記事用に生成されたタイトルカード。見出しは「MAI Decision 1は実質的にDecision 1.1」、サブタイトルは「そして『200倍』という見出しはMicrosoftのものではない」。太字の「vs」円盤の左右に、角丸のパネルが2つに分かれている。左パネル「拡散された投稿」には「10倍高速」「200倍安価」「汎用モデルとの比較」「基準モデルの明記なし」が並ぶ。右パネル「Microsoft自身の主張」には「50倍高速」「79倍安価」「GPT-Sol 6.1との比較」「基準モデルの明記あり」が並ぶ。フッターには「独立検証:AA Decision Index v2.1で67.78、ランク付けされた18モデル中8位」とある。OrcaRouterのロゴは、アートワーク下の白い帯に合成されている。
Guides & Insights

MAI Decision 1は実はDecision 1.1 — そして「200倍」という見出しはMicrosoftのものではない

著者

Gideon Frost

公開日

最新モデル · 20すべてのモデルを見る →
ベンチマーク:Artificial Analysis · 毎日更新
すべての記事に戻る

についての2つの数字がMAI Decision 12026年11月17日に出回った:一般的なモデルより10倍高速で200倍安いというものだ。どちらの数字も、マイクロソフト自身の発表のどこにも記載されていない。マイクロソフトがIgniteで実際に投入したモデルはMicrosoft-Decision-1.1であり、同社が公表している主張は、GPT-Sol 6.1より50倍高速で79倍安いというものだ——「一般的なモデル」ではなく、特定の名前を挙げたモデルに対して、特定のハーネスで比較したものだ。この差こそ最初に取り上げる価値がある。なぜなら、それはマーケティング上の比率と、検証できる数字との違いだからだ。実際に何が出荷されたのか、マイクロソフトが何を文書化したのか、そして独立系の評価ボードがそれをどう位置づけているのかを以下に示す。

まず、名前から

Microsoft の資料では「MAI Decision 1」という文字列は一切使用されていません。Ignite のラインナップ記事ではこのモデルをDecision 1.1と呼び、Foundry のブログではMicrosoft-Decision-1.1と呼んでおり、Foundry カタログのモデルカードも同じ名前です。「MAI Decision 1」というラベルは基調講演に関する第三者報道によるもので、「MAI Code 2」「MAI Code 2 Flash」「MAI Cyber 2 Flash」も同様です。これらは同じファミリーであり、ベンダーではなく観測者によって名前を変更されたものです。

それには実用的な理由が一つあります:Microsoft-Decision-1.1は、Microsoftがこれまでに出荷した最初の意思決定モデルではありません。Microsoft-Decision-1は、2026年10月8日にFoundryで一般提供を開始しました。AlibabaのQwen3.5-9Bを基盤とし、テキストのみで、提供開始時に公開されたベンチマーク数値はありませんでした。11月17日に登場したのは、同じ製品ラインのバージョン1.1で、ベースモデルが異なり、マルチモーダル入力に対応し、性能に関する説明もはるかに充実しています。「MAI Decision 1」について目にするものは、別段の記載がない限り、1.1に関するものとして扱ってください。

箱の中には実際何が入っていますか?

契約は形状としては変わらず、適用範囲はかなり広がっています。状態(テキストまたはJSON)に加えて、それぞれ固定の選択肢セットを持つ1つ以上の型付き質問を送ると、文章ではなく確率が返ってきます。3つの質問プリミティブが文書化されています。yes/no(APIでは「noul」)、ラベル付きセットからの選択、順序付きレベルでのスコアで、その戻り値はレベルインデックスの確率加重平均です。すべてが1回の呼び出し、1回のパスで行われ、デコードループはありません。

1.1 の新機能:

• ベースモデル — Gemma 4 26B-A4B、GoogleのオープンウェイトのMixture-of-Expertsで、Microsoftによってポストトレーニングされた。バージョン1はQwen3.5-9Bでポストトレーニングされた。

• 入力 — テキストと画像。バージョン1はテキストのみでした。

• 画像処理 — PNG または JPEG、各辺 280~1,568 ピクセル、1 つの質問につき最大 8 画像(state から参照される画像を含む)、処理済みピクセルの合計は最大 645,120。サービスは固定の作業サイズにリサイズするため、より大きな画像をアップロードしても多くのトークンを消費しません。

• コンテキスト — 状態と質問の組み合わせで32,768入力トークン、バージョン1と同じ上限です。

• 言語 — 25以上の言語でトレーニングと評価を実施しており、ベースモデルが直接サポートする35以上の言語と対比しています。Microsoftは、ベースモデルのカバレッジによって言語ごとの検証済みキャリブレーションが確立されるわけではないと明言しています。

• 提供方法 — チャット補完ではなく意思決定用エンドポイント:リクエストはFoundryリソース上の /providers/microsoft/v1/systemone に送信され、modelフィールドにデプロイ名を指定します。Microsoftによれば、テキスト生成スタックではなく、意思決定ワークロード向けに書かれた独自の推論エンジンで実行されます。

• 価格 — Global Standardでは100万トークンあたり$0.042、EUおよびAPACデータゾーンでは$0.05。バージョン1と同じで、判定呼び出しは入力トークンに対して課金されます。実質的に課金対象の出力が存在しないためです。

• トレーニング期間 — モデルカードによると、2026年10月から11月。

• 重み — なし。これは Foundry の「Direct from Azure」ポートフォリオ内のホスト型モデルです。ダウンロードもファインチューニングの手段もありません。

除外事項は機能と同じくらい平易に明記されており、それでも製品を定義している。Microsoft-Decision-1.1 は、テキスト生成、自由回答形式の質問応答、会話、翻訳、要約には向いておらず、入力にない知識を必要とするタスクにも向いていない。根拠を生成しない。応答には確率が含まれるだけで、ユーザーに説明として示せるものは何もない。つまり、説明はあなたの仕事であり、しきい値はあなたの判断である。0.7 ならエスカレーションし、0.95 ならしない。その線引きはベンダーではなくアプリケーションが設定する。

スピードとコストに関する2つの主張、そしてどちらが精査に耐えるか

出回っている版——「汎用モデルより10倍高速で200倍安い」——には比較対象がない。名前のないモデルとの比率は再現できず、何かを名指ししている公開済みのMicrosoftの比較2件は、同時により狭く、より大きい。

Ignite の投稿には、Decision 1.1 が「GPT-Sol 6.1 より 50 倍高速で 79 倍安い」と書かれています。Foundry のローンチ投稿には、「当社の最初のモデルより 2 倍以上高速で、コストは同じ」と書かれており、Copilot の例として、Copilot と Cowork の間のルーティングを大規模言語モデルと同じ精度で行い、2.2 倍高速かつ 4.4 倍安いという例が挙げられています。これらは Microsoft 自身のトラフィックと Microsoft 自身のハーネスにおけるベンダー測定です。誤りではありませんが、適用範囲が限定されています。50 倍と 79 倍という数値は、特定の競合 1 社のある種類のルーティング判断に関するものであり、判断モデル全般に関するものではありません。

主張のうち1つは第三者に対して検証可能であり、そしてそれは成立する。Artificial Analysisは、Decision Index v2.1においてDecision 1.1をタスクあたり123.25ミリ秒と測定しており、これはMicrosoft-Decision-1の274.25ミリ秒との対比である。これは2.23倍であり、これが「2倍以上高速」の意味するところである。コストに関する主張も、弱められた形で成立する。AAは、1.1について100万タスクあたり139.64ドル、バージョン1について142.56ドルと算出している——同一のトークン単価であっても2つのバージョンはタスクあたりのトークン数が異なるため、同じ価格ではなく約2%安い。「同じコストで」は価格表については正確であり、請求額についてはやや寛大である。

それがどの順位に位置するか、そしてマイクロソフトが行った主張の形

Microsoftの発表投稿には、Decision 1.1が「68を記録し、当社の最初のモデルから6ポイント上昇して、Jev 1.14、G​oogleのG​emini Decision 1、O​penAIのGPT-6 Luna(Decisions)を上回る」とある。2026年11月18日時点のArtificial Analysis Decision Index v2.1では、そのすべてが事実です。Decision 1.1は67.78です。Jev 1.14は66.23、G​emini Decision 1は65.98、GPT-6 Lunaは60.25です。Version 1は62.07なので、6ポイントの上昇も確かです。

この文が述べていないのは、そのモデルが全体のどの位置にいるかである。それはボード上で8位に位置し、単独首位から7ポイント差、マイクロソフトが名指ししたモデルより1.5ポイント先行している:

• 74.85 — d1.2-ultra(Liquid AI)

• 72.62 — Drex Max v1.1 (Nace.AI)

• 72.58 — SubQ Snap 1.2(Subquadratic)

• 72.52 — GLiDE v1.2(Fastino)

• 71.36 — Mammoth 27B(Base Labs)

• 70.41 — Decider v1.3(Perplexity)

• 68.69 — d1.2(Liquid AI)

• 67.78 — Microsoft-Decision-1.1

A screenshot of the Artificial Analysis Decision Index v2.1 leaderboard page, headed 'Artificial Analysis Decision Index v2.1' with the subheading describing a composite index testing decision models across document decisions and extraction, tool calling, knowledge, reasoning and invariance, and the constituent evaluation labels AA-Paperclip, EvalSafe-O*NET-AA, When2Call, AA-Omniscience-Decision, HLE-MultiChoice and AA-Symmetry.

7つのモデルがより高いスコアを記録しており、首位は7.1ポイント差をつけている。Microsoftの別個の主張——自社の102ベンチマーク、38万5千問の内部スイート全体で「8つの意思決定モデルのうち最高の平均精度」——は、Microsoftが選んだ分野についての陈述であり、ベンダーが公表するのは普通のことだが、ランキングとして読むのはよくない。独立した分野では18のランク付けされたモデルに及び、Microsoftはその上半分に入っている。

サブスコアは合成スコアよりも情報量が多い。なぜなら、ポストトレーニングによって何が得られたかを示しているからだ。AAの6つの構成評価では、Decision 1.1はWhen2Callのツール呼び出しで95.1、EvalSafe-O*NETで88.8、対称性で75.7、AA-Paperclipの文書判断で58.7、全知性で60.5、HLEの多肢選択で46.1を記録している。精度指数はバージョン1の40.59に対して48.45であり、Brierスコア——キャリブレーション指標で、低いほど良い——は0.1965から0.1604に改善している。このBrierの変化は今回のリリースで最も意味のある数字だ。確率が真に近づいたことを示しており、それこそが意思決定モデルの閾値設定をまともなエンジニアリング上の選択にする唯一の性質である。

A generated single-column scoreboard card titled 'Microsoft-Decision-1.1 — the scoreboard' with six rows: AA Decision Index v2.1 67.78, eighth of eighteen; latency per task 123 ms; cost per million tasks 139.64 dollars; Brier score 0.160, lower is better; input context 32,768 tokens; price per million input tokens 0.042 dollars. The footer reads 'Index, latency, cost and Brier per Artificial Analysis v2.1, read 18 November 2026; price per Microsoft Foundry's list.' The OrcaRouter logo is composited in the white strip below the artwork.

ベースモデルの切り替えこそが本当の焦点だ

バージョン1は、デンス型の9BモデルであるQwen3.5-9Bのポストトレーニングだった。バージョン1.1は、約4Bの活性パラメータを持つMixture-of-ExpertsであるGemma 4 26B-A4Bのポストトレーニングである。Microsoft自身の説明は、品質ではなくサービングの経済性に関するものだ。つまり、判断に十分な活性パラメータを持ち、A100、H100/200、GB200/300のフリート全体で実行できるほど小さく、レイテンシだけでなくコストを重視してGPUプール全体にリクエストをルーティングするカスタムエンジンを備えている。

そこから3つの帰結が導かれ、それこそがプラットフォームチームの気にすべき点です。第一に、4B active の MoE は呼び出しあたりの提供コストが安い。それはまさにモデルの大半がアイドル状態だからであり、123 ms はそこから来ています。第二に、この切り替えは言語とキャリブレーションの話をリセットします。ベースが変わり、25言語という主張は新しいベースについてのもので、version 1 で測ったキャリブレーションは引き継げません。第三に、ベースのライセンスは Google's のもので、事後学習済みモデルは Microsoft's でホスト専用です。したがって、オープンウェイトの系譜は運用上何の利益ももたらしません。このモデルはダウンロードできず、ベースがオープンであることもそれを変えません。

通話にかかる料金を、実際にお支払いいただく単位で

入力トークン100万個あたり$0.042では、1,200トークンのチケットと3択の質問を含むルーティング呼び出しのコストは約$0.00005、つまり1セントの100分の5です。そうした呼び出しが100万回で、価格表ではおよそ$50です。AAが測定した100万タスクあたり$139.64は、そのタスクがサポートチケットより長いためより高くなります。これは、トークンあたりの価格とタスクあたりのコストが異なる単位であり、予算レビューで表に出るのは後者だという有用なリマインダーです。

経済性を理解できるようにする比較は、同じ作業をJSONモードで行う汎用モデルとの比較だ。その出力トークンに対して料金を支払う必要があり、構造化された回答では呼び出しごとにゼロではなく数十から数百トークンになり、さらに回答前に行う推論に対しても料金を支払う。それがMicrosoftが79xで説明している差であり、たとえ正確な倍数がベンダーによる基準の選び方だとしても、その差は実在する。

これが厄介になるのは、単一ベンダーのホスト型スコアラーでいつもそうなるのと同じ箇所だ。価格表は1つ、レート制限も1つ、リージョンに関する説明も1つしかない。FoundryはGlobal StandardとData Zone Standardのデプロイを提供しており、Data Zone版は100万トークンあたり$0.05で19%高い。ワークロードがレイテンシに敏感な場合、ドキュメントはFoundryリソースをアプリケーションと同じ場所に配置することを推奨している。これは正直な助言であり、同時にモデルは魔法ではないことも示している——キューに並ぶ小さなMoEにすぎないのだ。

スタックを再構築せずに実現する

Decisionエンドポイント自体はOrcaRouterのカタログに載っておらず、その前身も同様です — MicrosoftはこのモデルをFoundry経由でのみ提供しており、他のどこでも提供していません。カタログに載っているのは、プロバイダーの定価で、0%のマークアップがそのまま適用される、購入前にその判断を価格評価するために必要な2つのオブジェクトです。Gemma 4 26B A4Bはポストトレインのベースで、100万入力トークンあたり$0.25、100万出力トークンあたり$2.90でルーティングされます。ポストトレインではなくベースなので、Decision 1.1のキャリブレーション済み確率は返しませんが、同じアーキテクチャであり、その形状の汎用モデルにかかるコストの正直な下限です。Jev 1.14は、Microsoftが名前を挙げ、独立系ボードで1.55ポイント上回るモデルで、入力・出力ともに100万トークンあたり$0.042でルーティングされます。

その組み合わせは、本番フェーズよりも評価フェーズで役立ちます。意思決定モデルをルーティングパスに含めるべきかどうかを判断している段階では、Azure デプロイメントを開設する前に、ラベル付きの自社チケットを使ってルーティング可能な2つのエンドポイントを1つのキー経由でベンチマークし、プロバイダー間の自動フェイルオーバーを利用できます。答えが「はい」で、数値が Decision 1.1 を支持するなら、Foundry にデプロイし、ルーターを前面に置いたままにします。意思決定呼び出しと生成呼び出しの両方に1つのエンドポイントを使うため、意思決定モデルのレート制限がアプリケーションの停止につながることはありません。

A screenshot of the OrcaRouter model page for typesafe/jev-1.14, showing the OrcaRouter navigation, a models breadcrumb for the typesafe vendor, the model name typesafe/jev-1.14, HF and ZDR badges, a Data retention panel noting that Zero Data Retention is available and that with ZDR on requests go only to providers, and the page's Code samples and Pricing sections.

今すぐ動くべきなのは誰で、誰が2週間待つべきなのか

すでに汎用モデルに分類・評価・ゲート処理をさせていて、呼び出しごとのコストがグラフで見えるほど利用量が多いなら、今すぐ移行してください。中央値123 msと$0.042という価格は、同じ判断を行うフロンティアモデルに対する明確な優位であり、マルチモーダル入力は、スクリーンショットを対象に指定できるスコアラーとそうでないスコアラーの違いになります。

人の生活に関わる意思決定——与信、雇用、住居、保険、医療、法務——では待ってください。Microsoft 自身のカードが、そこで唯一の意思決定者として使わないよう述べているからです。1.1 でもそれは変わりません。また、説明可能なキャリブレーションが必要な場合も待ってください。1.1 の Brier 0.160 は改善ではあっても保証ではなく、ドキュメントも、スコアが文言や選択肢の順序によって変動することを率直に認めています。自社のラベルで検証し、選択肢の順序をランダム化し、ベンダーのチャートではなく、2種類のエラーのコストに照らしてしきい値を設定してください。

{{1}}11月17日の正直な要約は{{/1}}、{{2}}「200倍」という見出し{{/2}}より小さく、しかしより有用だ。{{3}}Microsoftは、リクエストごとの判断を手頃な価格で行えるようにする価格で、より高速でマルチモーダル、キャリブレーションも改善された判断スコアラーを出荷した。そしてそれは、独立した分野の上半分に入るには十分だが、その頂点に立つほどではない{{/3}}。モデルは本物だ。{{4}}ツイートの比率は本物ではない。{{/4}}