Gemini Decision 1 vs Microsoft-Decision-1: dos evaluadores de hiperescaladores, cuatro puntos de diferencia

Los dos mayores proveedores de nube ahora venden ambos un modelo que responde con una probabilidad en lugar de una frase, y ninguno de los dos te dirá qué tan bien funciona. Microsoft-Decision-1 pasó a disponibilidad general en Microsoft Foundry el 8 de octubre de 2026: una base Qwen3.5-9B con post-entrenamiento de Microsoft, texto de entrada, 32.768 tokens de contexto, distribuciones calibradas de salida, pesos no distribuidos. Gemini Decision 1 llegó el 11 de noviembre de 2026 a la Gemini Developer API: texto, imagen, vídeo, audio y PDF de entrada, 262.144 tokens de contexto, hasta 1.000 preguntas tipadas por solicitud, $0,10 por millón de tokens de entrada, y pesos no distribuidos tampoco. Ambos incluyen una sección de metodología y ninguna tabla de resultados, lo que deja a un instrumento independiente como el único lugar donde se pueden comparar — Artificial Analysis, donde están a cuatro puntos de distancia, en noveno y décimo lugar de dieciocho.

Cuatro puntos no es la brecha interesante. La brecha interesante es que, en la evaluación para la que en realidad se compran la mayoría de los modelos de decisión, los dos están a solo cinco puntos de distancia mientras ambos se sitúan cerca del fondo de la tabla, y el modelo que gana la clasificación general lo logra en un terreno completamente distinto.

Lo que cada uno te pone delante

Las formas de las solicitudes son lo bastante parecidas como para que un cliente escrito para una se adapte a la otra en una tarde, y lo bastante diferentes como para que la elección normalmente se tome antes de leer cualquier benchmark.

• Entrada — Gemini Decision 1 acepta texto, imagen, vídeo, audio y PDF, hasta 100 MB en línea por solicitud y 15 MB por URL externa. Microsoft-Decision-1 acepta texto, serializado a 32.768 tokens. Un formulario escaneado o una grabación de llamada es una entrada nativa para uno y una tarea de preprocesamiento para el otro.

• Contexto — 262.144 tokens para Gemini Decision 1, compartidos entre la entrada y cada pregunta. 32.768 para Microsoft-Decision-1, con la entrada más el conjunto de opciones consumiéndolos y sin presupuesto de generación que restar porque no hay generación.

• Formas de pregunta — Gemini Decision 1 formaliza tres: sí/no acotado a 0,01–0,99, elección entre 2 y 255 opciones con nombre, y puntuación sobre 2 a 255 niveles ordenados que devuelve un nivel esperado ponderado por probabilidad. Microsoft-Decision-1 abarca sí/no, opción múltiple, valoración, clasificación y puntuación por rúbrica, y admite explícitamente opciones de abstención como «no se puede determinar» dentro del conjunto de opciones.

• Agrupación por lotes dentro de una solicitud — hasta 1.000 preguntas independientes para Gemini Decision 1, cada una aislada de las demás, todo ello con una sola lectura facturada de la entrada compartida. El contrato publicado de Microsoft-Decision-1 es un estado y su conjunto de preguntas por invocación, por lo que la amplitud proviene de agrupar las preguntas y no de un límite máximo documentado por solicitud.

• Precio — $0.10 por millón de tokens de entrada para Gemini Decision 1, sin cargo por salida porque la salida es de cero tokens. El panel registra $345 por millón de tareas para este, y $143 por millón de tareas para Microsoft-Decision-1 a la tarifa de entrada que registra.

• Acceso — Gemini Developer API solo en v1beta, con un nivel gratuito de 200 solicitudes por minuto y 10.000 al día, solicitudes diarias ilimitadas desde el Nivel 2, y sin presencia en Vertex AI en la documentación que Google publicó. Microsoft-Decision-1 como implementación de Foundry dentro de la cartera Direct from Azure, con opciones sin servidor y de punto de conexión unificado, SKU estándar, autenticación de Azure y una única vía de facturación, inferencia por lotes deshabilitada y sin descarga de pesos ni ruta de ajuste fino.

La línea de acceso es donde se toman las decisiones de compra y no las técnicas. Si su organización compra mediante un compromiso con Azure, Microsoft-Decision-1 es una factura que ya sabe cómo pagar. Si compra mediante Google Cloud, Gemini Decision 1 actualmente no lo es: la única puerta documentada es una clave de API de Gemini, que corresponde a una línea presupuestaria distinta y, para algunas empresas, a un proceso de aprobación diferente.

El marcador, componente por componente.

El Decision Index de Artificial Analysis puntúa cada evaluación como la exactitud menos la penalización de Brier por la confianza asociada a la respuesta, ponderada en seis componentes. Así es como los dos modelos se los reparten:

• AA-Paperclip, peso del 30 % — Gemini Decision 1 56,8 frente a Microsoft-Decision-1 51,8. Ambos son débiles. La tasa de aprobación documental de todo o nada es del 33 % para Gemini Decision 1 y del 20,9 % para Microsoft-Decision-1, frente al 63 % del líder del sector. Ninguno de los dos modelos de hiperescalador extrae quince datos de un documento denso de manera fiable.

• EvalSafe-O*NET-AA, 15% — 87,1 frente a 86,8. Prácticamente idénticos, y ambos cerca de lo más alto de un grupo muy compacto.

• When2Call, 10% — 80.5 frente a 88.0. Microsoft-Decision-1 gana claramente esta comparación y se sitúa cerca de los líderes; Gemini Decision 1 ocupa el decimocuarto lugar de dieciocho.

• AA-Omniscience-Decision v1.1, 15% — 66,3 frente a 54,9. Gemini Decision 1 ocupa el primer puesto del grupo; su tasa de no alucinación del 49,6 % es la razón. Microsoft-Decision-1 presenta aquí un 21,7 % de no alucinación, que es la cifra que debería preocupar a cualquiera que planee aplicar umbrales a sus abstenciones.

• HLE-MultiChoice v1.1, 15% — 48,7 frente a 39,4. Primer puesto frente a undécimo. La precisión bruta es del 13,2% frente al 8,6%, y la no alucinación, del 35,7% frente al 15,1%.

• AA-Symmetry v1.1, 15 % — 70,5 frente a 70,4. Un empate técnico, ambos en mitad de la tabla, manteniendo la misma respuesta bajo reordenamiento y negación en el 38,3 % y el 51,7 % de las familias de preguntas, respectivamente.

El compuesto se sitúa en 65,98 y 62,07, noveno y décimo. Al leer los componentes, la forma de cada producto queda clara. Microsoft-Decision-1 es un sólido evaluador de llamadas a herramientas y juicio laboral cuyo comportamiento en conocimiento y abstención es débil. Gemini Decision 1 es lo contrario: las mejores puntuaciones de conocimiento y abstención del tablero, combinadas con extracción de mitad de tabla y una pobre discriminación en la elección de herramientas.

Lo que comparten es precisamente lo que resulta sospechoso.

Ninguno de los dos proveedores publica una tabla de benchmarks. La ficha de {{1}}Microsoft-Decision-1{{/1}} describe su metodología —benchmarks de decisiones públicos y comunitarios, conjuntos internos reservados, exactitud y error de calibración, variación del orden de las opciones, pruebas estadísticas emparejadas— y afirma que el modelo «rinde al mismo nivel que los principales modelos de decisión y por delante de otros modelos de decisión abiertos evaluados con la misma metodología». No hay ninguna tabla debajo de esa frase. Las notas de la versión de {{2}}Gemini Decision 1{{/2}} anuncian el modelo y enlazan a la documentación de la API, que enumera las capacidades admitidas y no admitidas y ninguna cifra de exactitud en absoluto.

Esto importa porque toda la interfaz de un modelo de decisión es un número sobre el que tu código bifurca. Un modelo de chat que es unos puntos más débil produce peor prosa; un evaluador mal calibrado enruta silenciosamente el 8% de tus tickets a la cola equivocada, y nada en la respuesta te lo indica. Dos proveedores de frontera lanzaron productos cuya afirmación central —que la probabilidad significa lo que dice— se sostiene en prosa y solo la mide un tercero.

El tercero, hay que reconocerlo, mide ambos con el mismo instrumento, y por eso esta comparación es posible. Pero un tablero es solo un tablero, su componente más grande es 45 % de datos privados, y lleva apenas unas semanas puntuando modelos de decisión. Trata 66 y 62 como la primera lectura externa, no como una capacidad consolidada.

¿Cuál poner detrás de tu umbral?

Elige Microsoft-Decision-1 cuando la decisión sea una llamada a herramienta o un juicio sobre un documento de trabajo, cuando la entrada sea texto que quepa cómodamente en 32K tokens, y cuando la puerta de despliegue sea un contrato de Azure con facturación unificada y un paquete de Responsible AI adjunto. Su 88,0 en When2Call y su 86,8 en EvalSafe-O*NET son fortalezas reales, y sus opciones explícitas de abstención te permiten diseñar una vía de escape de "no se puede determinar" dentro del conjunto de opciones en lugar de añadirla a posteriori.

Elige Gemini Decision 1 cuando la entrada sea larga, multimodal o se comparta entre muchas preguntas, cuando las preguntas de conocimiento y el control de alucinaciones sean lo importante y cuando estés dispuesto a pagar por contexto. Su primer puesto en ambos componentes de conocimiento y su tasa de no alucinación del 49,6 % en AA-Omniscience son las razones para elegirlo por encima del modelo más económico de Microsoft, y su tasa de aprobación de documentos del 33 % es la razón para no elegirlo para trabajos de extracción.

No elijas ninguno de los dos para extracción a gran escala. Ambos puntuadores de hiperescaladores se sitúan en la mitad inferior del componente de documentos ponderado al 30 %, y los modelos que lideran ahí —un multimodal de 27B de Nace.AI y un codificador de 421M de Convai Innovations que puedes ajustar tú mismo— cuestan menos por tarea y, en el caso de pesos abiertos, pueden entrenarse con tus propios documentos.

El resto del pipeline no tiene por qué quedar rehén de esto

OrcaRouter no incluye ninguno de los dos modelos. Ambos son endpoints que solo proporcionan probabilidades —uno en la Gemini Developer API y otro en Foundry— y ninguno es un destino de chat-completions, así que no los incluimos. Lo que el catálogo sí incluye es typesafe/jev-1.14 de TypeSafe, un modelo de decisión con 66,23 en este mismo índice, que es una tercera opción razonable si quieres que la llamada de puntuación se haga con la misma clave que todo lo demás.

La llamada que envuelve al scorer es donde un router se gana su sitio, y es justamente la mitad que estos dos productos deliberadamente no abordan. Algo tiene que escribir la rúbrica contra la que puntúa el scorer, resumir el documento de 60 páginas hasta 32K tokens o redactar la respuesta candidata que se está clasificando — y ese algo es un modelo generativo cuyo precio y calidad cambian cada pocas semanas. Esa llamada se ejecuta a través de un único endpoint con más de 200 modelos en él a precio de lista del proveedor traspasado con un 0% de margen, con conmutación por error automática cuando un proveedor se degrada y un DSL de enrutamiento si quieres que varios modelos compongan una sola respuesta. Mantén portable la mitad de escritura y la decisión de puntuación seguirá siendo reversible, lo que vale más que cuatro puntos de índice cuando ambos proveedores hacen revisiones con una cadencia trimestral.

Qué ver

Tres señales cambiarían la clasificación, y ninguna ha llegado. Una tabla de referencia de Microsoft con curvas de calibración permitiría a sus clientes de Azure establecer umbrales con base en evidencia; la ficha actualmente ofrece una metodología y una afirmación. Una ficha de Vertex AI para Gemini Decision 1 lo trasladaría de una compra de clave de API a una compra de contrato en la nube y cambiaría por completo la comparación de adquisiciones. Y un segundo panel independiente que puntúe ambos modelos nos diría si la diferencia de cuatro puntos es señal o el ruido de una tabla de clasificación de hace tres semanas.

Hasta entonces, la interpretación defendible es esta: Gemini Decision 1 es el mejor modelo en los dos componentes en los que saber cuándo declinar es la habilidad, Microsoft-Decision-1 es mejor en la selección de herramientas y ligeramente más barato, y ambos están en la mitad de la tabla en la extracción de documentos, que es de lo que en realidad se compone la mayoría de las cargas de trabajo de decisiones empresariales. Pasa 200 de tus propios elementos etiquetados por cada uno antes de que cualquiera de las dos cifras decida algo.