Une carte de titre générée intitulée « MAI Decision 1 vs Microsoft Decision 1 », avec le sous-titre « la même gamme de produits, à six points d’indice d’écart », divisée en deux panneaux arrondis autour d’un disque « vs ». Le panneau de gauche, « Microsoft-Decision-1.1 », porte la sous-ligne « GA 17 novembre 2026 » et les lignes « 67,78 indice de décision », « 123 ms par tâche », « images et texte » et « Gemma 4 base » ; le panneau de droite, « Microsoft-Decision-1 », porte « GA 8 octobre 2026 », « 62,07 indice de décision », « 274 ms par tâche », « texte uniquement » et « Qwen3.5 base ». Un pied de page indique « Les deux sont proposés à /bin/bash.042 par million de tokens d’entrée. » Le logo OrcaRouter est intégré dans la bande blanche sous l’illustration.
Guides & Insights

MAI Decision 1 vs Microsoft Decision 1 : la même gamme de produits, à six points d’écart

Auteur

jinhao.song

Date de publication

Derniers modèles · 20Voir tous les modèles →
Benchmarks : Artificial Analysis · mis à jour quotidiennement
Retour à tous les articles

Cette confrontation contient un piège, et le piège, c'est la prémisse. MAI Decision 1 et Microsoft Decision 1 ne sont pas deux modèles concurrents. Ils appartiennent à la même gamme de produits Microsoft, à une version d'écart : le modèle que la couverture d'Ignite a étiqueté MAI Decision 1 est Microsoft-Decision-1.1, et Microsoft-Decision-1 est la version d'octobre qu'il remplace. La comparaison utile n'est donc pas « quel fournisseur gagne » — mais « ce que cinq semaines et un nouveau modèle de base ont apporté, et si la mise à niveau vaut une migration pour quiconque est déjà en production sur l'ancien point de terminaison ». La réponse courte : six points sur l'indice, une latence divisée par deux, la prise en charge des images en entrée et une grille tarifaire inchangée.

Nommage, réglé une fois pour toutes

Le libellé à gauche de cette comparaison provient de la couverture de la keynote, et non de Microsoft. Les chaînes du fournisseur lui-même sont « Decision 1.1 » dans l’article de présentation de la programmation Ignite et « Microsoft-Decision-1.1 » sur le blog Foundry et la fiche modèle ; le préfixe MAI a accompagné MAI Code 2 et MAI Cyber 2 Flash dans les mêmes articles de tiers, et il est resté. Ainsi, cette page compare la version 1.1 à la version 1 d’une même gamme de produits, et la question intéressante n’est pas de savoir quel fournisseur l’emporte, mais ce que cinq semaines et un modèle de base différent ont changé.

La version 1 n’a pas été retirée. Elle figure toujours dans Foundry et est toujours évaluée dans le classement indépendant, ce qui explique pourquoi les deux noms continuent d’apparaître côte à côte dans les tableaux comparatifs — parfois comme des rivaux d’entreprises différentes, ce qu’ils ne sont pas.

Six semaines, deux modèles, un prix

La version 1 est passée en disponibilité générale le 8 octobre 2026 : un post-entraînement uniquement textuel du Qw​en3.5-9B d’A​libaba, des probabilités calibrées sur un ensemble fixe d’options, un plafond de 32 768 tokens, aucun poids, aucun chiffre de benchmark publié. La version 1.1 est arrivée le 17 novembre avec une base Gemma 4 26B-A4B, une entrée d’images et une présentation complète des performances — tandis que la grille tarifaire est restée exactement au même niveau, à 0,042 $ par million de tokens.

• Modèle de base — Qw​en3.5-9B, dense, 9B au total contre Gemma 4 26B-A4B, mélange d’experts avec environ 4B actifs ; tous deux post-entraînés en interne

• Modalité — texte seul ou texte, JSON et images PNG/JPEG, jusqu'à 8 par question

• Plafond d'entrée — 32 768 tokens contre 32 768 tokens, inchangé

• Types de questions — oui/non, choix multiple, notation, classification, grille d’évaluation vs le même ensemble, exposés sous forme de trois primitives typées (noul, choice, score)

• Prix — 0,042 $/M de tokens Global Standard, 0,05 $ UE et APAC vs identique

• Latence mesurée — 274,25 ms par tâche contre 123,25 ms par tâche, Artificial Analysis

• Coût mesuré — 142,56 $ par million de tâches contre 139,64 $ par million de tâches, Artificial Analysis

• Decision Index v2.1 — 62,07 vs 67,78

• Poids — aucun, hébergé uniquement dans Foundry vs aucun, hébergé uniquement dans Foundry

La ligne qui n’a pas changé est celle sur laquelle la plupart des équipes établissent leur budget, et celle qui a le plus changé est celle que personne ne met en avant : la latence a été divisée par deux tandis que le prix par token est resté stable, parce que la nouvelle base est un modèle sparse qui effectue bien moins de travail par appel.

A generated two-column comparison scoreboard titled 'MAI Decision 1 vs Microsoft Decision 1 — the scoreboard'. The Microsoft-Decision-1.1 column reads Decision Index 67.78, Latency 123 ms, Base model Gemma 4 26B-A4B, Images up to 8 per question, Brier score 0.160, Price $0.042 per M tokens; the Microsoft-Decision-1 column reads 62.07, 274 ms, Qwen3.5-9B, text only, 0.197 and $0.042 per M tokens. The footer reads 'Index, latency and Brier per Artificial Analysis v2.1, 18 November 2026; price per Microsoft Foundry.' The OrcaRouter logo is composited in the white strip below the artwork.

De quoi sont faits les six points

L’écart composite de 5,71 n’est pas réparti uniformément, et cette irrégularité révèle les charges de travail pour lesquelles la mise à niveau a été conçue. Sur les six évaluations constitutives d’Artificial Analysis, en lisant le tableau de bord le 18 novembre 2026 :

• Appel d’outils When2Call — 95,1 sur 1.1 contre 87,9 sur la version 1, soit un gain de 7,1 points, et c’est celui qui compte pour les garde-fous des agents

• Jugement en milieu de travail EvalSafe-O*NET — 88,8 contre 86,8

• Symétrie AA, invariance de la décision en cas de reformulation — 75,7 contre 70,4

• Décisions documentaires AA-Paperclip — 58,7 contre 51,8, la plus forte hausse absolue

• AA-Omniscience, connaissances et hallucinations — 60,5 contre 54,9

• Raisonnement à choix multiples HLE — 46,1 contre 39,4

Chaque sous-score s'est amélioré, ce qui est inhabituel et rend l'agrégat fiable ; un composite qui progresse sur une évaluation et recule sur deux est généralement un artefact de pondération. Le gain d'invariance est le plus discret, celui qu'il vaut la peine de signaler. La symétrie mesure si une décision survit au réordonnancement de ses options ou à la reformulation de sa question — précisément le mode de défaillance contre lequel la documentation de Microsoft met en garde, et précisément la propriété qui détermine si un seuil réglé en préproduction se déclenche encore en production. Passer de 70 à 76 sur ce point constitue un changement opérationnel plus important que de passer de 62 à 68 sur l'indicateur principal.

La calibration s’est améliorée dans la même direction. Le score de Brier, qui mesure l’écart au carré entre une probabilité annoncée et la vérité, est passé de 0,1965 à 0,1604 — plus bas, c’est mieux. La précision de l’option choisie est passée de 40,6 à 48,5. Les deux chiffres sont des mesures d’Artificial Analysis sur ses propres tâches, et non celles de Microsoft, ce qui justifie de les pondérer : la présentation du lancement de Microsoft pour 1.1 fait état d’un score de 68, « en hausse de six points par rapport à notre premier modèle », et le classement indépendant se situe à moins d’un demi-point de ce chiffre, à 67,78, avec un gain de 5,71 points. Pour une fois, le fournisseur et l’auditeur s’accordent globalement.

A screenshot of the Artificial Analysis Decision Index v2.1 leaderboard page, the independent board from which the 67.78 and 62.07 composites, the six constituent evaluation scores, the accuracy figures and the Brier scores in this comparison are taken.

Quand l’ancien modèle reste le bon choix

Il y a trois raisons défendables de rester sur Microsoft-Decision-1, et aucune d’entre elles n’est liée à la performance.

Le premier est une évaluation figée. Si vous avez calibré des seuils par rapport à la version 1 sur vos propres données étiquetées — et vous auriez dû — alors un changement de modèle de base invalide ce travail. Un modèle dense 9B post-entraîné pour le scoring et un MoE 26B post-entraîné pour le scoring n’échouent pas aux mêmes endroits, et la documentation de la 1.1 indique explicitement que la calibration est plus robuste sur les types de tâches familiers et peut varier selon la formulation. Un réétalonnage représente un coût réel, et il retombe sur l’équipe, pas sur le fournisseur.

Le deuxième point est la couverture linguistique. La version 1 proposait une histoire de post-entraînement en 25 langues sur une base Qw​en avec bien plus de 200 langues disponibles. La version 1.1 propose une histoire en 25+ langues sur une base Gemma documentée à 35+. Vingt-cinq plus n’est pas vingt-cinq, et si vous gérez une file multilingue, la démarche honnête consiste à tester plutôt qu’à supposer que le nombre a augmenté.

Le troisième est la forme de votre dépendance. Les deux versions sont uniquement hébergées, mono-fournisseur, avec une seule grille tarifaire et un seul régime de limitation de débit. La mise à niveau modifie votre domaine de défaillance sans le réduire. Si vous avez déjà encapsulé le point de terminaison derrière votre propre mécanisme de repli, rester sur la version 1 vous coûte de la latence et de la précision, mais pas de disponibilité ; si ce n’est pas le cas, la mise à niveau vous offre un modèle plus rapide derrière le même point unique de défaillance.

Exécuter les deux côte à côte avant de valider

La migration elle-même est modeste, ce qui est la partie agréable. La forme du point de terminaison reste inchangée — un état accompagné de questions typées vers la route de décision sur une ressource Foundry — et le déploiement consiste en un changement de version de modèle plutôt qu’en une réécriture d’intégration. Ce qui change, c’est tout ce qui se trouve en aval de la réponse : les probabilités, les seuils et les sous-scores ci-dessus.

Alors exécutez les deux. Envoyez le même lot étiqueté aux deux déploiements, comparez la précision sur l’option choisie au seuil que vous utilisez réellement, et examinez spécifiquement les queues — les cas où la version 1 renvoyait 0,55 et où la version 1.1 renvoie 0,88 sont ceux qui modifieront silencieusement votre taux d’escalade. Le gain de symétrie suggère que la 1.1 devrait être plus stable lors d’un réordonnancement des options ; vérifiez-le sur vos propres prompts plutôt que de faire confiance au chiffre.

Le juge et l'élément jugé sur une même clé constituent la configuration que la plupart des équipes finissent par vouloir, et aucun modèle Decision ne peut vous l'offrir : tous deux sont des points de terminaison hébergés exclusivement sur Foundry, donc le routeur qui les précède est votre propre code. Ce que le routeur peut faire en attendant, c'est fournir des contrôles. Gemma 4 26B A4B — la version de base à partir de laquelle la version 1.1 a été post-entraînée — passe par OrcaRouter à 0,25 $ par million de jetons d'entrée et 2,90 $ par million de jetons de sortie, et Jev 1.14, le modèle de décision que Microsoft prend lui-même comme référence dans ses benchmarks, à 0,042 $ par million en entrée comme en sortie. Aucun des deux ne reproduit les réponses calibrées de la 1.1. Tous deux vous indiquent si un modèle généraliste sur vos propres données s'approche à quelques points du modèle de décision, ce qui est la question qui détermine si vous en avez besoin ou non.

A screenshot of the OrcaRouter model page for obsidian/gemma-4-26B-A4B, showing the OrcaRouter navigation, the model name obsidian/gemma-4-26B-A4B with Vision, Tools, JSON and Reasoning tags, a 2026-07-02 date, a description noting a mixture-of-experts build of Gemma 4 with 26B total parameters, about 4B active per token and a 262K-token context window, and pricing of $0.25 per million input tokens and $2.90 per million output tokens.

La question de la version, résolue

Si vous choisissez aujourd’hui et n’avez aucun seuil hérité à défendre, prenez la 1.1. Elle est 2,2 fois plus rapide selon une mesure indépendante, légèrement moins chère par tâche, mieux calibrée, meilleure pour le contrôle des appels d’outils, et c’est la seule des deux à savoir lire une capture d’écran. La grille tarifaire est identique, donc la mise à niveau est gratuite à la marge.

Si vous êtes déjà en production sur la version 1, la mise à niveau vaut la peine d’être effectuée et n’est pas urgente de la même manière qu’un correctif de sécurité peut l’être. Prévoyez le temps nécessaire au réajustement, maintenez l’ancien déploiement actif jusqu’à ce que les nouveaux seuils se maintiennent sur le trafic réel, et considérez l’amélioration de la symétrie comme la raison d’attendre moins de surprises, plutôt que comme la promesse qu’il n’y en aura aucune.

Ce que cette confrontation n’est pas, c’est un choix entre fournisseurs. Les deux noms renvoient à la ligne de décision de Microsoft, à cinq semaines et un modèle de base d’écart, au même tarif de 0,042 $ par million de jetons. La question intéressante n’a jamais été de savoir lequel gagne ; c’est de savoir si le second est suffisamment meilleur pour justifier une recalibration. Sur un classement indépendant, oui.