Gemini Decision 1 対 Microsoft-Decision-1：2つのハイパースケーラースコアラー、4ポイント差

最大手クラウドベンダー2社は今や、文ではなく確率で答えるモデルを販売しており、どちらもその性能がどれほど優れているかを明かそうとしない。Microsoft-Decision-1は2026年10月8日、Microsoft Foundryで一般提供を開始した。Microsoftが事後学習させたQwen3.5-9Bをベースに、入力はテキスト、コンテキストは32,768トークン、出力は較正済みの確率分布、重みは非公開。Gemini Decision 1は2026年11月11日、Gemini Developer APIで登場した。入力はテキスト、画像、動画、音声、PDF、コンテキストは262,144トークン、1リクエストあたり最大1,000件の型付き質問、入力トークン100万件あたり$0.10、重みもまた非公開。どちらも手法のセクションは載せているが結果の表はなく、両者を比較できる唯一の場所は独立系の計測手段であるArtificial Analysisだけだ。そこでは両者は4ポイント差で、18社中9位と10位につけている。

4ポイントの差は興味深い差ではない。興味深いのは、ほとんどの意思決定モデルが実際に購入される際の評価では、両者の差はわずか5ポイントで、しかもどちらもその分野の最下位付近に位置している一方、総合ランキングで首位になるモデルはまったく別のところで勝っている、という点だ。

それぞれがあなたの前に差し出すもの

リクエストの構造は十分に似ているため、一方向けに書かれたクライアントは半日で他方に適応できる。しかし同時に、ベンチマークを読む前に選択が決まってしまうほどには異なっている。

• 入力 — Gemini Decision 1 はテキスト、画像、動画、音声、PDF を受け付け、リクエストごとにインラインで最大 100 MB、外部 URL ごとに最大 15 MB です。Microsoft-Decision-1 はテキストを受け付け、32,768 トークンにシリアル化されます。スキャンされたフォームや通話録音は、一方にとってはネイティブ入力であり、他方にとっては前処理が必要なジョブです。

• コンテキスト — Gemini Decision 1 用に 262,144 トークン。入力と各質問で共有されます。Microsoft-Decision-1 用は 32,768 トークンで、入力と選択肢セットがそれを消費し、生成が存在しないため差し引く生成バジェットはありません。

• 質問形式 — Gemini Decision 1 は3つの形式を正式に定義しています。0.01～0.99に制限されたはい/いいえ、2～255個の名前付き選択肢からの選択、そして2～255個の順序付きレベルに対して確率で重み付けした期待レベルを返すスコアです。Microsoft-Decision-1 は、はい/いいえ、多肢選択、評価、分類、ルーブリック採点に対応し、「わからない」などの棄権オプションを選択肢セット内で明示的にサポートします。

• 1つのリクエスト内でのバッチ処理 — Gemini Decision 1では最大1,000件の独立した質問を、それぞれを他から切り離した状態で、共有入力の1回の課金対象読み取りに対して実行できます。Microsoft-Decision-1の公開された契約では、1回の呼び出しにつき1つの状態とその質問セットとなるため、幅広さは文書化されたリクエストあたりの上限ではなく、質問をグループ化することによって得られます。

• 価格 — Gemini Decision 1 は入力トークン100万個あたり0.10ドルで、出力はゼロトークンのため出力料金はかかりません。ボードには、これについて100万タスクあたり345ドル、またMicrosoft-Decision-1については追跡している入力レートで100万タスクあたり143ドルと記録されています。

• アクセス — Gemini Developer API は v1beta のみで、無料枠は毎分 200 リクエスト、1 日あたり 10,000 リクエスト、Tier 2 では 1 日のリクエスト数が無制限であり、Google が提供したドキュメントに Vertex AI の記載はありません。Microsoft-Decision-1 は Direct from Azure ポートフォリオ内の Foundry デプロイとして、サーバーレスおよび統合エンドポイントのオプション、標準 SKU、Azure 認証と単一の課金経路を備え、バッチ推論は無効化されており、重みのダウンロードやファインチューニングの経路はありません。

アクセス手段の選択は、技術的な判断ではなく調達上の判断が下される領域です。組織がAzureのコミットメントを通じて購入している場合、Microsoft-Decision-1はすでに支払い方法がわかっている請求書です。Google Cloudを通じて購入している場合、Gemini Decision 1は現時点ではそうではありません — 文書化されている唯一の入口はGemini API keyであり、これは別の予算項目で、一部の企業にとっては別の承認プロセスです。

スコアボードを、コンポーネントごとに

Artificial AnalysisのDecision Indexは、各評価を、回答に付随する確信度に対するBrierペナルティを精度から差し引いたものとしてスコア化し、6つの構成要素にわたって重み付けしています。2つのモデルがそれらをどのように分け合っているかは次のとおりです：

• AA-Paperclip、重み30% — Gemini Decision 1 は56.8、Microsoft-Decision-1 は51.8。どちらも弱い。全か無かの文書合格率は Gemini Decision 1 が33%、Microsoft-Decision-1 が20.9%で、分野の首位は63%だ。どちらのハイパースケーラーモデルも、情報密度の高い文書から15個の事実を確実に抽出できるわけではない。

• EvalSafe-O*NET-AA、15% — 87.1 対 86.8。実質的に同一であり、どちらも僅差でひしめく集団の上位付近にあります。

• When2Call、10% — 80.5 対 88.0。Microsoft-Decision-1 がこの項目を明確に制し、首位集団のすぐ近くに位置しています。Gemini Decision 1 は18人中14位です。

• AA-Omniscience-Decision v1.1、15% — 66.3 対 54.9。Gemini Decision 1 がこの分野で首位に立つ。その理由は非ハルシネーション率 49.6% にある。Microsoft-Decision-1 はここで非ハルシネーション率 21.7% を報告しており、これはその棄権をしきい値で扱うことを計画している誰もが懸念すべき数字だ。

• HLE-MultiChoice v1.1、15% — 48.7 対 39.4。1位 対 11位。生の正解率は 13.2% 対 8.6%、非ハルシネーション率は 35.7% 対 15.1%。

• AA-Symmetry v1.1、15% — 70.5 対 70.4。互角で、両者とも中位に位置し、並べ替えと否定の下でそれぞれ質問ファミリーの 38.3% と 51.7% において同じ回答を保持している。

総合スコアは65.98と62.07で、9位と10位につけている。構成要素を見れば、各製品の特性が明らかになる。Microsoft-Decision-1は、ツール呼び出しと職場での判断において堅実なスコアを出す一方、知識と回答留保の挙動が弱い。Gemini Decision 1はその逆で、知識と回答留保のスコアは一覧上で最高だが、抽出は中位、ツール選択の識別力は低い。

彼らが共有しているものこそが、疑うべきものだ。

どちらのベンダーもベンチマーク表を公開していません。Microsoft-Decision-1 のモデルカードにはその方法論が記載されています。すなわち、公開およびコミュニティの意思決定ベンチマーク、非公開の社内データセット、正確性とキャリブレーション誤差、選択肢の順序の入れ替え、ペア付き統計検定であり、同モデルは「同じ方法論で評価された他のオープンな意思決定モデルを上回り、主要な意思決定モデルと同等の性能を発揮する」と主張しています。しかし、その文の下に表はありません。Gemini Decision 1 のリリースノートはモデルを発表し、API ドキュメントへのリンクを示していますが、そのドキュメントには対応可能および対応不可の機能が列挙されているだけで、精度の数値は一切ありません。

これが重要なのは、意思決定モデルのインターフェースは、あなたのコードが分岐に使う数値そのものだからだ。数ポイント劣るチャットモデルはより悪い文章を生成する。キャリブレーションがずれたスコアラーは、チケットの8%を誤ったキューに黙って振り分け、レスポンスからはそれが分からない。2社のフロンティアベンダーは、中核的な主張——確率がそのままの意味を持つという主張——が文章で断言され、第三者によってのみ測定されている製品を出荷した。

第三者機関は、称賛すべきことに、両方を同じ計測器で測っている。だからこそ、この比較はそもそも可能なのだ。しかし、一つのボードは所詮一つのボードであり、その最大の構成要素は45%が非公開データで、意思決定モデルを採点してきたのはまだ数週間にすぎない。66と62は、確定した能力ではなく、外部による最初の測定値として扱うべきだ。

敷居の向こう側に置くのはどちらですか

意思決定がツール呼び出しまたは職場文書に関する判断であり、入力が32Kトークンに余裕をもって収まるテキストであり、デプロイのゲート条件が統合請求とResponsible AIパッケージが付帯したAzure契約である場合は、Microsoft-Decision-1を選択してください。When2Callでの88.0とEvalSafe-O*NETでの86.8は確かな強みであり、明示的な棄権オプションにより、後から「判断できない」場合の逃げ道を後付けするのではなく、オプションセットに組み込んで設計できます。

入力が長い場合、マルチモーダルな場合、または多くの質問で共有される場合、知識に関する質問とハルシネーション制御が要点である場合、そしてコンテキストに費用を支払う用意がある場合は、Gemini Decision 1 を選択してください。知識に関する両方のコンポーネントで1位を獲得したことと、AA-Omniscience での49.6%という非ハルシネーション率が、より安価な Microsoft モデルではなくこれを選ぶ理由であり、33%というドキュメント通過率が、抽出作業にこれを選ばない理由です。

大量抽出にはどちらも選ばないでください。ハイパースケーラー製の2つの採点器はいずれも、30%の重みを持つドキュメント構成要素の下位半分に位置しており、そこで首位に立つモデル——Nace.AIの27Bマルチモーダルモデルと、自分でファインチューニングできるConvai Innovationsの421Mエンコーダー——はタスクあたりのコストがより低く、オープンウェイトの場合は自社のドキュメントでトレーニングできます。

パイプラインの残りの部分は、これに人質になる必要はない。

OrcaRouterはどちらのモデルも提供していません。どちらも確率のみのエンドポイントで、一方はGemini Developer API、もう一方はFoundry上にあり、どちらもchat-completionsの対象ではないため、当社はそれらを掲載していません。カタログに掲載しているのはTypeSafeのtypesafe/jev-1.14で、この同じインデックスで66.23を記録する意思決定モデルです。スコアリング呼び出しを他のすべてと同じキーで行いたい場合には、妥当な第3の選択肢です。

スコアラーを囲む呼び出しこそが、ルーターがその存在価値を発揮する場であり、これら2つの製品が意図的に扱わない半分の部分です。スコアラーが採点する基準となるルーブリックを書く、60ページの文書を32Kトークンに要約する、あるいはランキング対象の候補回答を起草する——何かがそれを担わねばならず、その何かとは価格と品質が数週間ごとに変動する生成モデルです。その呼び出しは、200を超えるモデルを収容する単一のエンドポイント上で、プロバイダー定価を0%のマークアップでそのまま適用して行われ、プロバイダーが劣化した際の自動フェイルオーバーや、複数のモデルで1つの回答を構成したい場合のルーティングDSLも備えています。執筆側の半分をポータブルに保てば、採点の判断は可逆なままとなり、両ベンダーが四半期ごとに改訂する状況では、これはインデックス4ポイント分以上の価値があります。

何を観るべきか

ランキングを変える可能性があるシグナルは3つあるが、いずれもまだ届いていない。キャリブレーション曲線を伴うMicrosoftのベンチマーク表があれば、Azureの顧客は証拠に基づいてしきい値を設定できるようになる。現状、このカードが提供しているのは方法論と主張だけだ。Gemini Decision 1のVertex AIでの掲載があれば、APIキーの購入からクラウド契約による購入へと移行し、調達の比較は根本から変わる。そして、両モデルを採点する独立した第2のボードがあれば、4ポイント差がシグナルなのか、3週間前のリーダーボードのノイズなのかがわかる。

それまでは、擁護できる見方はこうだ。Gemini Decision 1 は、断るべき時を知ることがスキルとなる2つのコンポーネントでより優れたモデルであり、Microsoft-Decision-1 はツール選択でより優れ、わずかに安価で、両者とも、ほとんどの企業の意思決定ワークロードが実際に構成する文書抽出では中位だ。どちらの数値が何かを決める前に、自分でラベル付けした200件の項目をそれぞれに通してみよ。