
Microsoft-Decision-1.1 לעומת Gemini Decision 1: יתרון של שתי נקודות שנבנה כמעט כולו על מבחן אחד
- OrcaחדשOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 לכל 1M טוקנים · 184 tok/s
- tencentחדשTencent: Hy4 Flash2026-11-16$0.02 / $0.07 לכל 1M טוקנים · 223 tok/s
- GoogleחדשGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 לכל 1M טוקנים · 87 tok/s
- AnthropicחדשAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 לכל 1M טוקנים · 96 tok/s
- orcaחדשOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 לכל 1M טוקנים · 90 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 לכל 1M טוקנים · 131 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 לכל 1M טוקנים · 77 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 לכל 1M טוקנים · 94 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 לכל 1M טוקנים · 114 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 לכל 1M טוקנים · 69 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 לכל 1M טוקנים · 94 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 לכל 1M טוקנים · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447אינטליגנציה
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 לכל 1M טוקנים · 209 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929אינטליגנציה
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 לכל 1M טוקנים · 111 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733אינטליגנציה
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 לכל 1M טוקנים · 311 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740אינטליגנציה
הציבו את Microsoft-Decision-1.1 ואת Gemini Decision 1 זה לצד זה ב-Artificial Analysis Decision Index v2.1 והפער נראה כמו פסק דין: 67.78 מול 65.98, כאשר המודל של Microsoft גם כמעט פי שניים מהיר ב-123 ms למשימה לעומת 211 ms, וגם פחות מחצי יקר ב-$139.64 למיליון משימות לעומת $344.90. אם מפרקים את הציון המשולב, פסק הדין הופך קטן יותר ומוזר יותר. כל היתרון של Microsoft-Decision-1.1 מגיע מרכיב אחד ששווה 10% מהמדד ומהחלטה אחת ברמת התהליך לגבי אופן החיוב על מסמך. בשני רכיבי הידע, המודל של Google מנצח — באחד מהם ביותר משש נקודות, עם כמעט פי שניים דיוק גולמי.
הפיצול הזה הוא ההשוואה כולה, והוא קובע יותר ממיקום בטבלת המובילים. Gemini Decision 1 קורא 262,144 טוקנים ומקבל אודיו, וידאו ו-PDF; Microsoft-Decision-1.1 קורא 32,768 ומקבל טקסט, JSON ותמונות. המודל של Google מודה כשהוא לא יודע ב-49.6% במבחן Omniscience; זה של Microsoft ב-49.4%. במבחן הניתוב, זה של Microsoft מקדים בשתים עשרה וחצי נקודות. אם ההחלטה שלך היא „איזה מחמשת הכלים האלה הבקשה הזאת צריכה”, התשובה לא צמודה. אם ההחלטה שלך היא „האם הסעיף הזה בחוזה הזה בן 90 העמודים נכון”, התשובה מתהפכת, והיא מתהפכת בגלל חלון הקשר ולא בגלל המודל.
שניהם קלעים, והם קלעים באותה צורה.
שני ה-API-ים התכנסו כמעט לאותו פרימיטיב, מה שהופך את ההשוואה לנקייה באופן יוצא דופן. כל אחד מהם מקבל קלט משותף וקבוצה של שאלות עם טיפוסים, ומחזיר תשובה אחת עם טיפוס לכל שאלה, כשלצידה הסתברות. אף אחד מהם לא כותב אף מילה.
• סוגי שאלות — שניהם חושפים את אותם שלושה: הסתברות כן/לא, בחירה מתוך קבוצה קבועה עם הסתברות לכל אפשרות, ומיקום על סולם סדור. מיקרוסופט קוראת לראשון noul, וגוגל גם קוראת לזה noul, וזה לא צירוף מקרים אלא יותר קטגוריה שמתגבשת על אוצר מילים.
• טוקנים בפלט — אפס בשניהם, בכל קריאה. החיוב הוא על קלט בלבד, כך שמחיר הטוקן שאתם רואים הוא המחיר המלא.
• ניקוד במקביל — שניהם מעריכים כל שאלה מול הקלט המשותף באופן עצמאי, כך ששאלות אינן יכולות לראות זו את זו והוספת שאלה עשירית אינה משנה את תשע הראשונות.
• גודל הבקשה — Google מתעדת 1 עד 1,000 שאלות לכל קריאה, שאלות בחירה עם 2 עד 255 אפשרויות, ושאלות ניקוד עם 2 עד 255 רמות. Microsoft מתעדת "שאלה אחת או יותר עם טיפוס" ללא תקרה, ופוסט ההשקה שלה מתאר בקשות הנושאות "מאות שאלות".
• קלט תמונה — שניהם מקבלים זאת כעת. Microsoft הוסיפה זאת ב-1.1; Google כוללת זאת מההשקה, יחד עם אודיו ווידאו, ש-Microsoft במפורש לא מקבלת.
• נקודות קצה — כאן הם מתפצלים פיזית. אל Gemini Decision 1 ניתן להגיע רק דרך Decisions API של Google ב-Gemini Developer API v1beta. Microsoft-Decision-1.1 נפרס כמשאב Foundry ועונה בכתובת /providers/microsoft/v1/systemone על אותו משאב.
המורכב, מפורק
יתרון של 1.8 נקודות במדד, שמצוי ברכיב אחד בעל משקל של 10%, אינו תוצר של עיגול, אך הוא טענה צרה בהרבה מ"מודל טוב יותר". להלן הפירוק המלא של שתי הרשומות, כפי ש-Artificial Analysis מפרסמת אותו, נכון ל-19 בנובמבר 2026:
• מדד כולל — Microsoft-Decision-1.1 67.78 לעומת Gemini Decision 1 65.98
• מדד הדיוק (המדד שנבנה מחדש עם דיוק בלבד, ללא רמת ביטחון) — 48.45 לעומת 45.53, כך שמיקרוסופט מובילה גם בנכונות, רק בפער קטן יותר
• When2Call, משקל 10% — 95.08 לעומת 80.50. פער של 14.6 נקודות והמקור ליתרון
• AA-Paperclip, משקל 30% — ציון החלטה 58.67 לעומת 56.83, ו-36.8% לעומת 33.0% מהמסמכים נכונים במלואם
• EvalSafe-O*NET-AA, 15% — 88.85 לעומת 87.05, עם 83.4% לעומת 82.0% דיוק גולמי
• AA-Omniscience-Decision v1.1, 15% — 60.46 לעומת 66.28, עם דיוק גולמי של 33.2% לעומת 44.8% ואי-הזיה של 49.4% לעומת 49.6%
• HLE-MultiChoice v1.1, 15% — 46.11 לעומת 48.71, עם דיוק גולמי של 6.29% לעומת 13.16% ואי-הזיה של 38.4% לעומת 35.8%
• AA-Symmetry, 15% — 75.72 לעומת 70.47, בשיעורי ההצלחה בניסוח מחדש של 47.5% לעומת 38.3%
שני דברים נובעים מהרשימה הזו. הראשון הוא שהפער הבודד הגדול ביותר הוא ברכיב בעל המשקל הקטן ביותר — When2Call תורם 9.5 נקודות לסולם של 100 נקודות, כך שהפער של 14.6 נקודות שם שווה כ-1.5 נקודות מדד, שזה רוב 1.8 הנקודות בסך הכול. השני הוא שיתרון הידע של Gemini Decision 1 גדול באמת: 44.8% לעומת 33.2% בדיוק הגולמי של Omniscience אינו רעש, וזו הסיבה שלמודל של Google יש מדד דיוק גבוה יותר ממה שהציון המשולב שלו מרמז.
במילים אחרות, מיקרוסופט לא עלתה על גוגל בכל התחומים. היא עלתה על גוגל באופן מכריע במבחן האחד שבודק אם המודל יודע מתי לקרוא לכלי, ובכל השאר השתוותה לה בקירוב, כשהפסידה במבחני הידע וניצחה במבחן העקביות.

מה המחיר האמיתי של ההבדל בחלון ההקשר
חלון ה-262,144 טוקנים הוא המספר שמכריע בעומסי עבודה אמיתיים, וזה פער של פי 8: Gemini Decision 1 קורא פי שמונה ממה ש-Microsoft-Decision-1.1 קורא. התיעוד של Google מנצל את התקציב הזה בדרך מסוימת — החלון מכסה את הקלט המשותף ואת כל השאלות יחד, כך שחוזה ארוך אחד בתוספת מאתיים שאלות רובריקה מתחרים על אותם 262K.
לתקרת ה-32K של מיקרוסופט יש אפקט מסדר שני שמופיע בעמודת העלויות. AA-Paperclip גובה תשלום על מסמך פעם אחת עבור כל השאלות שלו ומפיק 15 תשובות לכל מסמך. מודל שאינו יכול להחזיק את המסמך בקריאה אחת חייב להיות מיושם מקטע אחר מקטע, מה שמכפיל את מספר הקריאות. Microsoft-Decision-1.1 מסתכם ב-$386 למיליון משימות ב-Paperclip לעומת Gemini Decision 1 ב-$946 — אבל הדירוג לפי עלות כוללת למשימה כבר מוסבר על ידי מחיר הטוקן, ולא על ידי טיפול במסמכים.
יש מנגנון שלישי שראוי להזכיר בשמו, כי דווקא אותו הקונים מפספסים: קלט חוזר נספר במלואו אצל שניהם. ה-API Decisions של Google אינו תומך באופן מפורש במטמון הקשר, ב-Batch, ב-Flex או בהסקת Priority, ולכן מחוון שנשלח עם כל בקשה משולם בכל בקשה. גם ל-Microsoft-Decision-1.1 אין סיפור מטמון בתיעוד שלו. אף אחד מהספקים לא מציע הנחה על שליחת אותן 200 שאלות מיליון פעמים, וזה בדיוק סוג העומס שהקטגוריה הזו נבנתה עבורו.
תמחור, עם מלכודת ה-SKU
Microsoft מציינת שלושה תעריפי קלט — $0.042 למיליון ב-Global Standard, $0.046 ב-US Data Zone, $0.05 ב-EU וב-APAC Data Zone — ואינה מציינת תעריף פלט. Google מציינת תעריף אחד: $0.10 למיליון טוקני קלט. לפי הנתון הראשי, Microsoft זולה ב-58%. לפי העלות הנמדדת על פני כל המדד, Microsoft זולה ב-60% — $139.64 לעומת $345.41 למיליון משימות — מכיוון שהיא גם צורכת פחות טוקנים לכל משימה ברוב המרכיבים.
אבל תעריף $0.042 הוא התעריף הגלובלי, ועומס עבודה הממוקם באיחוד האירופי על ה-SKU של אזור הנתונים משלם $0.05, מה שמצמצם את הפער ל-50%. אף אחד מהמספרים אינו כולל את עלות הקריאות סביב מודל קבלת ההחלטות, קריאות שברוב צינורות הייצור עולות בהרבה על קריאת הניקוד עצמה — המודל שמנסח את התשובות המועמדות, המודל שכותב את מחוון הניקוד, המודל שמטפל בכל מה שהמנקד נמנע מלהכריע לגביו. ההוצאה הזו היא המקום שבו הניתוב באמת חוסך כסף, וזה החלק ש-OrcaRouter מכסה: מפתח אחד ליותר מ-200 מודלים במחיר המחירון של הספק עם תוספת של 0%, כך ששינוי מחיר מצד ספק בחצי הגנרטיבי נכנס לתוקף באותו יום, ו-fusion או ה-DSL לניתוב יכולים להציב מנסח זול מאחורי שופט יקר בלי אינטגרציה נוספת.

איזו מהן היית באמת פורס
שלושה צורות של עומס, שלוש תשובות שונות, ואף אחת מהן אינה "האינדקס הגבוה".
• ניתוב, שערוב ובחירת כלים — Microsoft-Decision-1.1. ציון של 95.08 ב-When2Call לעומת 80.50 הוא הפער הגדול ביותר ברכיב בודד בלוח, וניתוב הוא עומס העבודה שמיקרוסופט בנתה את המודל עבורו. גם החציון של 123 מ״ש חשוב כאן: נתב יושב בנתיב הבקשה, וההבדל בין 123 מ״ש ל-211 מ״ש הוא ההבדל בין שלב שאיש אינו שם לב אליו לבין שלב שתקציב ההשהיה חייב לספוג.
• חילוץ מסמכים והערכה לפי רובריקה על קלטים ארוכים — החלטה 1 של Gemini. אם קריאה בודדת צריכה לראות חוזה בן 90 עמודים יחד עם השאלות עליו, תקרת ה-32K של Microsoft פשוט נכשלת, ושום רמת ביצועים של When2Call לא מצילה קריאה שמעולם לא התרחשה. דיוק Omniscience של Google בשיעור 44.8% ודיוק HLE בשיעור 13.2% מחזקים את אותה מסקנה מכיוון אחר: היא יודעת יותר, והיא יכולה לקרוא יותר.
• סינון בהיקף גבוה שבו החשבון הוא השיקול המרכזי — אף אחד מהם, וזו התשובה הכנה. Celeris-1.1 Decision מקבל ציון 62.0 במחיר של 14 דולר למיליון משימות; Decider v1.3 מקבל ציון 70.4 במחיר של 68 דולר. שניהם מנצחים את Microsoft-Decision-1.1 בעלות למשימה ואחד מהם מנצח אותו במדד. אם ההחלטה שלכם זולה וחזרתית, אפשרויות ההיפרסקאלר הן היקרות.
הסתייגות אחת חלה על כל שלושת המקרים: פער של 1.8 נקודות ושורות הכיול מגיעים מאינדקס שעדכן את שקלולו ב-8 בנובמבר 2026, והוריד את Omniscience ואת HLE מ-25% כל אחד ל-15%, תוך הכנסת רכיב מסמכים בשיעור 30%. שינוי שקלול יכול להזיז את הדירוג הזה יותר מאשר שחרור מודל. התייחס להשוואה כעדכנית וכזו שנושאת תאריך, ולא כקבועה.

היכן שני המודלים יתפצלו בהמשך
Microsoft-Decision-1.1 הוא ניסיון שני על בסיס חדש — Gemma 4 26B A4B במקום Qwen3.5-9B — עם מנוע הסקה מותאם אישית ומסר שיווקי לניתוב. Gemini Decision 1 הוא המוצר הראשון של Google, הכבול למשטח API יחיד ולמזהה מודל יחיד. המסלולים מצביעים בכיוונים מנוגדים: Microsoft מבצעת איטרציות על מודל הבסיס ועל מערך השירות, בעוד Google מבצעת איטרציות על מודאליות הקלט ועל תקציב ההקשר.
המשמעות עבור החלטה שתתקבל החודש אינה זוהרת. בדוק אם הקלט הארוך ביותר שלך נכנס ל-32K לפני שאתה קורא אפילו נתון בנצ׳מרק אחד, מפני שהאילוץ הזה פוסל לחלוטין אחד משני המודלים האלה. אם הוא נכנס, הרץ עשרים דוגמאות מתויגות משלך דרך שניהם והשווה את התפלגויות הביטחון ולא את תשובות ה-top-1 — מודל ניקוד שאי אפשר לקבוע לו סף הוא מודל ניקוד שאי אפשר להשיק, ושניהם נמצאים בטווח של 0.2 נקודות זה מזה במדד אי-הזיה, שהיא השורה שקובעת אם הימנעות מתשובה מתנהגת על הנתונים שלך באותו אופן שבו התנהגה בסט מבחן ציבורי.
השוואות במאמר הזה1
זוהה מתוך המאמר הזה · בנצ'מרקים: Artificial Analysis · מתעדכן יומית
