Une carte de titre générée portant l'en-tête « Un seul test, l'essentiel de l'avance », sous-titrée « Microsoft-Decision-1.1 vs Gemini Decision 1, Decision Index v2.1 », avec une grille deux par deux de quatre cartes d'étiquettes affichant « 67,78 vs 65,98 », « 95,08 vs 80,50 », « 123 ms vs 211 ms » et « 139,64 vs 344,90 dollars », une légende indiquant « par million de tâches, lu le 19 novembre 2026 », et deux blocs de barres gris étiquetés Microsoft et Gemini. Le logo OrcaRouter est intégré dans le coin inférieur droit.
Guides & Insights

Microsoft-Decision-1.1 vs Gemini Decision 1 : une avance de deux points reposant presque entièrement sur un seul test

Auteur

jinhao.song

Date de publication

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

Placez Microsoft-Decision-1.1 et Gemini Decision 1 côte à côte sur l'Artificial Analysis Decision Index v2.1, et l'écart ressemble à un verdict : 67,78 contre 65,98, le modèle de Microsoft étant en outre presque deux fois plus rapide, à 123 ms par tâche contre 211 ms, et plus de deux fois moins cher, à 139,64 $ par million de tâches contre 344,90 $. Décomposez le score composite et le verdict se réduit et devient plus étrange. L'intégralité de l'avantage de Microsoft-Decision-1.1 provient d'une composante qui pèse 10 % de l'indice et d'une décision au niveau des processus concernant la façon dont un document est facturé. Sur les deux composantes de connaissances, c'est le modèle de Google qui l'emporte — sur l'une d'elles de plus de six points, avec une précision brute presque deux fois supérieure.

Ce clivage résume toute la comparaison, et il détermine bien plus qu’une position dans un classement. Gemini Decision 1 lit 262 144 tokens et accepte l’audio, la vidéo et le PDF ; Microsoft-Decision-1.1 lit 32 768 tokens et accepte le texte, le JSON et les images. Le modèle de Google admet qu’il ne sait pas dans 49,6 % des cas au test Omniscience ; celui de Microsoft dans 49,4 %. Au test de routage, celui de Microsoft a douze points et demi d’avance. Si votre décision est « lequel de ces cinq outils cette demande nécessite », la réponse n’est pas serrée. Si votre décision est « cette clause de ce contrat de 90 pages est-elle vraie », la réponse s’inverse, et elle s’inverse à cause d’une fenêtre de contexte plutôt que d’un modèle.

Tous deux sont des buteurs, et ce sont des buteurs du même profil.

Les deux API ont convergé vers presque la même primitive, ce qui rend la comparaison inhabituellement nette. Chacune prend une entrée partagée, un ensemble de questions typées et renvoie une réponse typée par question, assortie d’une probabilité. Aucune des deux n’écrit un mot.

• Types de questions — les deux proposent les mêmes trois : une probabilité oui/non, un choix parmi un ensemble fixe avec une probabilité par option, et une position sur une échelle ordonnée. Microsoft appelle la première noul, Google l’appelle aussi noul, ce qui n’est pas tant une coïncidence qu’une catégorie qui se fixe sur un vocabulaire.

• Tokens de sortie — zéro sur les deux, à chaque appel. La facturation est uniquement basée sur l’entrée, donc le prix des tokens que vous lisez est le prix total.

• Notation parallèle — les deux évaluent chaque question par rapport à l’entrée partagée de manière indépendante, de sorte que les questions ne peuvent pas se voir entre elles et que l’ajout d’une dixième ne modifie pas les neuf premières.

• Taille de la requête — Google documente 1 à 1 000 questions par appel, des questions à choix avec 2 à 255 options, des questions de score avec 2 à 255 niveaux. Microsoft documente « une ou plusieurs questions typées » sans plafond, et son billet de lancement décrit des requêtes contenant « des centaines de questions ».

• Entrée d’images — les deux l’acceptent désormais. Microsoft l’a ajoutée en 1.1 ; Google la propose depuis le lancement, ainsi que l’audio et la vidéo, que Microsoft n’accepte explicitement pas.

• Points de terminaison — c'est ici qu'ils divergent physiquement. Gemini Decision 1 n'est accessible que via l'API Decisions de Google sur l'API Gemini Developer v1beta. Microsoft-Decision-1.1 se déploie en tant que ressource Foundry et répond à /providers/microsoft/v1/systemone sur cette ressource.

Le composite, décomposé

Un avantage de 1,8 point d’indice qui tient à une seule composante pondérée à 10 % n’est pas un artefact d’arrondi, mais c’est une affirmation bien plus étroite que « meilleur modèle ». Voici la décomposition complète des deux entrées, telle que publiée par Artificial Analysis, consultée le 19 novembre 2026 :

• Indice global — Microsoft-Decision-1.1 67,78 contre Gemini Decision 1 65,98

• Indice de précision (indice recalculé à partir de la seule précision, sans la confiance) — 48,45 contre 45,53 ; Microsoft est donc aussi en tête sur l’exactitude, mais avec une avance plus faible

• When2Call, pondération de 10 % — 95,08 vs 80,50. Un écart de 14,6 points et la source de l’avance

• AA-Paperclip, pondération de 30 % — score de décision de 58,67 contre 56,83, et 36,8 % contre 33,0 % des documents entièrement corrects

• EvalSafe-O*NET-AA, 15 % — 88,85 contre 87,05, avec une précision brute de 83,4 % contre 82,0 %

• AA-Omniscience-Decision v1.1, 15 % — 60,46 vs 66,28, avec 33,2 % vs 44,8 % d’exactitude brute et 49,4 % vs 49,6 % de non-hallucination

• HLE-MultiChoice v1.1, 15 % — 46,11 contre 48,71, avec 6,29 % contre 13,16 % de précision brute et 38,4 % contre 35,8 % de non-hallucination

• AA-Symmetry, 15 % — 75,72 vs 70,47, avec des taux de réussite de reformulation de 47,5 % contre 38,3 %

Deux constats ressortent de cette liste. Le premier est que le plus grand écart isolé porte sur la composante au plus faible poids — When2Call contribue à hauteur de 9,5 points sur une échelle de 100, de sorte que l'écart de 14,6 points y vaut environ 1,5 point d'indice, soit l'essentiel des 1,8 point au total. Le second est que l'avantage en connaissances de Gemini Decision 1 est réellement considérable : 44,8 % contre 33,2 % sur la précision brute d'Omniscience, ce n'est pas du bruit, et c'est pourquoi le modèle de Google affiche un indice de précision supérieur à ce que suggère son score composite.

En d’autres termes, Microsoft n’a pas surpassé Google sur toutes les mesures. Il l’a surpassé de manière décisive sur le seul test qui demande si le modèle sait quand appeler un outil, et l’a à peu près égalé partout ailleurs, perdant les tests de connaissances et remportant celui de cohérence.

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.

Ce que coûte réellement la différence de fenêtre de contexte

La fenêtre de 262 144 jetons est le chiffre qui détermine les charges de travail réelles, et il s’agit d’un écart de 8x : Gemini Decision 1 lit huit fois plus que Microsoft-Decision-1.1. La documentation de Google dépense ce budget d’une manière spécifique — la fenêtre couvre l’entrée partagée et toutes les questions ensemble, de sorte qu’un seul contrat long plus deux cents questions de barème se disputent les mêmes 262K.

Le plafond de 32K de Microsoft a un effet de second ordre qui apparaît dans la colonne des coûts. AA-Paperclip facture un document une seule fois pour toutes ses questions et résout 15 réponses par document. Un modèle qui ne peut pas contenir le document en un seul appel doit être appliqué bloc par bloc, ce qui multiplie les appels. Microsoft-Decision-1.1 ressort à 386 $ par million de tâches sur Paperclip, contre 946 $ pour Gemini Decision 1 — mais le classement selon le coût total par tâche s’explique déjà par le prix des tokens, et non par le traitement des documents.

Il existe un troisième mécanisme qu’il vaut la peine de nommer, car c’est celui que les acheteurs négligent : les entrées répétées sont facturées intégralement dans les deux cas. L’API Decisions de Google ne prend explicitement pas en charge le cache de contexte, l’inférence Batch, Flex ou Priority ; une rubrique envoyée à chaque requête est donc payée à chaque requête. Microsoft-Decision-1.1 n’a pas non plus de dispositif de mise en cache dans sa documentation. Aucun des deux fournisseurs n’offre de remise pour avoir posé un million de fois les mêmes 200 questions, ce qui est exactement la charge de travail pour laquelle cette catégorie est conçue.

Tarification, avec le piège du SKU

Microsoft annonce trois tarifs d’entrée — 0,042 $ par million en Global Standard, 0,046 $ en US Data Zone, 0,05 $ en EU et APAC Data Zone — et aucun tarif de sortie. Google n’en annonce qu’un : 0,10 $ par million de tokens d’entrée. Sur le chiffre principal, Microsoft est 58 % moins cher. Sur le coût mesuré sur l’ensemble de l’indice, Microsoft est 60 % moins cher — 139,64 $ contre 345,41 $ par million de tâches — parce qu’il consomme aussi moins de tokens par tâche sur la plupart des composants.

Mais le tarif de 0,042 $ est le tarif mondial, et une charge de travail résidant dans l'UE sur la SKU de zone de données paie 0,05 $, ce qui réduit l'écart à 50 %. Aucun des deux chiffres n'inclut le coût des appels autour du modèle de décision, qui, pour la plupart des pipelines de production, éclipsent l'appel de scoring lui-même — le modèle qui rédige les réponses candidates, le modèle qui écrit la grille d'évaluation, le modèle qui traite tout ce sur quoi le scoreur s'est abstenu. C'est sur cette dépense que le routage permet réellement d'économiser, et c'est la partie que couvre OrcaRouter : une seule clé pour plus de 200 modèles au tarif catalogue du fournisseur, avec 0 % de marge, de sorte qu'un changement de prix d'un fournisseur sur la moitié générative est répercuté le jour même, et la fusion ou le DSL de routage peut placer un rédacteur bon marché derrière un juge coûteux sans une seconde intégration.

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.

Lequel vous déploieriez réellement

Trois formes de charge de travail, trois réponses différentes, et aucune d’elles n’est « l’indice le plus élevé ».

• Routage, activation conditionnelle et sélection d’outils — Microsoft-Decision-1.1. Un score de 95.08 sur When2Call contre 80.50 constitue le plus grand écart d’un seul composant du tableau, et le routage est la charge de travail pour laquelle Microsoft a conçu le modèle. La médiane de 123 ms compte aussi ici : un routeur se trouve sur le chemin de la requête, et la différence entre 123 ms et 211 ms est celle entre une étape que personne ne remarque et une étape que le budget de latence doit absorber.

• Extraction de documents et notation par grille sur des entrées longues — Gemini Decision 1. Si un seul appel doit examiner un contrat de 90 pages ainsi que les questions qui s’y rapportent, le plafond de 32K de Microsoft échoue purement et simplement, et aucune performance de When2Call ne peut sauver un appel qui n’a jamais eu lieu. La précision Omniscience de 44,8 % et la précision HLE de 13,2 % de Google renforcent la même conclusion sous un autre angle : il en sait plus, et il peut lire plus.

• Criblage à grand volume où la facture domine — aucun des deux, et c’est la réponse honnête. Celeris-1.1 Decision obtient 62,0 à 14 $ par million de tâches ; Decider v1.3 obtient 70,4 à 68 $. Les deux battent Microsoft-Decision-1.1 sur le coût par tâche et l’un le bat sur l’indice. Si votre décision est bon marché et répétitive, les options des hyperscalers sont les plus coûteuses.

Une réserve s’applique aux trois : l’écart de 1,8 point et les lignes de calibration proviennent d’un indice qui a révisé sa propre pondération le 8 novembre 2026, faisant passer Omniscience et HLE de 25 % chacun à 15 % et introduisant une composante documentaire de 30 %. Une repondération peut faire évoluer ce classement davantage qu’une sortie de modèle. Considérez cette comparaison comme actuelle et datée, non comme 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.

Là où les deux modèles vont diverger ensuite

Microsoft-Decision-1.1 est une deuxième tentative sur une nouvelle base — Gemma 4 26B A4B au lieu de Qwen3.5-9B — avec un moteur d'inférence personnalisé et un argumentaire de routage. Gemini Decision 1 est la première entrée de Google, liée à une unique surface d'API et à un seul identifiant de modèle. Les trajectoires pointent dans des directions opposées : Microsoft itère sur le modèle de base et la pile de service, Google itère sur les modalités d'entrée et le budget de contexte.

Ce que cela implique pour une décision prise ce mois-ci n’a rien de glamour. Vérifiez si votre entrée la plus longue tient dans 32K avant même de lire le moindre chiffre de benchmark, car cette contrainte élimine d’emblée l’un de ces deux modèles. Si c’est le cas, faites passer vos propres vingt exemples étiquetés dans les deux et comparez les distributions de confiance plutôt que les réponses top-1 — un scoreur auquel vous ne pouvez pas appliquer de seuil est un scoreur que vous ne pouvez pas déployer, et les deux sont à moins de 0,2 point l’un de l’autre sur la non-hallucination, qui est la ligne qui détermine si l’abstention se comporte sur vos données comme elle l’a fait sur un jeu de test public.

Comparés dans cet article1

Détecté à partir de cet article · Benchmarks : Artificial Analysis · mis à jour quotidiennement