ScaleDown Classify vs Microsoft-Decision-1: Uno publica números, el otro publica metodología

ScaleDown Classify y Microsoft-Decision-1 son las dos opciones cerradas y alojadas en esta comparación. Ninguna distribuye pesos, ninguna es algo que se descargue, y ambas se basan en la misma premisa: que una decisión —qué categoría, qué opción, cuál de estas— debería leerse a partir de las probabilidades de un modelo en lugar de escribirse como texto mediante un bucle de generación. Microsoft-Decision-1 ha estado disponible de forma general en Microsoft Foundry desde el 8 de octubre de 2026 como un decodificador denso de 9 mil millones de parámetros entrenado posteriormente por Microsoft, con 25 idiomas admitidos y un contexto de 32,768 tokens. ScaleDown Classify es un motor de rúbricas alojado a $0.05 por millón de tokens de entrada y $0 por millón de tokens de salida, con un límite de entrada de 1M de tokens y un techo de veinte etiquetas. Lo que los separa no es la capacidad. Es lo que cada empresa está dispuesta a publicar sobre su propio modelo, y han elegido mitades opuestas.

La inversión de la divulgación

La documentación de Foundry de Microsoft-Decision-1 describe su evaluación con un detalle inusual. Benchmarks de decisiones públicos y de la comunidad, además de conjuntos internos reservados. Métricas como la exactitud y el error de calibración. Se varió el orden de las opciones. Pruebas estadísticas emparejadas. Un arnés idéntico para cada modelo con el que se compara. Y luego informa que el modelo «tiene un rendimiento a la par de los modelos de decisión líderes y por delante de otros modelos de decisión abiertos evaluados con la misma metodología», y no imprime ninguna cifra en absoluto. Ninguna cifra de exactitud, ningún error de calibración, ninguna tabla por benchmark.

Lo que Microsoft sí publica es una lista de limitaciones, y es una buena lista. Las puntuaciones varían según la formulación y el orden de las opciones. Una pregunta mal formulada sigue devolviendo una puntuación. La calibración es más sólida en tipos de tareas conocidas. No se generan explicaciones. Los puntos fuertes que se atribuyen al modelo son el razonamiento, la aplicación de reglas y la robustez frente al formato de las instrucciones; sus puntos débiles señalados son el conocimiento especializado de dominio y el rendimiento en idiomas distintos del inglés.

ScaleDown Classify aplica la imagen especular de esa política. Su documentación entra en detalle operativo sobre cómo escribir una solicitud —la rúbrica se describe como la parte más importante de una solicitud de clasificación, formulada como una pregunta directa de sí/no, evitando negaciones y mantenida sin superposición para que la masa de probabilidad no se divida de forma impredecible—, y el marketing del proveedor incluye afirmaciones de precisión y costo, entre ellas la de un modelo de aproximadamente quinientos millones de parámetros que alcanza el 91,7 % en una tarea de clasificación simple frente al 88,6 % de un modelo de 72 mil millones de parámetros. Ninguna de esas afirmaciones está vinculada a una metodología descrita, y ScaleDown Classify no presenta ningún error de calibración esperado publicado en ningún arnés público.

Así que la elección está entre un proveedor que te dice cómo lo midió y no qué encontró, y un proveedor que te dice qué encontró y no cómo lo midió. Ninguno constituye una divulgación completa, y ninguno debería tratarse como tal.

Idiomas: uno publica un recuento, el otro no publica nada.

Microsoft-Decision-1 enumera 25 idiomas compatibles y afirma claramente que la cobertura, la calidad y la calibración "pueden variar según el idioma", y señala los idiomas distintos del inglés y, en especial, los de bajos recursos como áreas de bajo rendimiento. Esa es una divulgación útil: te dice que el modelo es multilingüe, te dice más o menos cuán multilingüe es y te dice dónde no confiar en él.

La documentación de Classify de ScaleDown no publica una lista de idiomas. Nada en la referencia de la API indica qué idiomas maneja la puntuación de la rúbrica, ni si la formulación de la rúbrica en un idioma distinto del inglés se comporta de la misma manera, y la guía sobre rúbricas —formúlala como una pregunta directa de sí/no, evita las negaciones— está escrita de un modo que presupone implícitamente que quien llama habla inglés y escribe rúbricas en inglés. Para un clasificador que en la práctica se dirigirá a tickets de soporte internacionales, esa es la brecha que hay que cerrar antes de comprometerte, y es una brecha que solo tu propia evaluación puede cerrar.

Si necesita una huella lingüística documentada, esta comparación termina aquí y Microsoft gana por defecto. Si solo utiliza inglés, el recuento no es un factor y el resto de la decisión gira en torno a la longitud de entrada y los umbrales.

Contexto: 32.768 tokens frente a un millón

Microsoft documenta una única invocación de hasta 32.768 tokens. ScaleDown documenta un límite de entrada de 1 millón de tokens y afirma que la calibración por fragmento es idéntica tanto si un fragmento se envía solo como si forma parte de un lote de cincuenta fragmentos, y que el perfil compartido se factura una vez por solicitud. En términos de la cifra bruta, eso representa una diferencia de treinta veces y es la mayor brecha individual entre los dos productos.

Lo que aporta no es el rendimiento — es si necesitas una capa de fragmentación. Un hilo de soporte, un ticket con su historial, un pasaje breve recuperado: todo eso cabe en 32k con espacio para un esquema de pregunta, y los dos modelos son más o menos equivalentes a ese tamaño. Un contrato completo, un documento de políticas de varias páginas, un contexto recuperado extenso o un formulario escaneado: nada de eso cabe en 32k, y la ruta de documentos de Classify —JPEG, PNG, TIFF o PDF en base64, de una o varias páginas, con el texto extraído devuelto en un campo ocr_text— significa que el documento puede introducirse como bytes en lugar de como texto preprocesado.

Ambas cifras son de los propios proveedores. La afirmación de ScaleDown sobre el millón de tokens no ha sido corroborada de forma independiente, y los listados de catálogos de terceros para el modelo muestran la longitud de contexto como no aplicable en lugar de repetir la cifra, lo cual es una limitación del catálogo y no una contradicción.

Explicaciones: uno se niega, otro cobra el doble.

Microsoft-Decision-1 no produce explicaciones, y la página del modelo lo señala como una limitación en lugar de como una decisión de diseño. ScaleDown Classify devolverá una explicación de una sola frase de su etiqueta principal, y la documentación es cuidadosa respecto a qué es esa frase: se genera después de que la etiqueta principal queda fijada, por lo que explica la decisión en lugar de cuestionarla, es de formato libre y reenvía las etiquetas y las rúbricas con tokens de entrada facturados al doble. Solo está disponible en solicitudes de una única etiqueta con una única entrada de texto o documento: las solicitudes multietiqueta y por lotes nunca la devuelven.

Para una cola de revisión humana, esa frase es con frecuencia la diferencia entre que un revisor acepte una clasificación y que un revisor la rehaga, lo que hace que el recargo de 2x sea fácil de justificar sobre la fracción de tráfico que llega a una persona. Para una canalización automatizada, es peso muerto en la factura, y debería estar desactivado.

Ambos están cerrados, y eso cambia lo que puedes probar.

• Pesos — ninguno de los dos los distribuye; ScaleDown ofrece autoalojamiento empresarial y licencias a petición, y la página de Microsoft no documenta ninguna vía de ajuste fino en absoluto

• Techo de opciones — ScaleDown: 20 etiquetas por solicitud, 16 en modo multietiqueta, puntuadas de forma independiente; el techo del conjunto de opciones de Microsoft-Decision-1 no se indica en la página del modelo

• Inferencia por lotes — ScaleDown documenta hasta 50 fragmentos por solicitud contra un perfil de etiquetas compartido; la página de Microsoft indica que la inferencia por lotes está deshabilitada

• Divulgación de facturación — La tarifa de Classify está indicada, a $0.05 por millón de tokens de entrada y $0 por millón de tokens de salida; la tarifa por token de Foundry no está indicada en la página del modelo

• Forma del precio — Classify se multiplica según tu número de etiquetas en modo multietiqueta y se duplica con el razonamiento habilitado; la tarifa de Foundry es por token, sin multiplicador de etiquetas publicado

• Respuesta vacía — Classify devuelve un ganador incluso cuando nada encaja, así que tú escribes el umbral; el comportamiento declarado por Microsoft es que una pregunta mal planteada sigue devolviendo una puntuación

La consecuencia de que ambos estén cerrados es la misma en los dos casos: no puedes inspeccionar el artefacto, así que tu única verificación es de comportamiento. Eso hace que un conjunto reservado de tus propios datos etiquetados no sea opcional, y hace que el costo de cambiar de proveedor sea volver a ejecutar esa evaluación en lugar de un cambio de código.

Dónde encaja OrcaRouter en una pipeline construida sobre cualquiera de

Ninguno de estos modelos está en nuestro catálogo, y nada de lo que hay aquí constituye una declaración de disponibilidad — ambos son endpoints de puntuación estructurada, no objetivos de chat-completions, y una capa de enrutamiento no es lo que ninguno de los dos necesita. Lo que ofrecemos es la capa por encima de ellos: los más de 200 modelos generativos tras una única clave compatible con OpenAI que producen el borrador que el clasificador está evaluando, a precio de lista del proveedor transferido con 0% de recargo, con un DSL de enrutamiento para componer varios modelos en una sola llamada y conmutación por error automática cuando una ruta de servicio se degrada. Si un modelo de decisión condiciona lo que tu capa de generación puede desplegar, entonces la capa de generación es donde reside tu riesgo de disponibilidad, y esa es la mitad que una sola clave puede consolidar.

¿Cuál elegir?

Elija Microsoft-Decision-1 si necesita una huella lingüística documentada, si ya está dentro de Azure, o si la postura de cumplimiento de un proveedor grande le importa más a su área de compras que una cifra de precisión publicada. Acepte que lo evaluará enteramente con sus propios datos, porque Microsoft ha decidido no darle nada más.

Elige ScaleDown Classify si tus entradas superan los 32k tokens, si quieres que el paso de extracción se integre en la llamada de clasificación, o si quieres una rúbrica por etiqueta que puedas reescribir sin reentrenar nada. Acepta que el argumento de precisión es del propio proveedor y no ha sido reproducido, que no se publica ninguna cifra de calibración y que tendrás que escribir tu propio umbral de confianza y una etiqueta comodín.

La medición que decidiría esto —ambos modelos con entradas idénticas, el mismo orden de opciones, el mismo barrido de umbrales, ejecutada por alguien sin interés creado— no ha sido publicada por ninguno de los dos proveedores. Hasta que uno de ellos la realice, la lectura honesta es que Microsoft es la opción predeterminada más segura y ScaleDown es el instrumento más capaz.

Comparaciones como esta son también donde se manifiestan los modos de fallo: los incidentes de IA documentados y los fallos de agentes que hay detrás de los modelos de esta clase se recopilan en el Archivo de Incidentes de IA de OrcaRouter, donde cada entrada incluye sus propias fuentes, gravedad, grado de confianza y marca de disputa.