Una scheda del titolo generata con l'intestazione "MAI Decision 1 vs Microsoft Decision 1" e il sottotitolo "la stessa linea di prodotto, sei punti di indice di distanza", suddivisa in due pannelli arrotondati attorno a un disco "vs". Il pannello sinistro, "Microsoft-Decision-1.1", riporta la sotto-riga "GA 17 novembre 2026" e le righe "67.78 indice decisionale", "123 ms per attività", "immagini e testo" e "Gemma 4 base"; il pannello destro, "Microsoft-Decision-1", riporta "GA 8 ottobre 2026", "62.07 indice decisionale", "274 ms per attività", "solo testo" e "Qwen3.5 base". Un piè di pagina recita "Entrambi sono a listino a /bin/bash.042 per milione di token di input." Il logo OrcaRouter è composto nella striscia bianca sotto la grafica.
Guides & Insights

MAI Decision 1 vs Microsoft Decision 1: la stessa linea di prodotti, a sei punti di distanza

Autore

jinhao.song

Data di pubblicazione

Ultimi modelli · 20Vedi tutti i modelli →
Benchmark: Artificial Analysis · aggiornato ogni giorno
Torna a tutti gli articoli

Questo confronto contiene una trappola, e la trappola è la premessa. MAI Decision 1 e Microsoft Decision 1 non sono due modelli concorrenti. Sono la stessa linea di prodotto Microsoft, a una versione di distanza: il modello che la copertura di Ignite ha etichettato come MAI Decision 1 è Microsoft-Decision-1.1, e Microsoft-Decision-1 è la release di ottobre che sostituisce. Quindi il confronto utile non è "quale fornitore vince" — è "cosa hanno comprato cinque settimane e un nuovo modello di base, e vale la pena migrare per chi è già in produzione sull'endpoint più vecchio". La risposta breve: sei punti di indice, metà della latenza, input di immagini e un listino prezzi che non si è mosso.

Denominazione, decisa una volta per tutte

L'etichetta a sinistra di questo confronto proviene dalla copertura del keynote, non da Microsoft. Le stringhe del fornitore stesso sono "Decision 1.1" nel post sulla lineup di Ignite e "Microsoft-Decision-1.1" sul blog di Foundry e sulla model card; il prefisso MAI ha accompagnato MAI Code 2 e MAI Cyber 2 Flash negli stessi articoli di terze parti ed è rimasto. Quindi questa pagina confronta la versione 1.1 con la versione 1 di una singola linea di prodotto, e la domanda interessante non è quale fornitore vince, ma quali cambiamenti abbiano portato cinque settimane e un modello di base diverso.

La versione 1 non è stata ritirata. È ancora elencata in Foundry e ancora valutata nella classifica indipendente, ed è per questo che i due nomi continuano ad apparire affiancati nelle tabelle comparative — talvolta come rivali di aziende diverse, cosa che non sono.

Sei settimane, due modelli, un solo prezzo

La versione 1 è passata alla disponibilità generale (GA) l'8 ottobre 2026: un post-training solo testo di A​libaba's Qw​en3.5-9B, probabilità calibrate su un insieme fisso di opzioni, un limite di 32,768 token, nessun peso, nessun valore di benchmark pubblicato. La versione 1.1 è arrivata il 17 novembre con una base Gemma 4 26B-A4B, input di immagini e un quadro completo delle prestazioni — mentre il listino prezzi è rimasto esattamente dov'era, a $0.042 per milione di token.

• Modello base — Qwen3.5-9B, denso, 9B totali rispetto a Gemma 4 26B-A4B, mixture-of-experts con circa 4B attivi; entrambi post-addestrati internamente

• Modalità — solo testo oppure testo, JSON e immagini PNG/JPEG, fino a 8 per domanda

• Limite massimo di input — 32.768 token vs 32.768 token, invariato

• Tipi di domanda — sì/no, scelta multipla, valutazione, classificazione, rubrica rispetto allo stesso insieme, esposti come tre primitive tipizzate (noul, choice, score)

• Prezzo — 0,042 $/M token Standard globale, 0,05 $ UE e APAC rispetto a identico

• Latenza misurata — 274,25 ms per attività rispetto a 123,25 ms per attività, Artificial Analysis

• Costo misurato — $142,56 per milione di attività rispetto a $139,64 per milione di attività, Artificial Analysis

• Decision Index v2.1 — 62,07 vs 67,78

• Pesi — nessuno, ospitati solo in Foundry vs nessuno, ospitati solo in Foundry

La voce che non è cambiata è quella su cui la maggior parte dei team imposta il budget, e quella che è cambiata di più è quella che nessuno pubblicizza: latenza dimezzata mentre il prezzo per token è rimasto invariato, perché la nuova base è un modello sparso che svolge molto meno lavoro per chiamata.

A generated two-column comparison scoreboard titled 'MAI Decision 1 vs Microsoft Decision 1 — the scoreboard'. The Microsoft-Decision-1.1 column reads Decision Index 67.78, Latency 123 ms, Base model Gemma 4 26B-A4B, Images up to 8 per question, Brier score 0.160, Price $0.042 per M tokens; the Microsoft-Decision-1 column reads 62.07, 274 ms, Qwen3.5-9B, text only, 0.197 and $0.042 per M tokens. The footer reads 'Index, latency and Brier per Artificial Analysis v2.1, 18 November 2026; price per Microsoft Foundry.' The OrcaRouter logo is composited in the white strip below the artwork.

Di cosa sono fatti i sei punti

Il divario composito di 5,71 non è distribuito uniformemente, e l'irregolarità indica per quali carichi di lavoro è stato progettato l'aggiornamento. Nelle sei valutazioni costituenti di Artificial Analysis, leggendo la classifica il 18 novembre 2026:

• Tool calling di When2Call — 95,1 su 1.1 rispetto a 87,9 sulla versione 1, un guadagno di 7,1 punti e quello che conta per i guardrail degli agenti

• Giudizio sul luogo di lavoro EvalSafe-O*NET — 88,8 rispetto a 86,8

• Simmetria AA, invarianza decisionale alla riformulazione — 75,7 contro 70,4

• Decisioni sui documenti AA-Paperclip — 58,7 contro 51,8, il maggiore salto assoluto

• AA-Omniscience, conoscenza e allucinazione — 60,5 contro 54,9

• HLE ragionamento a scelta multipla — 46,1 contro 39,4

Ogni sotto-punteggio è migliorato, il che è insolito e rende affidabile l'aggregato; un composito che sale su una valutazione e scende su due è di solito un artefatto di ponderazione. Il guadagno di invarianza è quello silenzioso che vale la pena segnalare. La simmetria misura se una decisione sopravvive al riordino delle sue opzioni o alla riformulazione della sua domanda — esattamente il tipo di guasto contro cui mette in guardia la documentazione di Microsoft stessa, ed esattamente la proprietà che decide se una soglia messa a punto in staging scatta ancora in produzione. Passare da 70 a 76 su questo è un cambiamento operativo più grande che passare da 62 a 68 sulla metrica principale.

La calibrazione è migliorata nella stessa direzione. Il punteggio Brier, che misura il divario al quadrato tra una probabilità dichiarata e la verità, è sceso da 0,1965 a 0,1604 — più basso è meglio. L'accuratezza dell'opzione scelta è salita da 40,6 a 48,5. Entrambi i numeri sono misurazioni di Artificial Analysis sui propri task, non quelle di Microsoft, ed è questo il motivo per dar loro peso: la presentazione di lancio di Microsoft per 1.1 indica un punteggio di 68, «sei punti in più rispetto al nostro primo modello», e la classifica indipendente si colloca a 67,78, entro mezzo punto da quel valore, con un guadagno di 5,71 punti. Per una volta, il fornitore e il revisore concordano ampiamente.

A screenshot of the Artificial Analysis Decision Index v2.1 leaderboard page, the independent board from which the 67.78 and 62.07 composites, the six constituent evaluation scores, the accuracy figures and the Brier scores in this comparison are taken.

Dove il modello precedente è ancora la scelta giusta

Ci sono tre ragioni difendibili per restare su Microsoft-Decision-1, e nessuna di esse è la performance.

Il primo è una valutazione congelata. Se hai calibrato le soglie rispetto alla versione 1 sui tuoi dati etichettati — e avresti dovuto — allora un cambio del modello di base invalida quel lavoro. Un modello denso da 9B post-addestrato per lo scoring e un MoE da 26B post-addestrato per lo scoring non falliscono negli stessi punti, e la documentazione per 1.1 è esplicita sul fatto che la calibrazione è più solida sui tipi di attività familiari e può cambiare con la formulazione. Ricalibrare ha un costo reale, e ricade sul team, non sul fornitore.

Il secondo è la copertura linguistica. La versione 1 presentava una storia di post-training in 25 lingue su una base Qwen con ben oltre 200 lingue disponibili. La versione 1.1 presenta una storia di 25+ lingue su una base Gemma documentata a 35+. Venticinque più non è venticinque, e se gestisci una coda multilingue la mossa onesta è testare invece di dare per scontato che il numero sia salito.

Il terzo è la forma della tua dipendenza. Entrambe le versioni sono solo ospitate, con un unico fornitore, un unico listino prezzi, un unico regime di limiti di frequenza. L’aggiornamento cambia il tuo dominio di errore senza ridurlo. Se hai già racchiuso l’endpoint dietro il tuo fallback, restare sulla 1 ti costa latenza e accuratezza ma non disponibilità; se non lo hai fatto, l’aggiornamento ti offre un modello più veloce dietro lo stesso singolo punto di guasto.

Eseguire i due affiancati prima del commit

La migrazione in sé è piccola, ed è la parte piacevole. La forma dell'endpoint resta invariata — uno stato più domande tipizzate verso la route di decisione su una risorsa Foundry — e la distribuzione è un cambio di versione del modello anziché una riscrittura dell'integrazione. Ciò che cambia è tutto ciò che sta a valle della risposta: le probabilità, le soglie e i punteggi parziali di cui sopra.

Quindi esegui entrambi. Invia lo stesso lotto etichettato a entrambi i deployment, confronta l'accuratezza nella scelta dell'opzione alla soglia che usi effettivamente e guarda in particolare le code: i casi in cui la versione 1 restituiva 0,55 e la versione 1.1 restituisce 0,88 sono quelli che cambieranno silenziosamente il tuo tasso di escalation. Il guadagno di simmetria suggerisce che la 1.1 dovrebbe essere più stabile con il riordino delle opzioni; verificalo sui tuoi prompt invece di fidarti del numero.

Il giudice e l'oggetto giudicato su un'unica chiave sono la configurazione che la maggior parte dei team finisce per desiderare, e nessuno dei due modelli Decision può darti questo: entrambi sono endpoint ospitati esclusivamente su Foundry, quindi il router davanti a loro è codice tuo. Nel frattempo, ciò che il router può fare è fornire controlli. Gemma 4 26B A4B — la versione base da cui è stata post-addestrata la 1.1 — passa attraverso OrcaRouter a 0,25 $ per milione di token di input e 2,90 $ per milione di output, e Jev 1.14, il modello decisionale rispetto al quale Microsoft si confronta nei benchmark, a 0,042 $ per milione in entrata e in uscita. Nessuno dei due riproduce le risposte calibrate della 1.1. Entrambi ti dicono se un modello generale sui tuoi dati arriva a pochi punti dal modello decisionale, che è la domanda che decide se te ne serve uno davvero.

A screenshot of the OrcaRouter model page for obsidian/gemma-4-26B-A4B, showing the OrcaRouter navigation, the model name obsidian/gemma-4-26B-A4B with Vision, Tools, JSON and Reasoning tags, a 2026-07-02 date, a description noting a mixture-of-experts build of Gemma 4 with 26B total parameters, about 4B active per token and a 262K-token context window, and pricing of $0.25 per million input tokens and $2.90 per million output tokens.

La questione della versione, risolta

Se stai scegliendo oggi e non hai soglie legacy da difendere, prendi 1.1. È più veloce su una misurazione indipendente di un fattore 2,2, leggermente più economico per attività, meglio calibrato, migliore nel gating delle chiamate agli strumenti, e l'unico dei due in grado di leggere uno screenshot. Il listino prezzi è identico, quindi l'aggiornamento è gratuito al margine.

Se sei già in produzione con la versione 1, l’upgrade vale la pena e non è urgente nel modo in cui lo è una patch di sicurezza. Prevedi la ritaratura, mantieni in vita il vecchio deployment finché le nuove soglie non reggono sul traffico reale, e considera il miglioramento della simmetria come il motivo per aspettarti meno sorprese, non come la promessa che non ce ne saranno.

Quello che questo confronto non è, è una scelta tra fornitori. Entrambi i nomi rimandano alla linea decisionale di Microsoft, a cinque settimane e un modello base di distanza, allo stesso costo di $0.042 per milione di token. La domanda interessante non è mai stata quale dei due vince; è se il secondo sia abbastanza migliore da giustificare il costo di una ricalibrazione. Su una board indipendente, lo è.

Confrontati in questo articolo1

Rilevato da questo articolo · Benchmark: Artificial Analysis · aggiornato ogni giorno