
Microsoft-Decision-1.1 vs. Gemini Decision 1: Ein Zwei-Punkte-Vorsprung, der fast ausschließlich auf einem einzigen Test basiert
- OrcaNEUOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 pro 1 Mio. Tokens · 184 tok/s
- tencentNEUTencent: Hy4 Flash2026-11-16$0.02 / $0.07 pro 1 Mio. Tokens · 223 tok/s
- GoogleNEUGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 pro 1 Mio. Tokens · 87 tok/s
- AnthropicNEUAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 pro 1 Mio. Tokens · 96 tok/s
- orcaNEUOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 pro 1 Mio. Tokens · 90 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 pro 1 Mio. Tokens · 131 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 pro 1 Mio. Tokens · 77 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 pro 1 Mio. Tokens · 94 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 pro 1 Mio. Tokens · 114 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 pro 1 Mio. Tokens · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 pro 1 Mio. Tokens · 94 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 pro 1 Mio. Tokens · 41 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 · 209 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligenz
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 pro 1 Mio. Tokens · 111 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligenz
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 pro 1 Mio. Tokens · 311 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligenz
Stellt man Microsoft-Decision-1.1 und Gemini Decision 1 auf dem Artificial Analysis Decision Index v2.1 nebeneinander, wirkt die Lücke wie ein Urteil: 67,78 gegenüber 65,98 – wobei Microsofts Modell mit 123 ms pro Aufgabe gegenüber 211 ms außerdem fast doppelt so schnell und mit 139,64 $ pro Million Aufgaben gegenüber 344,90 $ weniger als halb so teuer ist. Zerlegt man den zusammengesetzten Wert, wird das Urteil kleiner und seltsamer. Der gesamte Vorsprung von Microsoft-Decision-1.1 stammt aus einer Komponente, die 10 % des Index ausmacht, und aus einer Entscheidung auf Prozessebene darüber, wie ein Dokument abgerechnet wird. Bei den beiden Wissenskomponenten gewinnt Googles Modell – bei einer davon um mehr als sechs Punkte, mit einer fast doppelt so hohen Rohgenauigkeit.
Diese Aufteilung macht den gesamten Vergleich aus, und sie entscheidet über mehr als eine Platzierung in der Rangliste. Gemini Decision 1 verarbeitet 262.144 Tokens und akzeptiert Audio, Video und PDF; Microsoft-Decision-1.1 verarbeitet 32.768 Tokens und akzeptiert Text, JSON und Bilder. Googles Modell gibt im Omniscience-Test in 49,6 % der Fälle zu, wenn es etwas nicht weiß; Microsofts Modell in 49,4 %. Beim Routing-Test liegt Microsofts Modell zwölfeinhalb Punkte vorn. Wenn Ihre Entscheidung lautet „Welches dieser fünf Tools braucht diese Anfrage“, ist die Antwort nicht knapp. Wenn Ihre Entscheidung lautet „Stimmt diese Klausel in diesem 90-seitigen Vertrag“, kippt die Antwort – und sie kippt wegen eines Kontextfensters, nicht wegen eines Modells.
Beide sind Scorer, und sie sind Scorer derselben Ausprägung.
Die beiden APIs konvergierten auf nahezu dasselbe Primitiv, was den Vergleich ungewöhnlich sauber macht. Jede nimmt eine gemeinsame Eingabe und eine Reihe typisierter Fragen entgegen und gibt pro Frage eine typisierte Antwort samt angehängter Wahrscheinlichkeit zurück. Keine von beiden schreibt ein Wort.
• Fragetypen – beide bieten dieselben drei: eine Ja/Nein-Wahrscheinlichkeit, eine Auswahl aus einer festen Menge mit einer Wahrscheinlichkeit pro Option und eine Position auf einer geordneten Skala. Microsoft nennt den ersten noul, Google nennt ihn ebenfalls noul, was weniger ein Zufall als vielmehr eine Kategorie ist, die sich auf ein Vokabular festlegt.
• Ausgabe-Tokens — bei beiden null, bei jedem Aufruf. Die Abrechnung erfolgt nur auf Basis der Eingabe, daher ist der Tokenpreis, den Sie sehen, der Gesamtpreis.
• Parallele Bewertung — beide bewerten jede Frage unabhängig anhand der gemeinsamen Eingabe, sodass Fragen einander nicht sehen können und das Hinzufügen einer zehnten die ersten neun nicht verändert.
• Anfragegröße — Google dokumentiert 1 bis 1.000 Fragen pro Aufruf, Auswahlfragen mit 2 bis 255 Optionen, Bewertungsfragen mit 2 bis 255 Stufen. Microsoft dokumentiert „eine oder mehrere typisierte Fragen“ ohne Obergrenze, und im Launch-Beitrag des Unternehmens werden Anfragen mit „Hunderten von Fragen“ beschrieben.
• {{1}}Bildeingabe{{/1}} — beide akzeptieren sie jetzt. Microsoft hat sie in 1.1 hinzugefügt; Google hat sie von Anfang an, zusammen mit Audio und Video, die Microsoft ausdrücklich nicht annimmt.
• Endpunkte — hier weichen sie physisch voneinander ab. Gemini Decision 1 ist nur über Googles Decisions API auf der Gemini Developer API v1beta erreichbar. Microsoft-Decision-1.1 wird als Foundry-Ressource bereitgestellt und antwortet unter /providers/microsoft/v1/systemone auf dieser Ressource.
Das Zusammengesetzte, zerlegt
Ein Vorsprung von 1,8 Indexpunkten, der in einer einzelnen Komponente mit 10 % Gewichtung liegt, ist kein Rundungsartefakt, sondern eine viel engere Aussage als „besseres Modell“. Hier ist die vollständige Zerlegung beider Einträge, so wie Artificial Analysis sie veröffentlicht, abgerufen am 19. November 2026:
• Gesamtindex — Microsoft-Decision-1.1 67,78 vs. Gemini Decision 1 65,98
• Genauigkeitsindex (der Index, nur mit Genauigkeit neu berechnet, Konfidenz entfernt) – 48,45 gegenüber 45,53, Microsoft liegt also auch bei der Korrektheit vorn, nur mit geringerem Vorsprung
• When2Call, 10 % Gewichtung — 95.08 vs 80.50. Ein Abstand von 14,6 Punkten und die Quelle des Vorsprungs.
• AA-Paperclip, 30 % Gewichtung — 58,67 vs. 56,83 Decision Score und 36,8 % vs. 33,0 % der Dokumente vollständig korrekt
• EvalSafe-O*NET-AA, 15 % – 88,85 vs. 87,05, mit 83,4 % vs. 82,0 % Rohgenauigkeit
• AA-Omniscience-Decision v1.1, 15 % — 60,46 vs. 66,28, mit 33,2 % vs. 44,8 % Rohgenauigkeit und 49,4 % vs. 49,6 % Nicht-Halluzination
• HLE-MultiChoice v1.1, 15 % — 46,11 vs. 48,71, mit 6,29 % vs. 13,16 % Rohtrefferquote und 38,4 % vs. 35,8 % Nicht-Halluzination
• AA-Symmetry, 15 % — 75,72 vs. 70,47, bei Bestehensquoten für Umformulierungen von 47,5 % gegenüber 38,3 %
Aus dieser Liste ergeben sich zwei Dinge. Das erste ist, dass die größte einzelne Lücke bei der Komponente mit der geringsten Gewichtung liegt — When2Call trägt 9,5 Punkte zu einer 100-Punkte-Skala bei, sodass der Unterschied von 14,6 Punkten dort etwa 1,5 Indexpunkte ausmacht, was den Großteil der insgesamt 1,8 Punkte ausmacht. Das zweite ist, dass der Wissensvorsprung von Gemini Decision 1 tatsächlich groß ist: 44,8 % gegenüber 33,2 % bei der Rohgenauigkeit von Omniscience sind kein Rauschen, und deshalb hat das Modell von Google einen höheren Genauigkeitsindex, als sein zusammengesetzter Wert vermuten lässt.
Mit anderen Worten: Microsoft hat Google nicht in allen Bereichen bei den Messwerten übertroffen. Bei dem einen Test, der fragt, ob das Modell weiß, wann es ein Tool aufrufen soll, hat es Google deutlich übertroffen, und lag ansonsten ungefähr gleichauf, wobei es die Wissenstests verlor und den Konsistenztest gewann.

Was der Unterschied beim Kontextfenster tatsächlich kostet
Das 262.144-Token-Fenster ist die Zahl, die echte Arbeitslasten entscheidet, und es ist eine 8-fache Lücke: Gemini Decision 1 liest achtmal so viel wie Microsoft-Decision-1.1. Googles Dokumentation setzt dieses Budget auf eine bestimmte Weise ein – das Fenster deckt die gemeinsame Eingabe und alle Fragen zusammen ab, sodass ein einzelner langer Vertrag plus zweihundert Rubrikfragen um dieselben 262K konkurrieren.
Microsofts 32K-Obergrenze hat einen Effekt zweiter Ordnung, der sich in der Kostenspalte zeigt. AA-Paperclip berechnet ein Dokument einmal für alle seine Fragen und liefert 15 Antworten pro Dokument. Ein Modell, das das Dokument nicht in einem Aufruf halten kann, muss Stück für Stück angewendet werden, was die Aufrufe vervielfacht. Microsoft-Decision-1.1 kommt auf Paperclip auf 386 $ pro Million Aufgaben gegenüber Gemini Decision 1 mit 946 $ — doch die Rangfolge bei den Gesamtkosten pro Aufgabe ist bereits durch den Tokenpreis erklärt, nicht durch die Dokumentverarbeitung.
Es gibt einen dritten Mechanismus, der eine Erwähnung verdient, weil er derjenige ist, den Käufer übersehen: Wiederholte Eingaben werden bei beiden in voller Höhe berechnet. Die Decisions API von Google unterstützt ausdrücklich kein Context Caching, keine Batch-, Flex- oder Priority-Inferenz, sodass eine bei jeder Anfrage mitgesendete Rubrik bei jeder Anfrage bezahlt wird. Auch Microsoft-Decision-1.1 bietet in seiner Dokumentation keine Caching-Lösung. Keiner der beiden Anbieter gewährt einen Rabatt dafür, dieselben 200 Fragen eine Million Mal zu stellen – genau die Arbeitslast, für die diese Kategorie gemacht ist.
Preisgestaltung, mit der SKU-Falle
Microsoft nennt drei Eingabepreise – 0,042 USD pro Million bei Global Standard, 0,046 USD bei US Data Zone, 0,05 USD bei EU and APAC Data Zone – und keinen Ausgabepreis. Google nennt einen: 0,10 USD pro Million Eingabe-Tokens. Bei der prominentesten Zahl ist Microsoft 58 % günstiger. Bei den gemessenen Kosten über den gesamten Index ist Microsoft 60 % günstiger – 139,64 USD gegenüber 345,41 USD pro Million Aufgaben –, weil es bei den meisten Komponenten außerdem weniger Tokens pro Aufgabe verbraucht.
Doch der Satz von 0,042 $ ist der globale, und eine EU-ansässige Workload auf der Data-Zone-SKU zahlt 0,05 $, was die Lücke auf 50 % verringert. Keine der beiden Zahlen enthält die Kosten der Aufrufe rund um das Entscheidungsmodell, die in den meisten Produktions-Pipelines den Scoring-Aufruf selbst in den Schatten stellen — das Modell, das die Kandidatenantworten entwirft, das Modell, das die Rubrik schreibt, das Modell, das die Fälle übernimmt, bei denen der Scorer sich enthalten hat. Diese Ausgaben sind der Punkt, an dem Routing tatsächlich Geld spart, und genau das deckt OrcaRouter ab: ein Schlüssel für über 200 Modelle zum Listenpreis des Anbieters mit 0 % Aufschlag, sodass eine Preisänderung des Anbieters auf der generativen Hälfte am selben Tag wirksam wird, und Fusion oder die Routing-DSL können einen günstigen Drafter hinter einen teuren Judge setzen ohne eine zweite Integration.

Welche würdest du tatsächlich deployen?
Drei Formen der Arbeitslast, drei unterschiedliche Antworten – und keine davon lautet „der höhere Index“.
• Routing, Gating und Tool-Auswahl — Microsoft-Decision-1.1. Ein Wert von 95,08 bei When2Call gegenüber 80,50 ist die größte Einzelkomponenten-Lücke im Board, und Routing ist die Workload, für die Microsoft das Modell gebaut hat. Auch der Median von 123 ms ist hier relevant: Ein Router sitzt im Anfragepfad, und der Unterschied zwischen 123 ms und 211 ms ist der Unterschied zwischen einem Schritt, den niemand bemerkt, und einem Schritt, den das Latenzbudget auffangen muss.
• Dokumentenextraktion und Rubrikbewertung bei langen Eingaben — Gemini-Entscheidung 1. Wenn ein einzelner Aufruf einen 90-seitigen Vertrag plus die Fragen dazu sehen muss, scheitert Microsofts 32K-Obergrenze schlicht, und keine noch so gute When2Call-Leistung rettet einen Aufruf, der nie stattgefunden hat. Googles 44,8 % Omniscience-Genauigkeit und 13,2 % HLE-Genauigkeit bestärken dieselbe Schlussfolgerung aus einer anderen Richtung: Es weiß mehr und kann mehr lesen.
• Hochvolumen-Screening, bei dem die Rechnung dominiert – weder noch, und das ist die ehrliche Antwort. Celeris-1.1 Decision erreicht 62,0 bei $14 pro Million Aufgaben; Decider v1.3 erreicht 70,4 bei $68. Beide schlagen Microsoft-Decision-1.1 bei den Kosten pro Aufgabe, und eines schlägt es beim Index. Wenn Ihre Entscheidung billig und repetitiv ist, sind die Hyperscaler-Optionen die teuren.
Für alle drei gilt ein Vorbehalt: Die Lücke von 1,8 Punkten und die Kalibrierungszeilen stammen aus einem Index, der am 8. November 2026 seine eigene Gewichtung überarbeitet hat, Omniscience und HLE von jeweils 25 % auf 15 % herabgesetzt und eine Dokumentkomponente von 30 % eingeführt hat. Eine Neugewichtung kann dieses Ranking stärker verschieben als eine Modellveröffentlichung. Betrachten Sie den Vergleich als aktuell und datiert, nicht als dauerhaft.

Wo die beiden Modelle als Nächstes auseinandergehen werden
Microsoft-Decision-1.1 ist ein zweiter Versuch auf einer neuen Basis – Gemma 4 26B A4B statt Qwen3.5-9B – mit einer eigenen Inferenz-Engine und einem Routing-Ansatz. Gemini Decision 1 ist Googles erster Eintrag, gebunden an eine einzige API-Oberfläche und eine einzige Modell-ID. Die Entwicklungsrichtungen weisen in entgegengesetzte Richtungen: Microsoft iteriert am Basismodell und am Serving-Stack, Google iteriert an den Eingabemodalitäten und am Kontextbudget.
Was das für eine in diesem Monat getroffene Entscheidung bedeutet, ist wenig glamourös. Prüfen Sie, ob Ihr längster Input in 32K passt, bevor Sie auch nur eine einzige Benchmark-Zahl lesen, denn diese Einschränkung schließt eines dieser beiden Modelle von vornherein aus. Wenn er passt, lassen Sie Ihre eigenen zwanzig gelabelten Beispiele durch beide laufen und vergleichen Sie die Konfidenzverteilungen statt der Top-1-Antworten – ein Scorer, für den Sie keinen Schwellenwert festlegen können, ist ein Scorer, den Sie nicht ausliefern können, und die beiden liegen bei Nicht-Halluzination nur 0,2 Punkte auseinander, also in der Zeile, die dafür maßgeblich ist, ob sich die Enthaltung bei Ihren Daten genauso verhält wie bei einem öffentlichen Testdatensatz.
In diesem Artikel verglichen1
Aus diesem Artikel erkannt · Benchmarks: Artificial Analysis · täglich aktualisiert
