
Microsoft-Decision-1.1 llegó al keynote de Ignite. La frase sobre el benchmark que citó es verdadera y acotada.
- OrcaNUEVOOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 por 1M de tokens · 184 tok/s
- tencentNUEVOTencent: Hy4 Flash2026-11-16$0.02 / $0.07 por 1M de tokens · 223 tok/s
- GoogleNUEVOGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 por 1M de tokens · 87 tok/s
- AnthropicNUEVOAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 por 1M de tokens · 96 tok/s
- orcaNUEVOOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 por 1M de tokens · 90 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 por 1M de tokens · 131 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 por 1M de tokens · 77 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 por 1M de tokens · 94 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 por 1M de tokens · 114 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 por 1M de tokens · 69 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 94 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Inteligencia
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 por 1M de tokens · 209 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Inteligencia
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 por 1M de tokens · 111 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Inteligencia
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 por 1M de tokens · 311 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Inteligencia
Microsoft-Decision-1.1 pasó a estar disponible de forma general el 17 de noviembre de 2026, seis semanas después de Microsoft-Decision-1 y sobre un modelo base completamente distinto: Gemma 4 26B A4B, el sistema de mezcla de expertos de tamaño medio que Microsoft menciona en su propia publicación de lanzamiento, en sustitución del Qwen3.5-9B a partir del cual se postentrenó la versión 1. Ese cambio es lo sustancial del lanzamiento. La frase que más recorrido tuvo vino del keynote de Ignite, donde se presentó Decision 1.1 como enrutamiento de modelos "integrado directamente en tus aplicaciones" y luego se respaldó con una sola frase: "en el AA Decision Index supera a Jev, Google y OpenAI". Esos tres nombres corresponden a Jev 1.14 con 66,2, Gemini Decision 1 con 66,0 y GPT-6 Luna (Decisions) con 60,2, frente a 67,78 de Microsoft-Decision-1.1. Las tres comparaciones son correctas.
También son el subconjunto de cuatro modelos más favorecedor de una tabla que actualmente clasifica veinticinco entradas. Diez modelos de decisión obtienen esta noche puntuaciones superiores a Microsoft-Decision-1.1, desde d1.2-ultra con 74,8, pasando por Drex Max v1.1 y SubQ Snap 1.2 con 72,6, hasta SubQ Snap 1.1 con 67,9. La frase de la conferencia magistral no era falsa. Era una comparación seleccionada presentada con la gramática de una comparación completa, y esa distinción vale más que el propio lanzamiento, porque es lo que sucede la primera vez que un índice de benchmark aparece en una diapositiva en la conferencia de desarrolladores de un hiperescalador.
Lo que dijo el escenario y lo que dice el consejo.
La transcripción de la keynote que Microsoft publicó ese mismo día dedica poco al tema. Tras un repaso por los modelos de programación, pasa a la toma de decisiones: "los agentes son cada vez más necesarios para tomar decisiones, especialmente cuando la velocidad y el coste son críticos. Por eso, Decision 1.1 ofrece enrutamiento de modelos integrado directamente en tus aplicaciones. Y en el AA Decision Index supera a Jev, Google y OpenAI."
Desglosado, esa es una comparación cuádruple que el índice sí respalda. En el compuesto Decision Index v2.1, publicado por Artificial Analysis y consultado aquí el 19 de noviembre de 2026, Microsoft-Decision-1.1 obtiene 67.78, Jev 1.14 obtiene 66.2, Gemini Decision 1 obtiene 65.98 y GPT-6 Luna (Decisions) obtiene 60.2. Las diferencias son de 1.6, 1.8 y 7.6 puntos. Nada de eso es discutible.
Lo que omite la frase es la mitad de la tabla que está por encima de él. La misma página clasifica a Microsoft-Decision-1.1 en el undécimo puesto, y las diez entradas que están por delante no son desconocidas:
• d1.2-ultra (Liquid AI) — 74,8, el líder de la tabla, a $133 por millón de tareas
• Drex Max v1.1 (Nace) — 72.6 a $103, y SubQ Snap 1.2 — 72.6 a $137
• GLiDE v1.2 (Fastino) — 72,5 a $780, Mammoth 27B (Baseten) — 71,4 a $264, d1-ultra — 70,6
• Decider v1.3 (Perplexity) — 70,4 a 68 $, Decider v1.2 — 69,8, d1.2 — 68,7, SubQ Snap 1.1 — 67,9
Que un proveedor elija a los tres competidores nombrados que favorecen su lanzamiento no es un escándalo; todas las publicaciones de lanzamiento lo hacen, y Microsoft es inusualmente explícita al señalar que estos son los modelos que eligió nombrar. La parte interesante es el medio. Un índice propietario de terceros —cuya revisión v2 se publicó el 8 de noviembre de 2026, nueve días antes de Ignite, y que se basa en un 45 % de conjuntos de datos privados— fue citado en el escenario como la autoridad para una afirmación sobre el propio modelo de Microsoft. Eso es un tipo de hecho distinto del de una captura de pantalla de un benchmark de proveedor, y tiene doble filo: eleva el índice y lo coloca en una posición en la que ser citado de forma selectiva ahora forma parte de su reputación.
¿Qué cambió realmente entre 1 y 1.1?
Más allá de la diapositiva, la ingeniería es concreta. Microsoft-Decision-1.1 no es un ajuste menor del modelo de octubre. La base cambió de Qwen3.5-9B de Alibaba, que la página del catálogo v1 todavía acredita, a Gemma 4 26B A4B. Microsoft describe la elección en términos de coste: suficientes parámetros activos para el juicio y lo bastante compacta para ejecutarse en flotas A100, H100/200 y GB200/300. La empresa atribuye la latencia a un motor de inferencia personalizado, diseñado para puntuar en lugar de generar token por token.
La capacidad que no existía en v1 es la entrada de imágenes. Microsoft-Decision-1.1 acepta texto, JSON o imágenes —fotos, capturas de pantalla— y sigue rechazando audio, video y cualquier forma de explicación generada. Los tipos de pregunta no cambian de nombre: noul para una probabilidad en una afirmación de sí/no, choice para una etiqueta de un conjunto fijo con una probabilidad para cada opción, score para una posición en una escala ordenada. La solicitud va a una ruta que termina en /providers/microsoft/v1/systemone, que es o bien el nombre de endpoint menos autoexplicativo lanzado este trimestre o bien una pista sobre dónde cree Microsoft que se sitúa esta categoría en la pila.
El contexto es el número al que hay que prestar atención si estás migrando: Microsoft documenta «entradas de hasta 32K tokens», y Artificial Analysis registra una ventana de 33k. La versión 1 era igual. Un modelo de decisión que lea un contrato de 40.000 tokens no está en esta versión.
Tres afirmaciones de la publicación de lanzamiento, contrastadas con el panel
La propia publicación de Microsoft plantea tres afirmaciones cuantitativas, y los datos independientes resuelven cada una de ellas de manera distinta.
• «Puntúa 68» — el valor del índice es 67,78. Esto es un redondeo, no una inflación, y es la única afirmación que se mantuvo exacta.
"Más del doble de rápido": la versión 1 mide 274,25 ms por tarea y la versión 1.1 mide 123,25 ms. Eso supone 2,23 veces más, y convierte al nuevo modelo en la quinta entrada más rápida de la tabla en lugar de la vigésima.
• «Al mismo coste»: cierto a nivel de tokens y engañoso en la práctica. Ambas versiones indican $0.042 por millón de tokens de entrada. Pero el coste medido por millón de tareas es de $139.64 para la 1.1 frente a $142.56 para la v1, una mejora del 2 %, no una reducción a la mitad. Mismo precio, factura aproximadamente igual, el doble de rendimiento. Si tu limitación es la latencia en lugar del gasto, la actualización es grande; si es el gasto, la actualización es casi nula.

Donde el compuesto deja de coincidir con el marketing
El compuesto Decision Index v2.1 no es un misterio. Son seis componentes ponderados, y el 67.78 de Microsoft-Decision-1.1 es reproducible a partir de ellos: 30% AA-Paperclip, 15% EvalSafe-O*NET-AA, 10% When2Call, 15% AA-Omniscience-Decision v1.1, 15% HLE-MultiChoice v1.1, 15% AA-Symmetry. Multiplica y suma, y llegas exactamente a 67.78. Esa transparencia es lo que hace legibles las subpuntuaciones, y las subpuntuaciones son donde la narrativa de lanzamiento se vuelve interesante.
• When2Call — 95.08. Esta es la prueba de enrutamiento, y es la cifra más sólida del conjunto por un amplio margen. La propuesta de Microsoft es «enrutamiento de modelos integrado en tus aplicaciones», y en el único componente que mide exactamente eso, el modelo está cerca de lo más alto de la tabla.
• AA-Paperclip — 58.67 de Puntuación de decisión, 36.8% de los documentos respondidos perfectamente. Este es el componente del 30%: 1,500 documentos privados, cada uno con cinco decisiones y diez hechos, puntuados todo o nada. La versión 1 superó el 20.9%. Un salto de quince puntos en la tasa de documentos perfectos es la mayor mejora de ingeniería de la versión, y también es la razón por la que la puntuación compuesta se movió tanto como lo hizo.
• HLE-MultiChoice v1.1 — 46,11 de Puntuación de Decisión con un 6,29 % de precisión bruta y un 38,4 % de no alucinación. Un seis por ciento de precisión en una prueba de conocimiento difícil no es una fortaleza; la Puntuación de Decisión solo resulta respetable porque el modelo es honesto sobre estar perdido. La propia publicación de Microsoft señala que estos modelos "explícitamente aún no están ajustados para los problemas más difíciles", y esta fila es donde esa admisión se hace pública.
• AA-Omniscience-Decision v1.1 — 60,46 con un 33,2 % de precisión y un 49,4 % de no alucinación. La versión 1 obtuvo un 21,7 % en no alucinación, así que el modelo aprendió a abstenerse con aproximadamente el doble de fiabilidad mientras ganaba dos puntos de precisión. Para un modelo de decisión, ese intercambio lo es todo.
Leídos en conjunto, el perfil es coherente: se trata de un router rápido y bien calibrado, con una base de conocimiento superficial. Ese es un producto defendible. No es el producto que da a entender la frase del discurso inaugural.

Precios, en las unidades que realmente utiliza una factura
Foundry enumera tres tarifas de entrada para Microsoft-Decision-1.1 y ninguna tarifa de salida, porque el modelo no emite tokens de salida: $0.042 por millón de tokens de entrada en Global Standard, $0.046 en US Data Zone y $0.05 en implementaciones de EU and APAC Data Zone. Elija el SKU de zona de datos y pagará un 19 % más que la cifra destacada por la localidad. Ese es el primer punto en el que una afirmación de "modelo de decisión más barato" se revisa discretamente.
El segundo lugar es la columna de coste por tarea, que es lo que ocurre cuando se multiplica el precio por token por la cantidad de entrada que consume realmente una tarea. Con 139,64 $ por millón de tareas, AA sitúa a Microsoft-Decision-1.1 en el decimoquinto puesto de veinticinco en cuanto a coste: más barato que Gemini Decision 1, con 344,90 $, y más caro que Celeris-1.1 Decision, con 14 $, y Decider v1.3, con 68 $. El modelo es rápido y de precio medio. No es la ganga de su propia categoría, y Microsoft nunca afirmó que lo fuera.
En qué situación deja esto a un equipo que quiere darlo por terminado.
La ruta propia es Foundry: despliegue el modelo y, después, envíe un estado junto con un mapa de preguntas tipadas al endpoint de decisión. A los compradores empresariales les importará que Microsoft ya lo esté usando como juez dentro de Foundry Evaluations y como enrutador en Copilot, donde la empresa informa que la misma decisión de enrutamiento se toma 2,2 veces más rápido y con un costo 4,4 veces menor que un modelo de lenguaje grande —una cifra reportada por el proveedor a partir del propio arnés de Microsoft, no reproducida fuera de él.
Lo que merece decirse sin rodeos es qué ofrece OrcaRouter y qué no. No alojamos Microsoft-Decision-1.1, ni Gemini Decision 1, ni ningún endpoint de puntuación de decisiones, porque una API que solo ofrece probabilidades no es un destino de chat-completions y fingir lo contrario sería el tipo de afirmación de disponibilidad que suena bien y falla en producción. Lo que sí ofrecemos es la mitad de un pipeline de decisiones que sí genera — y una ventana a este lanzamiento es inusualmente literal: Gemma 4 26B A4B, la base exacta que Microsoft ajustó, está en nuestro catálogo a $0.06 por millón de entrada y $0.33 por millón de salida, junto a Jev 1.14 a $0.042, el modelo contra el que se mide Microsoft-Decision-1.1. Si quieres ver cuánto del comportamiento de decisión es el modelo base y cuánto es el post-entrenamiento, ambos extremos de esa comparación son alcanzables con una sola clave, al precio de lista del proveedor con un 0% de margen añadido.

Qué ver a continuación
Dos cosas ahora se pueden probar en público que no se podían la semana pasada. La primera es si el Decision Index sigue apareciendo en las pantallas de las presentaciones principales: un benchmark se convierte en un documento de compra en el momento en que los proveedores empiezan a citarlo bajo su propio logotipo, y el próximo proveedor que lo haga citará un subconjunto diferente de cuatro modelos. La segunda es si Microsoft-Decision-1.1 mantiene su posición de enrutamiento cuando crece la tabla de clasificación: When2Call aporta un peso del 10% y proporciona la mayor parte de la ventaja del modelo sobre Gemini Decision 1, lo que significa que una revisión rutinaria del índice puede mover esta clasificación más que cualquier actualización de modelo.
Por ahora, la frase precisa es más limitada que la diapositiva y más útil: Microsoft lanzó un modelo de decisión que es el doble de rápido que su predecesor al mismo precio por token, mucho mejor calibrado, ahora capaz de leer imágenes, todavía limitado a 32K tokens, honesto sobre lo que no sabe, y undécimo en la única tabla independiente que lo clasifica. La presentación principal dijo que supera a Google y OpenAI. Es cierto. Simplemente no supera a todos.
