Angenehme daran. Die Form des Endpunkts bleibt unverändert – ein Status plus typisierte Fragen an die Entscheidungsroute einer Foundry-Ressource –, und beim Deployment handelt es sich um eine Änderung der Modellversion statt um eine Neufassung der Integration. Was sich ändert, ist alles, was der Antwort nachgelagert ist: die Wahrscheinlichkeiten, die Schwellenwerte und die oben genannten Teilbewertungen.
Also führe beide aus. Sende denselben gelabelten Batch an beide Deployments, vergleiche die Genauigkeit der gewählten Option bei dem Schwellenwert, den du tatsächlich verwendest, und schau dir gezielt die Ränder an – die Fälle, in denen Version 1 0,55 zurückgab und Version 1.1 0,88 zurückgibt, sind diejenigen, die deine Eskalationsrate stillschweigend verändern werden. Der Symmetriegewinn legt nahe, dass 1.1 bei Option-Umordnung stabiler sein sollte; überprüfe das an deinen eigenen Prompts, statt der Zahl zu vertrauen.
Der Judge und das zu Bewertende über einen einzigen Schlüssel – das ist das Setup, das die meisten Teams am Ende wollen, und keines der Decision-Modelle kann Ihnen das bieten: Beide sind ausschließlich bei Foundry gehostete Endpunkte, sodass der Router davor Ihr eigener Code ist. Was der Router derweil leisten kann, ist, Steuerungsmöglichkeiten bereitzustellen. Gemma 4 26B A4B – die Basisversion, aus der 1.1 nachtrainiert wurde – läuft über OrcaRouter zu $0,25 pro Million Eingabe-Tokens und $2,90 pro Million Ausgabe, und Jev 1.14, das Decision-Modell, gegen das Microsoft selbst benchmarkt, zu $0,042 pro Million Ein- und Ausgabe. Keines der beiden reproduziert die kalibrierten Antworten von 1.1. Beide sagen Ihnen, ob ein allgemeines Modell mit Ihren eigenen Daten bis auf wenige Punkte an das Decision-Modell herankommt, was die Frage ist, die entscheidet, ob Sie überhaupt eines brauchen.

Die Versionsfrage, beantwortet
Wenn Sie heute wählen und keine Altlasten-Schwellenwerte verteidigen müssen, nehmen Sie 1.1. Bei einer unabhängigen Messung ist es um den Faktor 2,2 schneller, etwas günstiger pro Aufgabe, besser kalibriert, besser beim Gating von Tool-Aufrufen und das einzige der beiden, das einen Screenshot lesen wird. Die Preisliste ist identisch, das Upgrade ist also marginal kostenlos.
Wenn Sie sich bereits mit Version 1 in Produktion befinden, lohnt sich das Upgrade, und es ist nicht so dringend, wie ein Sicherheitspatch dringend ist. Räumen Sie Zeit für die Neuabstimmung ein, halten Sie die alte Bereitstellung am Laufen, bis die neuen Schwellenwerte im Live-Verkehr Bestand haben, und betrachten Sie die Verbesserung der Symmetrie als Grund, weniger Überraschungen zu erwarten, nicht als Versprechen, dass es keine geben wird.
Worum es bei diesem Duell nicht geht, ist eine Wahl zwischen Anbietern. Beide Namen verweisen auf Microsofts Entscheidungslinie, fünf Wochen und ein Basismodell voneinander entfernt, bei denselben $0.042 pro Million Tokens. Die interessante Frage war nie, welcher gewinnt; sie lautet, ob der zweite ausreichend besser ist, um eine Neukalibrierung zu bezahlen. Auf einem unabhängigen Board ist dem so.
