Eine generierte Titelkarte mit der Überschrift „Die Keynote-Reihe, geprüft“, dem Untertitel „Microsoft-Decision-1.1 — Artificial Analysis Decision Index v2.1“ und vier Chips mit den Aufschriften 67.78, „Jev 1.14 66.2“, „Gemini Decision 1 65.98“ und „GPT-6 Luna 60.2“ über einer Bildunterschrift mit dem Text „vier auf der Bühne genannte Modelle“, dazu zwei ausgegraute Seitenbeschriftungen mit den Texten „25 Einträge im Ranking“ und „zehn über 67.78“. Das OrcaRouter-Logo ist unten rechts eingefügt.
Guides & Insights

Microsoft-Decision-1.1 erreichte die Ignite-Keynote. Die zitierte Benchmark-Aussage ist wahr und eng gefasst.

Autor

jinhao.song

Veröffentlicht am

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

Microsoft-Decision-1.1 wurde am 17. November 2026 allgemein verfügbar, sechs Wochen nach Microsoft-Decision-1 und auf einem völlig anderen Basismodell: Gemma 4 26B A4B, dem mittelgroßen Mixture-of-Experts-System, das Microsoft in seinem eigenen Launch-Post nennt und das das Qwen3.5-9B ersetzt, auf dem Version 1 nachtrainiert wurde. Dieser Wechsel ist die eigentliche Substanz des Releases. Der Satz, der weiter reiste, stammte aus der Ignite-Keynote, wo Decision 1.1 als Modell-Routing „direkt in Ihre Anwendungen integriert“ vorgestellt und dann mit einem Satz untermauert wurde – „im AA Decision Index schlägt es Jev, Google und OpenAI.“ Diese drei Namen stehen für Jev 1.14 mit 66,2, Gemini Decision 1 mit 66,0 und GPT-6 Luna (Decisions) mit 60,2 – gegenüber 67,78 für Microsoft-Decision-1.1. Alle drei Vergleiche sind korrekt.

Sie sind außerdem die schmeichelhafteste Teilmenge aus vier Modellen auf einer Rangliste, die derzeit fünfundzwanzig Einträge umfasst. Zehn Entscheidungsmodelle liegen heute Abend über Microsoft-Decision-1.1, von d1.2-ultra mit 74,8 über Drex Max v1.1 und SubQ Snap 1.2 mit 72,6 bis hinunter zu SubQ Snap 1.1 mit 67,9. Der Satz in der Keynote war nicht falsch. Es war ein kuratierter Vergleich, dargeboten in der Grammatik eines vollständigen Vergleichs, und dieser Unterschied ist mehr wert als der Launch selbst, denn es ist das, was passiert, wenn ein Benchmark-Index zum ersten Mal eine Folie auf der Entwicklerkonferenz eines Hyperscalers bekommt.

Was die Bühne sagte, und was das Board sagt

Das am selben Tag veröffentlichte Keynote-Transkript von Microsoft geht nur kurz auf das Thema ein. Nach einem Durchlauf durch die Coding-Modelle kommt es zur Entscheidungsfindung: „Agenten werden zunehmend benötigt, um Entscheidungen zu treffen, insbesondere dort, wo Geschwindigkeit und Kosten entscheidend sind. Decision 1.1 bietet daher Modell-Routing direkt integriert in Ihre Anwendungen. Und im AA Decision Index schlägt es Jev, Google und OpenAI.“

Aufgeschlüsselt ist das ein Vierfachvergleich, den der Index tatsächlich unterstützt. Im Composite Decision Index v2.1, veröffentlicht von Artificial Analysis und hier am 19. November 2026 abgelesen, erzielt Microsoft-Decision-1.1 67,78 Punkte, Jev 1.14 66,2 Punkte, Gemini Decision 1 65,98 Punkte und GPT-6 Luna (Decisions) 60,2 Punkte. Die Abstände betragen 1,6, 1,8 und 7,6 Punkte. Das lässt sich nicht bestreiten.

Was der Satz auslässt, ist die obere Hälfte der Rangliste darüber. Dieselbe Seite führt Microsoft-Decision-1.1 auf Platz elf, und die zehn Einträge davor sind nicht unbekannt:

• d1.2-ultra (Liquid AI) — 74,8, der Spitzenreiter der Rangliste, bei 133 $ pro Million Aufgaben

• Drex Max v1.1 (Nace) — 72,6 für 103 $, und SubQ Snap 1.2 — 72,6 für 137 $

• GLiDE v1.2 (Fastino) — 72,5 bei 780 $, Mammoth 27B (Baseten) — 71,4 bei 264 $, d1-ultra — 70,6

• Decider v1.3 (Perplexity) — 70.4 bei 68 $, Decider v1.2 — 69.8, d1.2 — 68.7, SubQ Snap 1.1 — 67.9

Dass ein Anbieter die drei genannten Wettbewerber auswählt, die seiner Markteinführung schmeicheln, ist kein Skandal; jeder Launch-Beitrag macht das, und Microsoft ist ungewöhnlich explizit, dass dies die Modelle sind, die es namentlich nennen wollte. Der interessante Teil ist der Schauplatz. Ein proprietärer Drittanbieter-Index – dessen v2-Revision am 8. November 2026, neun Tage vor Ignite, veröffentlicht wurde und auf 45 % privaten Datensätzen basiert – wurde auf der Bühne als Autorität für eine Aussage über Microsofts eigenes Modell zitiert. Das ist eine andere Art von Fakt als ein Screenshot eines Anbieter-Benchmarks, und es hat zwei Seiten: Es wertet den Index auf und bringt den Index in eine Position, in der selektives Zitiertwerden nun Teil seines Rufs ist.

Was hat sich tatsächlich zwischen 1 und 1.1 geändert?

Ohne die Folien bleibt die Technik konkret. Microsoft-Decision-1.1 ist keine bloße Anpassung des Oktober-Modells. Die Basis wechselte von Alibabas Qwen3.5-9B, das die v1-Katalogseite noch immer als Grundlage nennt, zu Gemma 4 26B A4B. Microsoft beschreibt die Wahl in Kostenbegriffen: genug aktive Parameter für Urteilsvermögen, klein genug, um auf A100-, H100/200- und GB200/300-Flotten zu laufen. Eine eigene Inferenz-Engine, die eher für Scoring als für tokenweise Generierung gebaut ist, ist laut dem Unternehmen für die Latenz verantwortlich.

Die Fähigkeit, die in v1 nicht existierte, ist die Bildeingabe. Microsoft-Decision-1.1 akzeptiert Text, JSON oder Bilder – Fotos, Screenshots – und lehnt weiterhin Audio, Video und jede Form generierter Erklärung ab. Die Fragetypen sind in ihrer Bezeichnung unverändert: noul für eine Wahrscheinlichkeit zu einer Ja/Nein-Aussage, choice für ein Label aus einer festen Menge mit einer Wahrscheinlichkeit für jede Option, score für eine Position auf einer geordneten Skala. Die Anfrage geht an einen Pfad, der auf /providers/microsoft/v1/systemone endet, der entweder der am wenigsten selbsterklärende Endpunktname ist, der in diesem Quartal ausgeliefert wurde, oder ein Hinweis darauf, wo Microsoft diese Kategorie im Stack verortet.

Der Kontext ist die Zahl, auf die Sie achten sollten, wenn Sie migrieren: Microsoft dokumentiert „Eingaben von bis zu 32K Token“, und Artificial Analysis verzeichnet ein Fenster von 33k. Version 1 war dieselbe. Ein Entscheidungsmodell, das einen Vertrag mit 40.000 Token liest, ist in dieser Version nicht enthalten.

Drei Behauptungen aus dem Launch-Beitrag, überprüft am Board

Microsofts eigener Beitrag stellt drei quantitative Behauptungen auf, und die unabhängigen Daten entscheiden über jede von ihnen anders.

• „Erzielt 68“ – der Indexwert beträgt 67,78. Das ist Rundung, keine Inflation, und sie ist die einzige Behauptung, die exakt zutraf.

• „Mehr als doppelt so schnell“ – Version 1 misst 274,25 ms pro Aufgabe, Version 1.1 misst 123,25 ms. Das sind 2,23x, und es macht das neue Modell zum fünftschnellsten Eintrag auf der Rangliste statt zum zwanzigsten.

„Bei gleichen Kosten“ – auf Token-Ebene zutreffend, in der Praxis aber irreführend. Beide Versionen geben $0,042 pro Million Eingabe-Tokens an. Die gemessenen Kosten pro Million Aufgaben betragen jedoch $139,64 für 1.1 gegenüber $142,56 für v1 – eine Verbesserung um 2 %, nicht eine Halbierung. Gleicher Preis, ungefähr gleiche Rechnung, doppelter Durchsatz. Wenn Ihre Einschränkung die Latenz und nicht die Ausgaben ist, ist das Upgrade groß; wenn es die Ausgaben sind, ist das Upgrade nahezu bedeutungslos.

A generated single-column scoreboard headed 'Microsoft-Decision-1.1 — the scoreboard' with six rows: Decision Index 67.78, 11th of 25; When2Call at 10% weight 95.08; AA-Paperclip at 30% weight 58.67; HLE-MultiChoice 6.29% raw accuracy; non-hallucination 49.4%, was 21.7%; speed 123 ms per task, was 274 ms. A footer reads 'All figures per Artificial Analysis Decision Index v2.1, read 19 November 2026.' The OrcaRouter logo is composited in the bottom-right corner.

Wo das Composite nicht mehr mit dem Marketing übereinstimmt

Das Composite des Decision Index v2.1 ist kein Rätsel. Es besteht aus sechs gewichteten Komponenten, und Microsoft-Decision-1.1s 67,78 lässt sich daraus reproduzieren: 30 % AA-Paperclip, 15 % EvalSafe-O*NET-AA, 10 % When2Call, 15 % AA-Omniscience-Decision v1.1, 15 % HLE-MultiChoice v1.1, 15 % AA-Symmetry. Multiplizieren und addieren, und man landet exakt bei 67,78. Diese Transparenz macht die Teilwerte lesbar, und in den Teilwerten wird die Launch-Erzählung interessant.

• When2Call — 95.08. Dies ist der Routing-Test, und er ist mit großem Abstand der stärkste Wert im Set. Microsofts Verkaufsargument lautet „in Ihre Anwendungen integriertes Modell-Routing“, und bei der einen Komponente, die genau das misst, liegt das Modell ganz oben auf der Rangliste.

• AA-Paperclip — 58,67 Decision Score, 36,8 % der Dokumente perfekt beantwortet. Dies ist die 30-%-Komponente: 1.500 private Dokumente, jedes mit fünf Entscheidungen und zehn Fakten, nach dem Alles-oder-nichts-Prinzip bewertet. Version 1 bestand 20,9 %. Ein Anstieg um fünfzehn Prozentpunkte bei der Rate perfekt beantworteter Dokumente ist der größte einzelne Engineering-Gewinn der Version und auch der Grund, warum sich der Gesamtwert so stark verändert hat.

• HLE-MultiChoice v1.1 — 46,11 Entscheidungs-Score bei 6,29 % Rohtrefferquote, mit 38,4 % Nicht-Halluzination. Sechs Prozent Genauigkeit bei einem schwierigen Wissenstest sind keine Stärke; der Decision Score ist nur deshalb respektabel, weil das Modell ehrlich dazu steht, verloren zu sein. Microsofts eigener Beitrag sagt, diese Modelle seien „ausdrücklich noch nicht für die schwierigeren Probleme optimiert“, und diese Zeile ist der Punkt, an dem dieses Eingeständnis öffentlich sichtbar wird.

• AA-Omniscience-Decision v1.1 — 60,46 bei 33,2 % Genauigkeit und 49,4 % Nicht-Halluzination. Version 1 erzielte 21,7 % bei der Nicht-Halluzination, das Modell lernte also, etwa doppelt so zuverlässig abzulehnen, während es zwei Prozentpunkte Genauigkeit hinzugewann. Für ein Entscheidungsmodell ist dieser Trade-off das Entscheidende.

Zusammengenommen ergibt das Profil ein stimmiges Bild: Das ist ein schneller, gut kalibrierter Router mit einer flachen Wissensbasis. Das ist ein vertretbares Produkt. Es ist nicht das Produkt, das der Keynote-Satz impliziert.

A screenshot of the Artificial Analysis page for Microsoft-Decision-1.1, headed 'Release, Decision Index Score, Performance & Price'. The headline figures read a Decision Index of 68 at rank 11 of 25, 123 ms per task and about $140 per million tasks. The comparison summary states the model is above average on the Decision Index but somewhat expensive and notably fast, supports text input and carries a 33k-token context window, with board medians of 66, 206 ms and $137. Component rows for Decision Index, AA-Paperclip, EvalSafe-O*NET-AA, When2Call, AA-Omniscience-Decision v1.1 and HLE-MultiChoice v1.1 sit below.

Preise in den Einheiten, die eine Rechnung tatsächlich verwendet

Foundry nennt für Microsoft-Decision-1.1 drei Eingabetarife und überhaupt keinen Ausgabetarif, weil das Modell keine Ausgabe-Tokens erzeugt: 0,042 $ pro Million Eingabe-Tokens im Global Standard, 0,046 $ in der US Data Zone und 0,05 $ bei Bereitstellungen in der EU- und APAC Data Zone. Wählen Sie die Data-Zone-SKU, zahlen Sie 19 % mehr als die beworbene Zahl – für die Datenlokalität. Das ist die erste Stelle, an der eine Behauptung wie „günstigstes Entscheidungsmodell“ stillschweigend korrigiert wird.

An zweiter Stelle steht die Spalte „Kosten pro Aufgabe“, also das, was herauskommt, wenn man den Tokenpreis mit der Eingabemenge multipliziert, die eine Aufgabe tatsächlich verbraucht. Bei 139,64 US-Dollar pro Million Aufgaben setzt AA Microsoft-Decision-1.1 in puncto Kosten auf Platz fünfzehn von fünfundzwanzig – günstiger als Gemini Decision 1 mit 344,90 US-Dollar, teurer als Celeris-1.1 Decision mit 14 US-Dollar und Decider v1.3 mit 68 US-Dollar. Das Modell ist schnell und im mittleren Preisbereich angesiedelt. Es ist nicht das Schnäppchen seiner eigenen Kategorie, und Microsoft hat das auch nie behauptet.

Was das für ein Team bedeutet, das Schluss machen möchte

Der First-Party-Weg ist Foundry: Stellen Sie das Modell bereit und senden Sie dann einen Status sowie eine Zuordnung typisierter Fragen an den Entscheidungs-Endpunkt. Für Enterprise-Käufer wird wichtig sein, dass Microsoft ihn bereits als Judge in Foundry Evaluations und als Router in Copilot einsetzt, wo das Unternehmen berichtet, dass dieselbe Routing-Entscheidung 2,2-mal schneller und zu 4,4-mal geringeren Kosten als bei einem großen Sprachmodell getroffen wird — eine vom Anbieter berichtete Zahl aus Microsofts eigenem Harness, die außerhalb davon nicht reproduziert wurde.

Was sich klar sagen lässt, ist, was OrcaRouter anbietet und was nicht. Wir hosten nicht Microsoft-Decision-1.1 oder Gemini Decision 1 oder irgendeinen Endpunkt für Entscheidungs-Scoring, denn eine reine Wahrscheinlichkeits-API ist kein Chat-Completions-Ziel, und so zu tun, als wäre es anders, wäre die Art von Verfügbarkeitsversprechen, das sich gut liest und im Produktivbetrieb versagt. Was wir anbieten, ist die Hälfte einer Entscheidungs-Pipeline, die tatsächlich generiert – und ein Einblick in dieses Release ist ungewöhnlich wörtlich: Gemma 4 26B A4B, genau die Basis, die Microsoft feinabgestimmt hat, ist in unserem Katalog für 0,06 $ pro Million Eingabe- und 0,33 $ pro Million Ausgabe-Tokens, neben Jev 1.14 für 0,042 $, dem Modell, an dem Microsoft-Decision-1.1 gemessen wird. Wenn Sie sehen wollen, wie viel des Entscheidungsverhaltens vom Basismodell und wie viel vom Post-Training stammt, sind beide Enden dieses Vergleichs über einen Schlüssel erreichbar, zum Listenpreis des Anbieters mit 0 % Aufschlag, durchgereicht.

A screenshot of the OrcaRouter model page for typesafe/jev-1.14, headed with the model name and typesafe as the provider. Pricing shows $0.04 input and $0.04 output per million tokens, with a code sample posting a state and two typed questions to https://api.orcarouter.ai/v1/systemone. A performance panel lists a p50 time-to-first-token of 181 ms, a European Union inference region and zero data retention available, with 171.8M tokens of usage shown.

Was als Nächstes ansehen

Zwei Dinge sind jetzt öffentlich testbar, was letzte Woche noch nicht der Fall war. Das erste ist, ob der Decision Index weiterhin auf Keynote-Screens erscheint: Ein Benchmark wird in dem Moment zu einem Beschaffungsdokument, in dem Anbieter beginnen, ihn unter ihrem eigenen Logo zu zitieren, und der nächste Anbieter, der dies tut, wird eine andere Teilmenge von vier Modellen zitieren. Das zweite ist, ob Microsoft-Decision-1.1 seine Routing-Position hält, wenn das Board wächst – When2Call trägt ein Gewicht von 10 % und liefert den Großteil des Vorsprungs des Modells gegenüber Gemini Decision 1, was bedeutet, dass eine routinemäßige Index-Überarbeitung diese Rangliste stärker verschieben kann als jedes Modell-Update.

Vorerst ist der treffende Satz enger gefasst als die Folie und nützlicher: Microsoft hat ein Entscheidungsmodell ausgeliefert, das bei gleichem Tokenpreis doppelt so schnell ist wie sein Vorgänger, deutlich besser kalibriert, neu Bilder lesen kann, weiterhin auf 32K Token begrenzt ist, ehrlich darüber ist, was es nicht weiß, und auf dem einzigen unabhängigen Board, das es rankt, an elfter Stelle steht. In der Keynote hieß es, es schlage Google und OpenAI. Das tut es. Es schlägt nur nicht alle.