
Microsoft-Decision-1.1 vs Microsoft Decision 1: L'aggiornamento in cui un numero è tornato indietro
- OrcaNUOVOOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 per 1M di token · 184 tok/s
- tencentNUOVOTencent: Hy4 Flash2026-11-16$0.02 / $0.07 per 1M di token · 223 tok/s
- GoogleNUOVOGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1M di token · 87 tok/s
- AnthropicNUOVOAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1M di token · 96 tok/s
- orcaNUOVOOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1M di token · 90 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1M di token · 131 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 per 1M di token · 77 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 per 1M di token · 94 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1M di token · 114 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1M di token · 69 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M di token · 94 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M di token · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligenza
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 per 1M di token · 209 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligenza
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1M di token · 111 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligenza
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 per 1M di token · 311 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligenza
Ogni valore pubblicato per Microsoft-Decision-1.1 è migliore del valore per Microsoft-Decision-1 tranne uno, e l’eccezione è la parte interessante. Sull’Artificial Analysis Decision Index v2.1 il nuovo modello ottiene 67,78 contro 62,07, è 2,2 volte più veloce a 123 ms per attività contro 274 ms, e si astiene in modo molto più affidabile — 49,4% di non allucinazione su AA-Omniscience-Decision contro 21,7%. Tuttavia, sulle domande che il vecchio modello azzeccava, il nuovo ne azzecca meno: 6,29% di accuratezza grezza su HLE-MultiChoice v1.1 contro 8,64%, e 47,5% delle domande AA-Symmetry a cui risponde in modo coerente contro 51,7%. Microsoft-Decision-1.1 non è un Microsoft-Decision-1 strettamente migliore. È un modello calibrato diversamente, e la direzione di questo compromesso è ciò su cui si basa una decisione di migrazione.
I due modelli sono distanti sei settimane. Microsoft-Decision-1 ha raggiunto la disponibilità generale l'8 ottobre 2026 come scorer solo testuale post-addestrato da Qwen3.5-9B. Microsoft-Decision-1.1 è arrivato il 17 novembre 2026 a Ignite su Gemma 4 26B A4B, una base mixture-of-experts che Microsoft descrive come dotata di abbastanza parametri attivi per la valutazione pur rimanendo abbastanza piccola da essere servita su hardware A100, H100/200 e GB200/300. Stesso prezzo. Stesso limite di 32K. Stessi tre tipi di domanda. Backbone diverso, classe di latenza diversa e un insieme di punti di forza misurabilmente diverso.
La modifica del modello base è il rilascio
La versione 1 era un modello denso da 9 miliardi di parametri. La versione 1.1 è un mixture of experts da 26 miliardi di parametri con circa 4 miliardi attivi per token, se si legge il suffisso A4B nel modo in cui Google lo usa sulla linea Gemma. Non si tratta di un riaddestramento incrementale; è un'architettura diversa, una famiglia diversa e un diverso insieme di caratteristiche di serving. Il post di lancio di Microsoft afferma esplicitamente che lo scambio è stato una decisione basata su costi e intelligenza, e lo abbina a un motore di inferenza personalizzato progettato per lo scoring anziché per la generazione token per token.
Cosa ha fruttato lo swap, nell’ordine in cui un acquirente se ne accorgerebbe:
Latenza — da 274,25 ms a 123,25 ms per attività, misurata sull'intero indice. Sul singolo componente più veloce, When2Call, il nuovo modello registra una media di 94 ms contro i 230 ms del vecchio modello.
• Calibrazione — il Punteggio Decisionale, ovvero l'accuratezza con l'applicazione della penalità di Brier, è aumentato su ognuna delle cinque componenti decisionali. Omniscience è passato da 54,89 a 60,46, HLE da 39,42 a 46,11, Paperclip da 51,82 a 58,67, EvalSafe da 86,82 a 88,85, When2Call da 87,95 a 95,08.
• Comportamento di rifiuto — la non-allucinazione su Omniscience è più che raddoppiata, dal 21,74% al 49,40%. Su HLE è passata dal 15,05% al 38,36%. Per un modello il cui intero scopo è essere valutato tramite soglia, questo è il cambiamento più rilevante della lista.
• Modalità — le immagini si sono aggiunte a testo e JSON come input accettati. Audio e video vengono ancora rifiutati, e il modello continua a non produrre spiegazioni, motivazioni né token di output.
• Contesto — invariato a 32.768 token. Qui nulla è cambiato, e vale la pena dirlo chiaramente, perché «1.1» induce a supporre che tutto sia migliorato.
Dove la 1.1 è peggiore, e perché il modo in cui Microsoft stessa la presenta lo lascia prevedere
Le regressioni non sono casuali. Si concentrano sui due componenti che chiedono al modello di sapere qualcosa anziché decidere qualcosa.
Su HLE-MultiChoice v1.1, l'accuratezza grezza è scesa dall'8,64% al 6,29% — un calo relativo del 27% nella quota di domande difficili a cui è stata data una risposta corretta. Il Decision Score è comunque salito, da 39,42 a 46,11, perché la fiducia del modello nelle risposte che ha effettivamente fornito è diventata molto più allineata alla loro correttezza. Tradotto: è peggiorato nel tirare a indovinare ed è migliorato molto nel sapere che stava indovinando. La metrica composita premia il secondo aspetto e a stento si accorge del primo.
Su AA-Symmetry il quadro è più sottile e meno lusinghiero. Symmetry misura se la stessa domanda, riformulata — opzioni riordinate, etichette scambiate, un sì/no negato — produce la stessa risposta con la stessa probabilità. La versione 1 superava il 51,7% delle riformulazioni a livello di superamento completo; la versione 1.1 ne supera il 47,5%. Il suo punteggio Symmetry è comunque migliorato, da 70,42 a 75,72, perché quando si discosta, ora si discosta di meno. Meno prove perfette, errori più piccoli. È un profilo difendibile per un valutatore, ma è una regressione nell'unica proprietà che un modello decisionale dovrebbe garantire: che la formulazione non cambi la risposta.
Il keynote di Microsoft ha detto ad alta voce la parte che di solito si tace — questi modelli sono «esplicitamente non ancora ottimizzati per i problemi più difficili, come la ricerca scientifica di base e il lavoro agentico su orizzonti molto lunghi», perché ottimizzarli per quelle capacità farebbe aumentare il prezzo di ogni attività di routine. La decisione 1.1 è ciò che quella politica sembra quando viene eseguita. Il benchmark delle conoscenze è peggiorato di proposito, o almeno senza obiezioni.

Cosa non è cambiato: la scheda del prezzo e il muro dei 32K
Entrambe le versioni indicano 0,042 $ per milione di token di input su Global Standard, 0,046 $ su US Data Zone e 0,05 $ per i deployment in EU e APAC Data Zone, mentre l'output non viene fatturato perché non esiste output. La formula di Microsoft è "più del doppio più veloce allo stesso costo", e il prezzo per token lo conferma esattamente.
Il costo misurato per attività dice qualcosa di leggermente diverso. La versione 1 si attesta a $142,56 per milione di attività sull'indice; la versione 1.1 a $139,64. Un miglioramento del 2%, non un raddoppio. Il motivo è che il costo per attività è il prezzo dei token moltiplicato per l'input consumato, e il nuovo modello non consuma metà dei token — risponde in metà del tempo. Se il tuo vincolo è un budget di tempo effettivo o una fase di instradamento all'interno del percorso di una richiesta, l'aggiornamento è grande e ovvio. Se il tuo vincolo è la spesa, 1.1 non sposta la tua fattura, e Microsoft non ha mai affermato che lo avrebbe fatto.
L'altro numero rimasto invariato è il tetto. Entrambi i modelli elaborano 32.768 token, e la documentazione Microsoft per la 1.1 ripete quasi alla lettera la formulazione "input fino a 32K token" della pagina v1. Non è documentato alcun supporto alla cache per nessuno dei due, il che significa che una rubrica da 200 domande viene pagata per intero a ogni chiamata, su entrambe le versioni, a ogni livello di volume. È la leva singola più importante sull'economia di questa categoria e nessuna delle due release la tocca.

Come migrare senza un atto di fede
La forma dell'API è sufficientemente stabile che la migrazione è per lo più una questione di configurazione, ma non del tutto. Microsoft documenta la chiamata v1.1 come un state più una mappa di domande tipizzate — noul, choice, score — inviata a /providers/microsoft/v1/systemone su una risorsa Foundry, con il campo model che contiene il nome della distribuzione anziché il nome del modello. La risposta restituisce il modello sottostante, quindi una distribuzione denominata in base al tuo carico di lavoro può comunque dirti quale versione ha risposto.
Tre passi che vale la pena fare in ordine, invece di scambiare il nome del deployment e guardare una dashboard:
1. Registra di nuovo la {{1}}distribuzione di confidenza del tuo set etichettato{{/1}}, non la sua accuratezza. Il passaggio dal 21,7% al 49,4% di non-allucinazione significa che {{2}}1.1{{/2}} declinerà una quota sostanzialmente più ampia di domande alla stessa soglia. Se la tua pipeline tratta una risposta mancante come un errore critico anziché come un segnale di instradamento, questo aggiornamento sembrerà una regressione in produzione mentre ogni benchmark dice che è un miglioramento.
2. Ricalibrare la soglia. Un valore di taglio scelto sulla scala di confidenza della versione 1 viene applicato a una distribuzione che si è spostata. L'indicazione della stessa Microsoft è di validare le soglie su esempi etichettati prima di automatizzare un gate: lo stesso consiglio di sempre, che ora è determinante.
3. Testa la regressione di simmetria sulla tua formulazione. Se i tuoi prompt sono generati da template con ordine delle opzioni variabile — e la maggior parte dei prompt di routing lo è — il tasso di superamento totale del 47,5% è il numero di cui preoccuparsi, non il composito. Duplica venti delle tue domande con le opzioni riordinate e misura quanto spesso si sposta l'argmax.
Ciò che rende economico quel terzo passaggio è che l'astensione ha un posto dove andare. Un modello decisionale che si astiene è utile solo se la cosa a cui si astiene può rispondere, ed è questa la parte della pipeline di cui si fa carico OrcaRouter: una sola chiave su oltre 200 modelli con failover automatico, così un risultato di scelta a bassa confidenza può essere indirizzato a un modello generico invece di allertare una persona, e il DSL di routing può comporre i due in un'unica sequenza di chiamate. Gemma 4 26B A4B — il modello di base all'interno di Decision 1.1 — è nel nostro catalogo a $0,06 per milione di token in input e $0,33 per milione di token in output, al prezzo di listino del fornitore con 0% di markup trasferito, il che rende la verifica di sanità più economica possibile su qualsiasi decisione sospetta una chiamata effettiva al suo stesso backbone.

Se sia il caso di trasferirsi
C'è un argomento a favore del restare alla versione 1, ed è limitato ma concreto. Se il tuo carico di lavoro è fatto di domande di conoscenza difficile in cui una risposta sbagliata è peggio di nessuna risposta — il profilo HLE — la versione 1 ne ha risolte di più. Se i tuoi prompt sono strutturati con template in modi che riordinano le opzioni, la versione 1 era più stabile in caso di riformulazione. E se hai già messo a punto una soglia e l'hai validata su dati di produzione etichettati, la nuova distribuzione di confidenza invalida quel lavoro.
Per tutti gli altri il caso è semplice. Il doppio del throughput allo stesso prezzo per token, un tasso di superamento dei documenti passato dal 20,9% al 36,8%, un input di immagini che prima non esisteva e un modello che dice «non lo so» il doppio delle volte esattamente nelle situazioni in cui un impegno sbagliato costa caro. Sono queste le proprietà per cui si acquista un livello decisionale. Il benchmark di conoscenza a cui ha rinunciato non era ciò per cui qualcuno acquistava questo modello.
La migrazione, in una riga: passate alla 1.1 per la latenza e l'astensione, ritoccate le soglie la stessa settimana, e tenete i numeri della versione 1 da parte per il giorno in cui qualcuno chiederà perché il nuovo modello ha smesso di rispondere a una domanda che il vecchio accoglieva.
