
Microsoft-Decision-1.1 vs Microsoft Decision 1 : la mise à niveau où un numéro a reculé
- OrcaNOUVEAUOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 par million de tokens · 184 tok/s
- tencentNOUVEAUTencent: Hy4 Flash2026-11-16$0.02 / $0.07 par million de tokens · 223 tok/s
- GoogleNOUVEAUGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 par million de tokens · 87 tok/s
- AnthropicNOUVEAUAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 par million de tokens · 96 tok/s
- orcaNOUVEAUOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 par million de tokens · 90 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 par million de tokens · 131 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 par million de tokens · 77 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 par million de tokens · 94 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 par million de tokens · 114 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 par million de tokens · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 par million de tokens · 94 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 par million de tokens · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligence
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 par million de tokens · 209 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligence
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 par million de tokens · 111 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligence
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 par million de tokens · 311 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligence
Chaque chiffre publié pour Microsoft-Decision-1.1 est meilleur que le chiffre correspondant pour Microsoft-Decision-1, à une exception près, et c’est cette exception qui est intéressante. Sur l’Artificial Analysis Decision Index v2.1, le nouveau modèle obtient 67,78 contre 62,07, est 2,2 fois plus rapide à 123 ms par tâche contre 274 ms, et s’abstient de façon bien plus fiable — 49,4 % de non-hallucination sur AA-Omniscience-Decision contre 21,7 %. Pourtant, sur les questions auxquelles l’ancien modèle répondait correctement, le nouveau en réussit moins : 6,29 % d’exactitude brute sur HLE-MultiChoice v1.1 contre 8,64 %, et 47,5 % des questions AA-Symmetry traitées de manière cohérente contre 51,7 %. Microsoft-Decision-1.1 n’est pas un Microsoft-Decision-1 strictement meilleur. C’est un modèle calibré différemment, et c’est l’orientation de ce compromis qui détermine une décision de migration.
Les deux modèles sont séparés de six semaines. Microsoft-Decision-1 a atteint la disponibilité générale le 8 octobre 2026 en tant qu’évaluateur texte uniquement post-entraîné à partir de Qwen3.5-9B. Microsoft-Decision-1.1 est arrivé le 17 novembre 2026 à Ignite sur Gemma 4 26B A4B, une base de type mélange d’experts que Microsoft décrit comme disposant de suffisamment de paramètres actifs pour le jugement tout en restant assez petite pour être servie sur du matériel A100, H100/200 et GB200/300. Même prix. Même plafond de 32K. Les mêmes trois types de questions. Un socle différent, une classe de latence différente et un ensemble de points forts mesurablement différent.
Le changement de modèle de base constitue la version publiée.
La version 1 était un modèle dense de 9 milliards de paramètres. La version 1.1 est un mélange d'experts de 26 milliards de paramètres, avec environ 4 milliards actifs par token, si l'on lit le suffixe A4B comme Google l'utilise sur la gamme Gemma. Il ne s'agit pas d'un réentraînement incrémental ; c'est une architecture différente, une famille différente et un ensemble différent de caractéristiques de service. Le billet de lancement de Microsoft indique explicitement que ce changement était une décision de coût et d'intelligence, et l'associe à un moteur d'inférence personnalisé conçu pour le scoring plutôt que pour la génération token par token.
Ce que l’échange a apporté, dans l’ordre où un acheteur le remarquerait :
• Latence — de 274,25 ms à 123,25 ms par tâche, mesurée sur l’ensemble de l’index. Sur le composant individuel le plus rapide, When2Call, le nouveau modèle atteint en moyenne 94 ms contre 230 ms pour l’ancien modèle.
• Calibration — le score de décision, qui correspond à la précision avec la pénalité de Brier appliquée, a augmenté sur chacune des cinq composantes de décision. Omniscience est passé de 54,89 à 60,46, HLE de 39,42 à 46,11, Paperclip de 51,82 à 58,67, EvalSafe de 86,82 à 88,85, When2Call de 87,95 à 95,08.
• Comportement de refus — la non-hallucination sur Omniscience a plus que doublé, passant de 21,74 % à 49,40 %. Sur HLE, elle est passée de 15,05 % à 38,36 %. Pour un modèle dont toute la raison d’être est de servir à un seuillage, il s’agit du changement le plus lourd de conséquences de la liste.
• Modalité — les images ont rejoint le texte et le JSON parmi les entrées acceptées. L'audio et la vidéo sont toujours refusés, et le modèle ne produit toujours aucune explication, aucune justification et aucun token de sortie.
• Contexte — inchangé à 32 768 tokens. Rien n’a bougé ici, et cela mérite d’être dit clairement, car « 1.1 » invite à supposer que tout s’est amélioré.
Là où la version 1.1 est moins bonne, et pourquoi la propre présentation qu’en fait Microsoft le laisse présager
Les régressions ne sont pas aléatoires. Elles se concentrent sur les deux composants qui demandent au modèle de savoir quelque chose plutôt que de décider quelque chose.
Sur HLE-MultiChoice v1.1, la précision brute est passée de 8,64 % à 6,29 %, soit une baisse relative de 27 % de la part des questions difficiles auxquelles le modèle répond correctement. Le Decision Score a néanmoins augmenté, de 39,42 à 46,11, parce que la confiance du modèle dans les réponses qu’il a effectivement données correspondait bien mieux à l’exactitude de ces réponses. Autrement dit : il est devenu moins bon pour deviner et bien meilleur pour savoir qu’il devine. Le score composite récompense le second point et ne remarque presque pas le premier.
Sur AA-Symmetry, le tableau est plus subtil et moins flatteur. La symétrie mesure si la même question, reformulée — options réordonnées, libellés permutés, une question oui/non niée — produit la même réponse avec la même probabilité. La version 1 réussissait 51,7 % des reformulations au niveau de réussite totale ; la version 1.1 réussit 47,5 %. Son score de symétrie s’est néanmoins amélioré, de 70,42 à 75,72, car lorsqu’il dérive, il dérive désormais moins loin. Moins de séries parfaites, des écarts plus petits. C’est une configuration défendable pour un évaluateur, mais c’est une régression sur la seule propriété qu’un modèle de décision est censé garantir : que la formulation ne change pas la réponse.
La keynote de Microsoft a dit tout haut ce que l’on pense tout bas — ces modèles ne sont « explicitement pas encore ajustés pour les problèmes plus difficiles, comme la recherche en science fondamentale et le travail agentique à très long horizon », car l’ajustement pour ces capacités ferait grimper le prix de chaque tâche routinière. La décision 1.1 montre à quoi ressemble cette politique lorsqu’elle est appliquée. Le benchmark de connaissances s’est dégradé volontairement, ou du moins sans objection.

Ce qui n'a pas changé : la carte tarifaire, et le mur des 32K
Les deux versions affichent 0,042 $ par million de tokens d'entrée sur Global Standard, 0,046 $ sur US Data Zone et 0,05 $ sur les déploiements EU et APAC Data Zone, la sortie étant facturée à zéro puisqu'il n'y a pas de sortie. La formule de Microsoft est « plus de deux fois plus rapide, pour un coût identique », et le prix par token le corrobore exactement.
Le coût mesuré par tâche dit quelque chose d’un peu différent. La version 1 s’établit à 142,56 $ par million de tâches sur l’indice ; la version 1.1 à 139,64 $. Une amélioration de 2 %, pas un doublement. La raison est que le coût par tâche correspond au prix des tokens multiplié par l’entrée consommée, et le nouveau modèle ne consomme pas la moitié des tokens — il répond en moitié moins de temps. Si votre contrainte est un budget de temps horloge ou une étape de routage dans le chemin d’une requête, la mise à niveau est importante et évidente. Si votre contrainte est la dépense, la 1.1 ne change pas votre facture, et Microsoft n’a jamais prétendu le contraire.
L’autre nombre inchangé est le plafond. Les deux modèles lisent 32,768 tokens, et la documentation de Microsoft pour 1.1 reprend presque mot pour mot la formulation « des entrées allant jusqu’à 32K tokens » de la page v1. Aucune prise en charge du cache n’est documentée pour l’un ou l’autre, ce qui signifie qu’une grille d’évaluation de 200 questions est payée intégralement à chaque appel, sur les deux versions, à chaque niveau de volume. C’est le plus grand levier sur l’économie de cette catégorie, et aucune des deux versions n’y touche.

Comment migrer sans acte de foi
La forme de l'API est suffisamment stable pour que la migration soit surtout une affaire de configuration, mais pas entièrement. Microsoft documente l'appel v1.1 comme un état accompagné d'une table de questions typées — noul, choix, score — envoyées à /providers/microsoft/v1/systemone sur une ressource Foundry, le champ model contenant le nom de votre déploiement plutôt que celui du modèle. La réponse renvoie le modèle sous-jacent, de sorte qu'un déploiement nommé d'après votre charge de travail peut tout de même vous indiquer quelle version a répondu.
Trois étapes qui valent la peine d'être suivies dans l'ordre, plutôt que de permuter le nom du déploiement et de surveiller un tableau de bord :
1. Réenregistrez la distribution de confiance de votre ensemble étiqueté, et non son exactitude. Le passage de 21,7 % à 49,4 % de non-hallucination signifie que {{1}}1.1{{/1}} refusera une part sensiblement plus importante des questions au même seuil. Si votre pipeline traite une réponse manquante comme un échec critique plutôt que comme un signal de routage, cette mise à niveau ressemblera à une régression en production alors que tous les benchmarks indiquent qu’il s’agit d’une amélioration.
2. Réajustez le seuil. Un seuil choisi sur l'échelle de confiance de la version 1 s'applique désormais à une distribution qui a évolué. Les recommandations de Microsoft elles-mêmes invitent à valider les seuils sur des exemples étiquetés avant d'automatiser un point de contrôle : un conseil de toujours, mais qui pèse désormais de tout son poids.
3. Testez la régression de symétrie sur votre propre formulation. Si vos prompts sont générés à partir de gabarits dont l’ordre des options est variable — et c’est le cas de la plupart des prompts de routage —, le taux de réussite intégrale de 47,5 % est le chiffre qui doit vous préoccuper, pas le score composite. Dupliquez vingt de vos questions en réordonnant les options et mesurez la fréquence à laquelle l’argmax change.
Ce qui rend cette troisième étape peu coûteuse, c'est que l'abstention a une destination. Un modèle de décision qui s'abstient n'est utile que si l'élément auquel il délègue peut répondre, et c'est la partie du pipeline dont OrcaRouter se charge : une seule clé pour plus de 200 modèles avec basculement automatique, de sorte qu’un résultat de choix à faible confiance puisse être routé vers un modèle général au lieu d’alerter un humain, et le DSL de routage peut composer les deux en une seule séquence d’appels. Gemma 4 26B A4B — le modèle de base dans Decision 1.1 — figure dans notre catalogue à 0,06 $ par million de tokens d’entrée et 0,33 $ par million de tokens de sortie, au prix catalogue du fournisseur avec 0 % de marge appliquée, ce qui fait du contrôle de cohérence le moins coûteux possible sur toute décision suspecte un appel réel à son propre socle.

S'il faut ou non se déplacer
Il y a de bonnes raisons de rester sur la version 1, et elles sont limitées mais réelles. Si votre charge de travail consiste en des questions de connaissances difficiles où une mauvaise réponse est pire qu’aucune réponse — le profil HLE — la version 1 a répondu à davantage d’entre elles. Si vos prompts sont construits à partir de modèles qui réordonnent les options, la version 1 était plus stable face aux reformulations. Et si vous avez déjà réglé un seuil et l’avez validé sur des données de production étiquetées, la nouvelle distribution de confiance invalide ce travail.
Pour tous les autres, le cas est simple. Deux fois le débit au même prix par token, un taux de réussite sur les documents passé de 20,9 % à 36,8 %, une entrée d’images qui n’existait pas auparavant, et un modèle qui dit « je ne sais pas » deux fois plus souvent, exactement dans les situations où un engagement erroné coûte cher. Voilà les propriétés pour lesquelles on achète une couche de décision. Le benchmark de connaissances auquel il a renoncé n’était pas ce pour quoi on achetait ce modèle.
La migration, en une ligne : passer à la 1.1 pour la latence et l'abstention, réajuster ses seuils la même semaine, et garder les chiffres de la version 1 dans un tiroir pour le jour où quelqu'un demandera pourquoi le nouveau modèle a cessé de répondre à une question que l'ancien traitait.
