Una tarjeta de título generada con el encabezado «Una prueba, la mayor parte de la ventaja», el subtítulo «Microsoft-Decision-1.1 vs Gemini Decision 1, Decision Index v2.1», una cuadrícula de dos por dos con cuatro tarjetas de etiqueta que dicen «67.78 vs 65.98», «95.08 vs 80.50», «123 ms vs 211 ms» y «139.64 vs 344.90 dólares», un pie de foto que dice «por millón de tareas, leído el 19 de noviembre de 2026», y dos bloques de barras grises etiquetados Microsoft y Gemini. El logotipo de OrcaRouter está compuesto en la esquina inferior derecha.
Guides & Insights

Microsoft-Decision-1.1 vs Gemini Decision 1: una ventaja de dos puntos construida casi en su totalidad sobre una sola prueba

Autor

jinhao.song

Fecha de publicación

Últimos modelos · 20Ver todos los modelos →
Benchmarks: Artificial Analysis · actualizado a diario
Volver a todas las publicaciones

Si se colocan Microsoft-Decision-1.1 y Gemini Decision 1 uno al lado del otro en el Artificial Analysis Decision Index v2.1, la diferencia parece un veredicto: 67,78 frente a 65,98, y el modelo de Microsoft también es casi el doble de rápido, con 123 ms por tarea frente a 211 ms, y menos de la mitad de caro, con $139,64 por millón de tareas frente a $344,90. Si se descompone el compuesto, el veredicto se vuelve más pequeño y más extraño. Toda la ventaja de Microsoft-Decision-1.1 proviene de un componente que vale el 10 % del índice y de una decisión a nivel de proceso sobre cómo se factura un documento. En los dos componentes de conocimiento, gana el modelo de Google —en uno de ellos por más de seis puntos, con casi el doble de precisión bruta.

Esa división es toda la comparación, y decide más que una posición en la clasificación. Gemini Decision 1 lee 262.144 tokens y acepta audio, vídeo y PDF; Microsoft-Decision-1.1 lee 32.768 y acepta texto, JSON e imágenes. El modelo de Google admite cuando no sabe en un 49,6 % en la prueba Omniscience; el de Microsoft, en un 49,4 %. En la prueba de enrutamiento, el de Microsoft está doce puntos y medio por delante. Si tu decisión es «cuál de estas cinco herramientas necesita esta solicitud», la respuesta no está nada igualada. Si tu decisión es «si esta cláusula de este contrato de 90 páginas es verdadera», la respuesta se invierte, y se invierte por una ventana de contexto, no por un modelo.

Ambos son anotadores, y son anotadores de la misma forma

Las dos APIs convergieron en casi la misma primitiva, lo que hace que la comparación sea inusualmente limpia. Cada una recibe una entrada compartida y un conjunto de preguntas tipadas, y devuelve una respuesta tipada por pregunta con una probabilidad asociada. Ninguna escribe una palabra.

• Tipos de pregunta: ambos exponen los mismos tres: una probabilidad de sí/no, una elección de un conjunto fijo con una probabilidad por opción, y una posición en una escala ordenada. Microsoft llama al primero noul, Google también lo llama noul, lo cual no es tanto una coincidencia como una categoría que se asienta en un vocabulario.

• Tokens de salida — cero en ambos, en cada llamada. La facturación es solo por entrada, así que el precio por token que ves es el precio total.

• Puntuación en paralelo: ambos evalúan cada pregunta con respecto a la entrada compartida de forma independiente, por lo que las preguntas no pueden verse entre sí y añadir una décima no cambia las nueve primeras.

• Tamaño de la solicitud — Google documenta de 1 a 1000 preguntas por llamada, preguntas de opción con 2 a 255 opciones y preguntas de puntuación con 2 a 255 niveles. Microsoft documenta «una o más preguntas tipificadas» sin un límite máximo, y su publicación de lanzamiento describe solicitudes que llevan «cientos de preguntas».

• Entrada de imágenes — ambos la aceptan ahora. Microsoft la añadió en la 1.1; Google la tiene desde el lanzamiento, junto con audio y video, que Microsoft explícitamente no acepta.

• Endpoints: aquí es donde divergen físicamente. Solo se puede acceder a Gemini Decision 1 mediante la Decisions API de Google en Gemini Developer API v1beta. Microsoft-Decision-1.1 se implementa como un recurso de Foundry y responde en /providers/microsoft/v1/systemone en ese recurso.

El compuesto, descompuesto

Una ventaja de 1,8 puntos en el índice que reside en un único componente ponderado al 10 % no es un artefacto de redondeo, pero es una afirmación mucho más limitada que «mejor modelo». Esta es la descomposición completa de ambas entradas, tal como la publica Artificial Analysis, con fecha de lectura del 19 de noviembre de 2026:

• Índice general — Microsoft-Decision-1.1 67,78 vs Gemini Decision 1 65,98

• Índice de precisión (el índice reconstruido únicamente con precisión, sin la confianza) — 48,45 frente a 45,53, por lo que Microsoft también lidera en corrección, aunque por un margen menor

• When2Call, 10 % de ponderación — 95.08 vs 80.50. Una diferencia de 14.6 puntos y la fuente de la ventaja

• AA-Paperclip, 30 % del peso — 58,67 frente a 56,83 en Decision Score, y 36,8 % frente a 33,0 % de documentos totalmente correctos

• EvalSafe-O*NET-AA, 15 % — 88,85 frente a 87,05, con 83,4 % frente a 82,0 % de precisión bruta

• AA-Omniscience-Decision v1.1, 15% — 60.46 vs 66.28, con 33.2% vs 44.8% de exactitud bruta y 49.4% vs 49.6% de no alucinación

• HLE-MultiChoice v1.1, 15 % — 46,11 frente a 48,71, con 6,29 % frente a 13,16 % de precisión bruta y 38,4 % frente a 35,8 % de no alucinación

• AA-Symmetry, 15 % — 75,72 frente a 70,47, en tasas de aprobación de reformulación del 47,5 % frente al 38,3 %

De esa lista se desprenden dos cosas. La primera es que la mayor brecha individual está en el componente de menor peso: When2Call aporta 9,5 puntos a una escala de 100 puntos, por lo que la diferencia de 14,6 puntos ahí vale alrededor de 1,5 puntos de índice, que es la mayor parte del total de 1,8 puntos. La segunda es que la ventaja de conocimiento de Gemini Decision 1 es realmente grande: 44,8 % frente a 33,2 % en la precisión bruta de Omniscience no es ruido, y es la razón por la que el modelo de Google tiene un índice de precisión más alto de lo que sugiere su puntuación compuesta.

En otras palabras, Microsoft no superó a Google en todas las métricas. Superó decisivamente a Google en la única prueba que evalúa si el modelo sabe cuándo llamar a una herramienta, y estuvo aproximadamente a la par en todo lo demás, perdiendo las pruebas de conocimiento y ganando la de consistencia.

A generated two-column scoreboard headed 'Microsoft-Decision-1.1 vs Gemini Decision 1 — the scoreboard'. The Microsoft column reads Decision Index 67.78, When2Call 95.08, Omniscience accuracy 33.2%, HLE accuracy 6.29%, context 32,768 tokens and cost per million tasks $139.64. The Gemini column reads Decision Index 65.98, When2Call 80.50, Omniscience accuracy 44.8%, HLE accuracy 13.16%, context 262,144 tokens and cost per million tasks $344.90. 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.

Lo que realmente cuesta la diferencia de ventana de contexto

La ventana de 262,144 tokens es la cifra que decide las cargas de trabajo reales, y supone una diferencia de 8 veces: Gemini Decision 1 lee ocho veces más que Microsoft-Decision-1.1. La documentación de Google emplea ese presupuesto de una forma concreta: la ventana cubre la entrada compartida y todas las preguntas en conjunto, así que un único contrato largo más doscientas preguntas de rúbrica compiten por los mismos 262K.

El límite de 32K de Microsoft tiene un efecto de segundo orden que se refleja en la columna de costos. AA-Paperclip cobra un documento una sola vez por todas sus preguntas y resuelve 15 respuestas por documento. Un modelo que no puede contener el documento en una sola llamada debe aplicarse fragmento por fragmento, lo que multiplica las llamadas. Microsoft-Decision-1.1 queda en $386 por millón de tareas en Paperclip frente a Gemini Decision 1 con $946, pero la clasificación según el costo total por tarea ya queda explicada por el precio de los tokens, no por el manejo de documentos.

Hay un tercer mecanismo que vale la pena mencionar, porque es el que los compradores pasan por alto: la entrada repetida se cuenta íntegramente en ambos. La API Decisions de Google no admite explícitamente el almacenamiento en caché de contexto, ni la inferencia Batch, Flex o Priority, así que una rúbrica enviada con cada solicitud se paga con cada solicitud. Microsoft-Decision-1.1 tampoco ofrece ninguna solución de almacenamiento en caché en su documentación. Ninguno de los dos proveedores ofrece un descuento por hacer las mismas 200 preguntas un millón de veces, que es exactamente la carga de trabajo para la que está diseñada esta categoría.

Precios, con la trampa del SKU

Microsoft cotiza tres tarifas de entrada —$0.042 por millón en Global Standard, $0.046 en US Data Zone y $0.05 en EU y APAC Data Zone— y ninguna tarifa de salida. Google cotiza una: $0.10 por millón de tokens de entrada. En la cifra principal, Microsoft es un 58% más barato. En el costo medido en todo el índice, Microsoft es un 60% más barato —$139.64 frente a $345.41 por millón de tareas— porque además consume menos tokens por tarea en la mayoría de los componentes.

Pero la tarifa de $0.042 es la global, y una carga de trabajo residente en la UE en la SKU de zona de datos paga $0.05, lo que reduce la brecha al 50%. Ninguna de las dos cifras incluye el costo de las llamadas en torno al modelo de decisión, que en la mayoría de las canalizaciones de producción son mucho mayores que la propia llamada de puntuación — el modelo que redacta las respuestas candidatas, el modelo que escribe la rúbrica, el modelo que se encarga de aquello sobre lo que el evaluador se abstuvo. Ese gasto es donde el enrutamiento realmente ahorra dinero, y es la parte que cubre OrcaRouter: una sola clave para más de 200 modelos al precio de lista del proveedor con un 0% de margen, de modo que un cambio de precio del proveedor en la mitad generativa se aplica el mismo día, y fusion o el DSL de enrutamiento pueden poner un generador de borradores barato detrás de un juez caro sin una segunda integración.

A screenshot of the OrcaRouter model page for google/gemma-4-26b-a4b-it, headed 'Gemma 4 26B A4B' with a 262K-token context badge and input modalities listed as text, image and video plus vision, tools, JSON and reasoning tags. The provider line reads Google, 2026-04-05, and the description identifies it as an instruction-tuned mixture-of-experts model from Google DeepMind with 25.28 total parameters and 3.8B active per token. Pricing reads $0.06 input and $0.33 output per million tokens, with zero data retention available and 76.0M tokens of usage.

¿Cuál desplegarías realmente?

Tres formas de carga de trabajo, tres respuestas diferentes, y ninguna de ellas es «el índice más alto».

Enrutamiento, habilitación condicional y selección de herramientas — Microsoft-Decision-1.1. Un 95,08 en When2Call frente a 80,50 es la mayor diferencia de un solo componente en la tabla, y el enrutamiento es la carga de trabajo para la que Microsoft creó el modelo. La mediana de 123 ms también importa aquí: un enrutador se sitúa en la ruta de la solicitud, y la diferencia entre 123 ms y 211 ms es la diferencia entre un paso que nadie nota y un paso que el presupuesto de latencia tiene que absorber.

• Extracción de documentos y calificación con rúbricas en entradas largas — Decisión 1 de Gemini. Si una sola llamada tiene que ver un contrato de 90 páginas más las preguntas sobre él, el límite de 32K de Microsoft simplemente falla, y ningún nivel de rendimiento de When2Call rescata una llamada que nunca ocurrió. La precisión de Google del 44,8 % en Omniscience y del 13,2 % en HLE refuerzan la misma conclusión desde otra dirección: sabe más y puede leer más.

• El cribado de alto volumen en el que la factura domina: ninguno de los dos, y esta es la respuesta honesta. Celeris-1.1 Decision obtiene 62,0 a 14 $ por millón de tareas; Decider v1.3 obtiene 70,4 a 68 $. Ambos superan a Microsoft-Decision-1.1 en coste por tarea y uno lo supera en índice. Si tu decisión es barata y repetitiva, las opciones de los hiperescaladores son las caras.

Una salvedad se aplica a los tres: la diferencia de 1,8 puntos y las filas de calibración provienen de un índice que revisó su propia ponderación el 8 de noviembre de 2026, rebajando Omniscience y HLE del 25 % cada uno al 15 % e introduciendo un componente documental del 30 %. Una reponderación puede mover este ranking más de lo que lo hará el lanzamiento de un modelo. Considera la comparación vigente y fechada, no permanente.

A screenshot of the Artificial Analysis page for Gemini Decision 1, headed 'Release, Decision Index Score, Performance & Price'. The headline figures read a Decision Index at rank 14 of 25, 211 ms per task and $345 per million tasks. The comparison summary states the model is below average on the Decision Index and particularly expensive, slower than average, supports text and image input and carries a 262k-token context window, with a board median of 206 ms. Component rows for Decision Index, AA-Paperclip, EvalSafe-O*NET-AA, When2Call, AA-Omniscience-Decision v1.1 and HLE-MultiChoice v1.1 sit below.

Dónde divergirán a continuación los dos modelos

Microsoft-Decision-1.1 es un segundo intento sobre una nueva base —Gemma 4 26B A4B en lugar de Qwen3.5-9B— con un motor de inferencia personalizado y una propuesta de enrutamiento. Gemini Decision 1 es la primera incursión de Google, vinculada a una única superficie de API y a un único ID de modelo. Las trayectorias apuntan en direcciones opuestas: Microsoft itera sobre el modelo base y la pila de servicio, Google itera sobre las modalidades de entrada y el presupuesto de contexto.

Lo que eso significa para una decisión que se tome este mes no tiene nada de glamuroso. Comprueba si tu entrada más larga cabe en 32K antes de leer una sola cifra de benchmark, porque esa restricción elimina por completo a uno de estos dos modelos. Si cabe, prueba tus propios veinte ejemplos etiquetados con ambos y compara las distribuciones de confianza en lugar de las respuestas top-1 —un puntuador al que no puedes aplicar un umbral es un puntuador que no puedes lanzar, y los dos están a menos de 0,2 puntos entre sí en no alucinación, que es la fila que determina si la abstención se comporta con tus datos igual que lo hizo en un conjunto de prueba público.

Comparados en este artículo1

Detectado en este artículo · Benchmarks: Artificial Analysis · actualizado a diario