
Microsoft-Decision-1.1 Sampai di Keynote Ignite. Kalimat Tolok Ukur yang Dikutipnya Benar dan Sempit.
- OrcaBARUOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 per 1 juta token · 184 tok/s
- tencentBARUTencent: Hy4 Flash2026-11-16$0.02 / $0.07 per 1 juta token · 223 tok/s
- GoogleBARUGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1 juta token · 87 tok/s
- AnthropicBARUAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1 juta token · 96 tok/s
- orcaBARUOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1 juta token · 90 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1 juta token · 131 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 per 1 juta token · 77 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 per 1 juta token · 94 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1 juta token · 114 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1 juta token · 69 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1 juta token · 94 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1 juta token · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Kecerdasan
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 per 1 juta token · 209 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Kecerdasan
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1 juta token · 111 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Kecerdasan
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 per 1 juta token · 311 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Kecerdasan
Microsoft-Decision-1.1 tersedia secara umum pada 17 November 2026, enam minggu setelah Microsoft-Decision-1 dan sepenuhnya berbasis model dasar yang berbeda: Gemma 4 26B A4B, sistem mixture-of-experts berukuran menengah yang disebut Microsoft dalam posting peluncurannya sendiri, menggantikan Qwen3.5-9B yang menjadi basis pasca-pelatihan versi 1. Pergantian itulah inti dari rilis ini. Kutipan yang lebih jauh beredar berasal dari pidato utama Ignite, tempat Decision 1.1 diperkenalkan sebagai perutean model "yang terintegrasi langsung ke dalam aplikasi Anda" lalu didukung dengan satu kalimat — "di AA Decision Index, model ini mengalahkan Jev, Google, dan OpenAI." Ketiga nama itu merujuk pada Jev 1.14 dengan skor 66,2; Gemini Decision 1 dengan 66,0; dan GPT-6 Luna (Decisions) dengan 60,2, dibandingkan 67,78 untuk Microsoft-Decision-1.1. Ketiga perbandingan itu benar.
Mereka juga merupakan subset empat model yang paling menyanjung di papan peringkat yang saat ini memuat dua puluh lima entri. Sepuluh model keputusan mencetak skor di atas Microsoft-Decision-1.1 malam ini, dari d1.2-ultra pada 74,8 melalui Drex Max v1.1 dan SubQ Snap 1.2 pada 72,6 hingga SubQ Snap 1.1 pada 67,9. Kalimat dalam pidato utama itu tidak salah. Itu adalah perbandingan yang dikurasi yang disajikan dalam tata bahasa sebuah perbandingan lengkap, dan perbedaan itu bernilai lebih daripada peluncuran itu sendiri, karena itulah yang terjadi ketika untuk pertama kalinya sebuah indeks benchmark mendapatkan slide di konferensi pengembang sebuah hyperscaler.
Apa kata panggung, dan apa kata papan
Transkrip keynote yang diterbitkan Microsoft pada hari yang sama hanya sedikit membahas topik tersebut. Setelah membahas model-model pengodean, transkrip itu beralih ke pengambilan keputusan: "agen semakin dibutuhkan untuk membuat keputusan, terutama ketika kecepatan dan biaya menjadi hal yang kritis. Jadi Decision 1.1 menyediakan perutean model yang terintegrasi langsung ke dalam aplikasi Anda. Dan pada AA Decision Index, ia mengalahkan Jev, Google, dan OpenAI."
Jika diuraikan, itu adalah perbandingan empat arah yang memang didukung oleh indeks tersebut. Pada komposit Decision Index v2.1, yang diterbitkan oleh Artificial Analysis dan dibaca di sini pada 19 November 2026, Microsoft-Decision-1.1 memperoleh skor 67,78, Jev 1.14 memperoleh skor 66,2, Gemini Decision 1 memperoleh skor 65,98, dan GPT-6 Luna (Decisions) memperoleh skor 60,2. Selisihnya adalah 1,6, 1,8, dan 7,6 poin. Tidak ada yang bisa diperdebatkan dari itu.
Apa yang dihilangkan kalimat itu adalah separuh papan peringkat di atasnya. Halaman yang sama menempatkan Microsoft-Decision-1.1 di urutan kesebelas, dan sepuluh entri di atasnya bukanlah nama yang tidak dikenal:
• d1.2-ultra (Liquid AI) — 74.8, pemimpin papan peringkat, dengan $133 per juta tugas
• Drex Max v1.1 (Nace) — 72,6 pada $103, dan SubQ Snap 1.2 — 72,6 pada $137
• GLiDE v1.2 (Fastino) — 72,5 pada $780, Mammoth 27B (Baseten) — 71,4 pada $264, d1-ultra — 70,6
• Decider v1.3 (Perplexity) — 70.4 seharga $68, Decider v1.2 — 69.8, d1.2 — 68.7, SubQ Snap 1.1 — 67.9
Memilih tiga pesaing yang disebutkan namanya untuk membuat peluncurannya tampak lebih baik bukanlah skandal; setiap unggahan peluncuran melakukannya, dan Microsoft secara luar biasa eksplisit bahwa itulah model yang dipilihnya untuk disebutkan. Bagian yang menarik adalah panggungnya. Sebuah indeks pihak ketiga yang proprietary — yang revisi v2-nya dirilis pada 8 November 2026, sembilan hari sebelum Ignite, dibangun di atas 45% dataset privat — dikutip di atas panggung sebagai otoritas untuk klaim tentang model Microsoft sendiri. Itu adalah jenis fakta yang berbeda dari tangkapan layar benchmark vendor, dan dampaknya dua arah: itu mengangkat indeks tersebut, dan menempatkan indeks itu pada posisi di mana dikutip secara selektif kini menjadi bagian dari reputasinya.
Apa yang sebenarnya berubah antara 1 dan 1.1
Singkirkan lapisan presentasinya, dan rekayasanya menjadi spesifik. Microsoft-Decision-1.1 bukan sekadar penyesuaian kecil dari model Oktober. Basisnya berubah dari Qwen3.5-9B milik Alibaba, yang masih dicantumkan di halaman katalog v1, menjadi Gemma 4 26B A4B. Microsoft menjelaskan pilihan itu dalam kaitannya dengan biaya: parameter aktifnya cukup untuk melakukan penilaian, tetapi cukup kecil untuk dijalankan di seluruh armada A100, H100/200, dan GB200/300. Mesin inferensi khusus, yang dibangun untuk melakukan scoring alih-alih generasi token demi token, adalah yang dikaitkan perusahaan dengan latensinya.
Kemampuan yang tidak ada di v1 adalah input gambar. Microsoft-Decision-1.1 menerima teks, JSON, atau gambar — foto, tangkapan layar — dan tetap menolak audio, video, serta segala bentuk penjelasan yang dihasilkan. Nama jenis pertanyaan tidak berubah: noul untuk probabilitas pada pernyataan ya/tidak, choice untuk satu label dari himpunan tetap dengan probabilitas untuk setiap opsi, score untuk posisi pada skala terurut. Permintaan dikirim ke jalur yang berakhiran /providers/microsoft/v1/systemone, yang entah merupakan nama endpoint paling tidak jelas maksudnya yang dirilis kuartal ini atau petunjuk tentang di mana Microsoft menganggap kategori ini berada dalam stack.
Konteks adalah angka yang perlu diperhatikan jika Anda bermigrasi: Microsoft mendokumentasikan "input hingga 32K token", dan Artificial Analysis mencatat jendela 33k. Versi 1 juga sama. Model keputusan yang membaca kontrak 40.000 token tidak ada dalam rilis ini.
Tiga klaim dari postingan peluncuran, diperiksa terhadap papan
Tulisan Microsoft sendiri memuat tiga klaim kuantitatif, dan data independen menjawab masing-masingnya dengan cara yang berbeda.
• "Skor 68" — nilai indeksnya adalah 67,78. Ini pembulatan, bukan inflasi, dan merupakan satu-satunya klaim yang bertahan secara tepat.
• "Lebih dari dua kali lebih cepat" — versi 1 mencatat 274.25 ms per tugas, versi 1.1 mencatat 123.25 ms. Itu 2.23x, dan menjadikan model baru sebagai entri tercepat kelima di papan peringkat, bukan kedua puluh.
• "Dengan biaya yang sama" — benar pada tingkat token, tetapi menyesatkan dalam praktik. Kedua versi mencantumkan $0,042 per juta token masukan. Namun biaya terukur per juta tugas adalah $139,64 untuk 1.1 versus $142,56 untuk v1, peningkatan 2%, bukan separuh. Harga sama, tagihan kurang lebih sama, throughput dua kali lipat. Jika kendala Anda adalah latensi rather than pengeluaran, peningkatannya besar; jika kendalanya pengeluaran, peningkatannya hampir tidak ada.

Di mana komposit berhenti sejalan dengan pemasaran
Komposit Decision Index v2.1 bukanlah misteri. Ini terdiri dari enam komponen berbobot, dan angka 67.78 milik Microsoft-Decision-1.1 dapat direproduksi darinya: 30% AA-Paperclip, 15% EvalSafe-O*NET-AA, 10% When2Call, 15% AA-Omniscience-Decision v1.1, 15% HLE-MultiChoice v1.1, 15% AA-Symmetry. Kalikan dan jumlahkan, maka Anda akan tepat memperoleh 67.78. Transparansi itulah yang membuat sub-skor dapat dibaca, dan sub-skor adalah bagian tempat narasi peluncuran menjadi menarik.
• When2Call — 95,08. Ini adalah uji perutean, dan angka ini adalah yang terkuat dalam kumpulan ini dengan selisih yang lebar. Tawaran Microsoft adalah "perutean model yang terintegrasi ke dalam aplikasi Anda", dan pada satu komponen yang mengukur hal itu secara tepat, model ini berada di hampir puncak papan peringkat.
• AA-Paperclip — Skor Keputusan 58,67, 36,8% dokumen dijawab dengan sempurna. Ini adalah komponen 30%, 1.500 dokumen privat yang masing-masing memuat lima keputusan dan sepuluh fakta, dinilai dengan prinsip semua atau tidak sama sekali. Versi 1 lulus 20,9%. Lonjakan lima belas poin dalam tingkat dokumen sempurna adalah peningkatan rekayasa tunggal terbesar dalam rilis ini, dan itu juga alasan skor komposit bergerak sebesar itu.
• HLE-MultiChoice v1.1 — Skor Keputusan 46,11 pada akurasi mentah 6,29%, dengan 38,4% non-halusinasi. Akurasi enam persen pada uji pengetahuan sulit bukanlah kekuatan; Skor Keputusan hanya terbilang layak karena model tersebut jujur bahwa dirinya kebingungan. Postingan Microsoft sendiri menyatakan bahwa model-model ini "secara eksplisit belum disetel untuk masalah-masalah yang lebih sulit", dan baris inilah tempat pengakuan itu terlihat di publik.
• AA-Omniscience-Decision v1.1 — 60,46 pada akurasi 33,2% dan non-halusinasi 49,4%. Versi 1 memperoleh 21,7% pada non-halusinasi, sehingga model belajar menolak sekitar dua kali lebih andal sekaligus memperoleh dua poin akurasi. Bagi model keputusan, pertukaran itu adalah inti segalanya.
Jika dibaca bersama-sama, profilnya koheren: ini adalah router yang cepat dan terkalibrasi baik dengan basis pengetahuan yang dangkal. Itu produk yang bisa dipertahankan. Itu bukan produk yang tersirat oleh kalimat keynote.

Harga, dalam satuan yang benar-benar digunakan tagihan
Foundry mencantumkan tiga tarif input untuk Microsoft-Decision-1.1 dan sama sekali tidak mencantumkan tarif output, karena model tersebut tidak mengeluarkan token output: $0.042 per juta token input di Global Standard, $0.046 di US Data Zone, dan $0.05 pada deployment EU dan APAC Data Zone. Pilih SKU zona data dan Anda membayar 19% lebih mahal daripada angka utama untuk lokalitas. Di sinilah klaim "model keputusan termurah" pertama kali secara diam-diam direvisi.
Tempat kedua adalah kolom biaya per tugas, yaitu hasil ketika harga token dikalikan dengan banyaknya input yang benar-benar dikonsumsi suatu tugas. Dengan $139,64 per juta tugas, AA menempatkan Microsoft-Decision-1.1 di peringkat kelima belas dari dua puluh lima dalam hal biaya — lebih murah daripada Gemini Decision 1 pada $344,90, tetapi lebih mahal daripada Celeris-1.1 Decision pada $14 dan Decider v1.3 pada $68. Model ini cepat dan berharga menengah. Model ini bukan pilihan paling hemat di kategorinya sendiri, dan Microsoft tidak pernah mengklaim demikian.
Bagaimana posisi tim yang ingin mengakhirinya
Rute pihak pertama adalah Foundry: terapkan modelnya, lalu kirim status plus peta pertanyaan bertipe ke endpoint keputusan. Pembeli perusahaan akan peduli bahwa Microsoft sudah menggunakannya sebagai juri di dalam Foundry Evaluations dan sebagai router di Copilot, di mana perusahaan melaporkan keputusan perutean yang sama dibuat 2,2x lebih cepat dan dengan biaya 4,4x lebih rendah daripada model bahasa besar — angka yang dilaporkan vendor dari harness milik Microsoft sendiri, tidak direproduksi di luarnya.
Yang perlu dikatakan secara terus terang adalah apa yang OrcaRouter bawa dan tidak bawa. Kami tidak menghosting Microsoft-Decision-1.1, atau Gemini Decision 1, atau endpoint penilaian keputusan apa pun, karena API yang hanya berisi probabilitas bukanlah target chat-completions dan berpura-pura sebaliknya akan menjadi klaim ketersediaan yang terdengar bagus tetapi rusak di produksi. Yang kami bawa adalah separuh dari pipeline keputusan yang memang menghasilkan — dan satu jendela ke rilis ini luar biasa literal: Gemma 4 26B A4B, basis persis yang di-fine-tune Microsoft, ada di katalog kami dengan harga $0.06 per juta input dan $0.33 per juta output, bersama Jev 1.14 seharga $0.042, model yang menjadi pembanding Microsoft-Decision-1.1. Jika Anda ingin melihat seberapa besar perilaku keputusan berasal dari model dasar dan seberapa besar dari post-training, kedua ujung perbandingan itu dapat dijangkau dari satu kunci, dengan harga daftar penyedia dengan markup 0% yang diteruskan.

Tontonan Berikutnya
Dua hal kini dapat diuji secara publik yang tidak bisa diuji minggu lalu. Yang pertama adalah apakah Decision Index terus muncul di layar keynote: sebuah benchmark menjadi dokumen pembelian begitu vendor mulai mengutipnya di bawah logo mereka sendiri, dan vendor berikutnya yang melakukannya akan mengutip subset empat model yang berbeda. Yang kedua adalah apakah Microsoft-Decision-1.1 mempertahankan posisi routing-nya saat board bertambah — When2Call membawa bobot 10% dan menyumbang sebagian besar keunggulan model tersebut atas Gemini Decision 1, yang berarti revisi indeks rutin dapat menggeser peringkat ini lebih daripada pembaruan model apa pun.
Untuk saat ini, kalimat yang akurat lebih sempit cakupannya daripada slide dan lebih berguna: Microsoft merilis model keputusan yang dua kali lebih cepat daripada pendahulunya dengan harga token yang sama, jauh lebih baik terkalibrasi, kini mampu membaca gambar, masih dibatasi pada 32K token, jujur tentang apa yang tidak diketahuinya, dan berada di peringkat kesebelas pada satu-satunya papan peringkat independen yang memeringkatnya. Presentasi utama mengatakan model itu mengalahkan Google dan OpenAI. Itu benar. Hanya saja, model itu tidak mengalahkan semua pihak.
