Une carte-titre générée intitulée « Le fil conducteur de la keynote, vérifié », sous-titrée « Microsoft-Decision-1.1 — Artificial Analysis Decision Index v2.1 », comportant quatre pastilles affichant 67,78, « Jev 1.14 66,2 », « Gemini Decision 1 65,98 » et « GPT-6 Luna 60,2 » au-dessus d’une légende indiquant « quatre modèles nommés sur scène », avec deux libellés latéraux grisés indiquant « 25 entrées classées » et « dix au-dessus de 67,78 ». Le logo OrcaRouter est intégré dans le coin inférieur droit.
Guides & Insights

Microsoft-Decision-1.1 est parvenu jusqu’à la keynote Ignite. La phrase sur les benchmarks qu’il a citée est vraie et restrictive.

Auteur

jinhao.song

Date de publication

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

Microsoft-Decision-1.1 est passé en disponibilité générale le 17 novembre 2026, six semaines après Microsoft-Decision-1 et sur un modèle de base entièrement différent : Gemma 4 26B A4B, le système mixture-of-experts de taille moyenne que Microsoft cite dans son propre article de lancement, remplaçant le Qwen3.5-9B à partir duquel la version 1 avait été post-entraînée. Ce remplacement constitue le cœur de cette sortie. La formule qui a le plus circulé vient de la keynote Ignite, où Decision 1.1 a été présenté comme un routage de modèles « intégré directement dans vos applications », puis appuyé par une seule phrase : « sur l'AA Decision Index, il dépasse Jev, Google et OpenAI. » Ces trois noms renvoient à Jev 1.14 à 66,2, Gemini Decision 1 à 66,0 et GPT-6 Luna (Decisions) à 60,2, contre 67,78 pour Microsoft-Decision-1.1. Les trois comparaisons sont exactes.

Ils constituent aussi le sous-ensemble de quatre modèles le plus flatteur d’un classement qui compte actuellement vingt-cinq entrées. Dix modèles décisionnels obtiennent ce soir un score supérieur à celui de Microsoft-Decision-1.1, de d1.2-ultra à 74,8 en passant par Drex Max v1.1 et SubQ Snap 1.2 à 72,6 jusqu’à SubQ Snap 1.1 à 67,9. La phrase du discours d’ouverture n’était pas fausse. C’était une comparaison sélectionnée, présentée selon la grammaire d’une comparaison complète, et cette distinction vaut plus que le lancement lui-même, car c’est ce qui se produit la première fois qu’un indice de référence obtient une diapositive à la conférence des développeurs d’un hyperscaler.

Ce que la scène a dit, et ce que le tableau affiche

La transcription de la keynote publiée par Microsoft le jour même reste discrète sur le sujet. Après un passage en revue des modèles de codage, elle aborde la prise de décision : « les agents sont de plus en plus nécessaires pour prendre des décisions, en particulier là où la vitesse et le coût sont critiques. Ainsi, Decision 1.1 fournit un routage de modèles intégré directement à vos applications. Et sur l'AA Decision Index, il devance Jev, Google et OpenAI. »

Si on décompose, c’est bien une comparaison à quatre que l’indice prend en charge. Sur le composite Decision Index v2.1, publié par Artificial Analysis et consulté ici le 19 novembre 2026, Microsoft-Decision-1.1 obtient 67,78, Jev 1.14 obtient 66,2, Gemini Decision 1 obtient 65,98 et GPT-6 Luna (Decisions) obtient 60,2. Les écarts sont de 1,6, 1,8 et 7,6 points. Rien là-dedans n’est contestable.

Ce que la phrase omet, c’est la moitié du classement située au-dessus. La même page classe Microsoft-Decision-1.1 en onzième position, et les dix entrées qui le précèdent ne sont pas obscures :

• d1.2-ultra (Liquid AI) — 74,8, leader du classement, à 133 $ par million de tâches

• Drex Max v1.1 (Nace) — 72,6 à 103 $, et SubQ Snap 1.2 — 72,6 à 137 $

• GLiDE v1.2 (Fastino) — 72,5 à 780 $, Mammoth 27B (Baseten) — 71,4 à 264 $, d1-ultra — 70,6

• Decider v1.3 (Perplexity) — 70,4 à 68 $, Decider v1.2 — 69,8, d1.2 — 68,7, SubQ Snap 1.1 — 67,9

Qu'un fournisseur choisisse les trois concurrents nommés qui flattent son lancement n'a rien d'un scandale ; tous les articles de lancement le font, et Microsoft est exceptionnellement explicite sur le fait que ce sont les modèles qu'il a choisi de nommer. Ce qui est intéressant, c'est le cadre. Un indice tiers propriétaire — dont la révision v2 est sortie le 8 novembre 2026, neuf jours avant Ignite, et qui s'appuie sur 45 % de jeux de données privés — a été cité sur scène comme l'autorité à l'appui d'une affirmation sur le propre modèle de Microsoft. C'est un type de fait différent d'une capture d'écran de benchmark fournisseur, et cela joue dans les deux sens : cela rehausse l'indice et le place dans une position où le fait d'être cité de manière sélective fait désormais partie de sa réputation.

Qu’est-ce qui a réellement changé entre 1 et 1.1

Une fois la présentation mise de côté, l'ingénierie est on ne peut plus concrète. Microsoft-Decision-1.1 n'est pas une simple retouche du modèle d'octobre. La base est passée de Qwen3.5-9B d'Alibaba, que la page catalogue de la v1 crédite toujours, à Gemma 4 26B A4B. Microsoft justifie ce choix en termes de coûts : suffisamment de paramètres actifs pour le jugement, et une taille assez réduite pour tourner sur des parcs de A100, H100/200 et GB200/300. C'est à un moteur d'inférence sur mesure, conçu pour le scoring plutôt que pour la génération token par token, que l'entreprise attribue la latence.

La capacité qui n'existait pas dans la v1, c'est l'entrée d'images. Microsoft-Decision-1.1 accepte du texte, du JSON ou des images — photos, captures d'écran — et refuse toujours l'audio, la vidéo et toute forme d'explication générée. Les noms des types de questions sont inchangés : noul pour une probabilité sur une affirmation oui/non, choice pour une étiquette parmi un ensemble fixe, avec une probabilité pour chaque option, score pour une position sur une échelle ordonnée. La requête est envoyée vers un chemin qui se termine par /providers/microsoft/v1/systemone, soit le nom de point de terminaison le moins explicite livré ce trimestre, soit un indice sur l'endroit où Microsoft situe cette catégorie dans la pile.

Le contexte est le nombre à surveiller si vous migrez : Microsoft documente « des entrées allant jusqu’à 32K tokens », et Artificial Analysis relève une fenêtre de 33k. La version 1 était identique. Un modèle décisionnel qui lit un contrat de 40 000 tokens ne fait pas partie de cette version.

Trois affirmations de l’article de lancement, vérifiées par rapport au tableau de bord

Le propre article de Microsoft formule trois affirmations quantitatives, et les données indépendantes tranchent chacune d’elles différemment.

• « Score de 68 » — la valeur de l'indice est 67,78. Il s'agit d'un arrondi, pas d'une inflation, et c'est la seule affirmation qui s'est vérifiée exactement.

• « Plus de deux fois plus rapide » — la version 1 mesure 274,25 ms par tâche, la version 1.1 mesure 123,25 ms. Cela représente 2,23×, et cela fait du nouveau modèle la cinquième entrée la plus rapide du classement plutôt que la vingtième.

• « Au même coût » — vrai au niveau des tokens, et trompeur en pratique. Les deux versions affichent 0,042 $ par million de tokens d’entrée. Mais le coût mesuré par million de tâches est de 139,64 $ pour la 1.1 contre 142,56 $ pour la v1, soit une amélioration de 2 %, et non une division par deux. Même prix, facture à peu près identique, deux fois le débit. Si votre contrainte est la latence plutôt que la dépense, la mise à niveau est importante ; si c’est la dépense, elle n’apporte presque rien.

A generated single-column scoreboard headed 'Microsoft-Decision-1.1 — the scoreboard' with six rows: Decision Index 67.78, 11th of 25; When2Call at 10% weight 95.08; AA-Paperclip at 30% weight 58.67; HLE-MultiChoice 6.29% raw accuracy; non-hallucination 49.4%, was 21.7%; speed 123 ms per task, was 274 ms. 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.

Là où le composite cesse de correspondre au marketing

Le composite Decision Index v2.1 n’a rien de mystérieux. Il se compose de six composantes pondérées, et le 67,78 de Microsoft-Decision-1.1 peut être reproduit à partir d’elles : 30 % AA-Paperclip, 15 % EvalSafe-O*NET-AA, 10 % When2Call, 15 % AA-Omniscience-Decision v1.1, 15 % HLE-MultiChoice v1.1, 15 % AA-Symmetry. Multipliez, additionnez, et vous obtenez exactement 67,78. C’est cette transparence qui rend les sous-scores lisibles, et c’est dans les sous-scores que le récit de lancement devient intéressant.

• When2Call — 95.08. Il s'agit du test de routage, et c'est de loin le score le plus élevé de l'ensemble. L'argument de Microsoft est « le routage de modèles intégré à vos applications », et sur le seul composant qui mesure exactement cela, le modèle se hisse tout en haut du classement.

• AA-Paperclip — score de décision de 58,67, 36,8 % des documents ayant reçu une réponse parfaite. Il s’agit de la composante à 30 %, soit 1 500 documents privés comportant chacun cinq décisions et dix faits, notés en tout ou rien. La version 1 a réussi à 20,9 %. Un bond de quinze points du taux de documents parfaits constitue la plus grande avancée d’ingénierie de cette version, et c’est aussi pourquoi le score composite a autant évolué.

• HLE-MultiChoice v1.1 — 46,11 de Decision Score pour une précision brute de 6,29 %, avec 38,4 % de non-hallucination. Une précision de six pour cent à un test de connaissances difficile n’est pas une force ; le Decision Score n’est respectable que parce que le modèle reconnaît honnêtement qu’il est perdu. Le propre article de Microsoft indique que ces modèles ne sont « explicitement pas encore ajustés pour les problèmes plus difficiles », et c’est dans cette ligne que cet aveu apparaît publiquement.

• AA-Omniscience-Decision v1.1 — 60,46 pour 33,2 % d’exactitude et 49,4 % de non-hallucination. La version 1 a obtenu 21,7 % en non-hallucination, donc le modèle a appris à refuser de répondre avec une fiabilité environ deux fois supérieure, tout en gagnant deux points d’exactitude. Pour un modèle de décision, cet arbitrage est tout l’enjeu.

Lus ensemble, le profil est cohérent : il s’agit d’un routeur rapide et bien calibré, doté d’une base de connaissances superficielle. C’est un produit défendable. Ce n’est pas le produit que sous-entend la phrase du discours d’ouverture.

A screenshot of the Artificial Analysis page for Microsoft-Decision-1.1, headed 'Release, Decision Index Score, Performance & Price'. The headline figures read a Decision Index of 68 at rank 11 of 25, 123 ms per task and about $140 per million tasks. The comparison summary states the model is above average on the Decision Index but somewhat expensive and notably fast, supports text input and carries a 33k-token context window, with board medians of 66, 206 ms and $137. Component rows for Decision Index, AA-Paperclip, EvalSafe-O*NET-AA, When2Call, AA-Omniscience-Decision v1.1 and HLE-MultiChoice v1.1 sit below.

Tarification, dans les unités qu’une facture utilise réellement

Foundry répertorie trois tarifs d'entrée pour Microsoft-Decision-1.1 et aucun tarif de sortie, car le modèle ne génère aucun token de sortie : 0,042 $ par million de tokens d'entrée en Global Standard, 0,046 $ en US Data Zone, et 0,05 $ pour les déploiements EU Data Zone et APAC Data Zone. Choisissez la SKU de zone de données et vous payez 19 % de plus que le chiffre annoncé pour la localisation. C'est le premier point où l'affirmation du « modèle de décision le moins cher » est discrètement corrigée.

Le deuxième élément est la colonne du coût par tâche, qui correspond au résultat de la multiplication du prix des tokens par la quantité d’entrée qu’une tâche consomme réellement. À 139,64 $ par million de tâches, AA classe Microsoft-Decision-1.1 quinzième sur vingt-cinq pour le coût — moins cher que Gemini Decision 1 à 344,90 $, plus cher que Celeris-1.1 Decision à 14 $ et Decider v1.3 à 68 $. Le modèle est rapide et à prix moyen. Ce n’est pas l’aubaine de sa propre catégorie, et Microsoft ne l’a jamais prétendu.

Where this leaves a team that wants to call it

La voie first-party est Foundry : déployez le modèle, puis envoyez un état ainsi qu'une table de correspondance de questions typées au point de terminaison de décision. Les acheteurs d'entreprise seront attentifs au fait que Microsoft l'utilise déjà comme juge dans Foundry Evaluations et comme routeur dans Copilot, où l'entreprise indique que la même décision de routage est prise 2,2 fois plus vite et à un coût 4,4 fois inférieur à celui d'un grand modèle de langage — un chiffre rapporté par le fournisseur, issu de son propre banc d'essai, non reproduit en dehors.

Ce qu'il vaut la peine de dire clairement, c'est ce qu'OrcaRouter inclut et n'inclut pas. Nous n'hébergeons pas Microsoft-Decision-1.1, ni Gemini Decision 1, ni aucun endpoint de scoring de décision, car une API de probabilités uniquement n'est pas une cible de chat-completions et prétendre le contraire serait le genre d'affirmation de disponibilité qui sonne bien et échoue en production. Ce que nous proposons, c'est la moitié d'un pipeline de décision qui, elle, génère — et une fenêtre sur cette version est d'une littéralité inhabituelle : Gemma 4 26B A4B, exactement le modèle de base que Microsoft a affiné, figure dans notre catalogue à 0,06 $ par million de tokens en entrée et 0,33 $ par million en sortie, aux côtés de Jev 1.14 à 0,042 $, le modèle par rapport auquel Microsoft-Decision-1.1 est mesuré. Si vous voulez voir quelle part du comportement de décision relève du modèle de base et quelle part relève du post-entraînement, les deux extrémités de cette comparaison sont accessibles depuis une seule clé, au prix catalogue du fournisseur, avec 0 % de marge répercutée.

A screenshot of the OrcaRouter model page for typesafe/jev-1.14, headed with the model name and typesafe as the provider. Pricing shows $0.04 input and $0.04 output per million tokens, with a code sample posting a state and two typed questions to https://api.orcarouter.ai/v1/systemone. A performance panel lists a p50 time-to-first-token of 181 ms, a European Union inference region and zero data retention available, with 171.8M tokens of usage shown.

Que regarder ensuite

Deux choses sont désormais testables en public, ce qui n’était pas le cas la semaine dernière. La première est de savoir si le Decision Index continue d’apparaître sur les écrans de keynote : un benchmark devient un document d’achat dès que des fournisseurs commencent à le citer sous leur propre logo, et le prochain fournisseur à le faire citera un autre sous-ensemble de quatre modèles. La seconde est de savoir si Microsoft-Decision-1.1 conserve sa position de routage lorsque le board s’agrandit — When2Call porte un poids de 10 % et fournit l’essentiel de l’avance du modèle sur Gemini Decision 1, ce qui signifie qu’une révision de routine de l’indice peut déplacer ce classement davantage que ne le fera n’importe quelle mise à jour de modèle.

Pour l’instant, la formulation exacte est plus étroite que la diapositive et plus utile : Microsoft a livré un modèle de décision deux fois plus rapide que son prédécesseur au même prix par token, nettement mieux calibré, désormais capable de lire des images, toujours plafonné à 32K tokens, honnête sur ce qu’il ne sait pas, et onzième sur le seul classement indépendant qui le classe. La keynote a affirmé qu’il surpasse Google et OpenAI. C’est vrai. Il ne surpasse simplement pas tout le monde.