「MAI Decision 1 vs Microsoft Decision 1」という見出しと、「同じ製品ライン、インデックスポイントで6ポイント差」というサブタイトルを持つ生成タイトルカードは、「vs」の円形ディスクを挟んで、角丸の2つのパネルに分かれている。左パネル「Microsoft-Decision-1.1」には、サブ行「GA 2026年11月17日」と、行「決定指数 67.78」「タスクあたり 123 ms」「画像とテキスト」「Gemma 4 base」が記載されている。右パネル「Microsoft-Decision-1」には、「GA 2026年10月8日」「決定指数 62.07」「タスクあたり 274 ms」「テキストのみ」「Qwen3.5 base」が記載されている。フッターには「両方とも100万入力トークンあたり /bin/bash.042 でリストされています。」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 対 Microsoft Decision 1:同一製品ラインで6ポイント差

著者

jinhao.song

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

この対決には罠が仕込まれており、その罠は前提そのものです。MAI Decision 1 と Microsoft Decision 1 は競合する2つのモデルではありません。それらは同じ Microsoft の製品ラインの、1バージョン違いです。Ignite の報道が MAI Decision 1 とラベル付けしたモデルは Microsoft-Decision-1.1 であり、Microsoft-Decision-1 はそれが置き換える10月リリースです。したがって、有用な比較は「どのベンダーが勝つか」ではなく、「5週間と新しいベースモデルで何を得たのか、そして古いエンドポイントで既に本番運用している人にとって、そのアップグレードは移行に値するのか」です。短く言えば、インデックス6ポイント、レイテンシ半減、画像入力、そして据え置きの価格表です。

命名、これで一度決着

この比較の左側のラベルは、Microsoft 由来ではなく基調講演の報道に由来します。ベンダー自身の文字列は、Ignite のラインナップ投稿では「Decision 1.1」、Foundry のブログとモデルカードでは「Microsoft-Decision-1.1」です。MAI という接頭辞は、MAI Code 2 と MAI Cyber 2 Flash とともに同じ第三者記事を通じて広まり、定着しました。したがってこのページは、ある1つの製品ラインのバージョン1.1とバージョン1を比較しており、興味深い問いは、どのベンダーが勝つかではなく、5週間と異なるベースモデルによって何が変わったかです。

バージョン1は撤回されていません。依然としてFoundryに掲載され、独立系のボードでも評価されているため、比較表で二つの名前が並んで表示され続けています。時に異なる企業のライバルとして扱われますが、実際はそうではありません。

6週間、2モデル、1つの価格

バージョン1は2026年10月8日にGA(一般提供)となりました。A​libaba's Qw​en3.5-9Bのテキストのみのポストトレインで、固定された選択肢セットに対する較正済み確率を出力し、32,768トークンの上限を備え、重みはなく、公開されたベンチマーク数値もありません。バージョン1.1は11月17日に、Gemma 4 26B-A4Bをベースに、画像入力と性能に関する完全な説明を伴って登場しました。一方、価格表はまったく変わらず、100万トークンあたり0.042ドルのままでした。

• ベースモデル — Qwen3.5-9B、dense、総パラメータ9B 対 Gemma 4 26B-A4B、約4BがアクティブなMixture-of-Experts;どちらも社内でポストトレーニング済み

• モダリティ — テキストのみ、またはテキスト・JSON・PNG/JPEG画像(1質問につき最大8枚)

• 入力上限 — 32,768 トークン 対 32,768 トークン、変更なし

• 質問タイプ — はい/いいえ、多肢選択、評価、分類、ルーブリック対同一セットを、3つの型付きプリミティブ(noul、choice、score)として公開

• 価格 — 100万トークンあたり$0.042(グローバル標準)、EUおよびAPACは$0.05(同一のものと比較)

• 測定レイテンシー — タスクあたり274.25 ms 対 タスクあたり123.25 ms、Artificial Analysis

• 実測コスト — 100万タスクあたり142.56ドル 対 100万タスクあたり139.64ドル、Artificial Analysis

• Decision Index v2.1 — 62.07 対 67.78

• 重み — なし、Foundry でのみホスト vs なし、Foundry でのみホスト

変わらなかった一行こそ、ほとんどのチームが予算の基準にしている項目であり、最も大きく変わったのは誰も宣伝していない項目だ。レイテンシは半減した一方で、トークンあたりの価格は据え置きのままだった。なぜなら新しいベースモデルは、呼び出しごとの処理量がはるかに少ないスパースモデルだからだ。

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.

6つの点は何でできているのか

5.71という複合的な差は均等に広がっているわけではなく、その不均一さが、このアップグレードがどのワークロード向けに作られたのかを物語っている。Artificial Analysisの6つの構成評価において、2026年11月18日にボードを読み取ると:

• When2Call のツール呼び出し — バージョン1.1で95.1、バージョン1で87.9に対して7.1ポイントの向上であり、エージェントのガードレールにとって重要な改善

• EvalSafe-O*NET 職場での判断 — 86.8に対して88.8

• AA-Symmetry、言い換えに対する判断の不変性 — 75.7 対 70.4

• AA-Paperclipの文書判断 — 58.7 対 51.8、最大の絶対的ジャンプ

• AA-Omniscience、知識とハルシネーション — 60.5 対 54.9

• HLE 多肢選択式推論 — 46.1 対 39.4

すべてのサブスコアが向上した。これは珍しいことで、総合スコアを信頼できるものにする。1つの評価では上がり2つでは下がる複合指標は、たいてい重み付けによる人為的な産物だ。不変性の向上は、目立たないが指摘する価値があるものだ。対称性は、選択肢の順序を入れ替えたり質問の言い回しを変えたりしても判断が維持されるかを測る。これはまさにMicrosoft自身のドキュメントが警告している失敗モードであり、ステージングで調整したしきい値が本番でも依然として発火するかを決めるまさにその特性だ。その指標で70から76へ上がることは、主要指標で62から68へ上がるよりも大きな運用上の変化だ。

キャリブレーションも同じ方向に改善した。表明された確率と真実の間の二乗誤差を測るBrierスコアは、0.1965から0.1604に低下した。低いほど良い。選択された選択肢の精度は40.6から48.5に上昇した。どちらの数値もMicrosoftのものではなく、Artificial Analysisが独自のタスクで測定したものであり、それゆえに重視すべきだ。Microsoft自身の1.1のローンチ時の説明ではスコア68で「最初のモデルから6ポイント上昇」としているが、独立系の評価ボードは67.78で、5.71ポイントの向上となり、このスコアから0.5ポイント以内に収まっている。今回は珍しく、ベンダーと監査側が大筋で一致した。

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.

旧モデルが依然として適切な選択となる場面

Microsoft-Decision-1 を使い続ける正当な理由は3つあり、そのいずれも性能ではない。

最初は凍結された評価です。独自のラベル付きデータでバージョン1に対してしきい値を調整していれば — 調整すべきですが — ベースモデルの変更によってその作業は無効になります。スコアリング向けに事後学習されたDense 9Bと、スコアリング向けに事後学習された26B MoEは、同じ箇所で失敗するわけではありません。また、1.1のドキュメントは、キャリブレーションが最も強く効くのは馴染みのあるタスク種別であり、文言によって変化し得ると明言しています。再チューニングには実際のコストがかかり、それはベンダーではなくチームに降りかかります。

2つ目は言語カバレッジです。バージョン1は、200を優に超える言語が利用可能なQw​enベースで、25言語のポストトレーニングの実績を掲げていました。バージョン1.1は、35以上と文書化されたGemmaベースで、25以上の言語の実績を掲げています。「25以上」は「25」ではありません。多言語キューを運用しているなら、数字が増えたと仮定するのではなく、テストするのが誠実な対応です。

第三は、依存関係の形です。どちらのバージョンもホスト型のみ、単一ベンダー、1つの価格表、1つのレート制限体制です。アップグレードは障害ドメインを変えますが、縮小はしません。すでにエンドポイントを自前のフォールバックの背後に包んでいるなら、1に留まることで犠牲になるのはレイテンシと精度であり、可用性ではありません。まだ包んでいないなら、アップグレードで得られるのは、同じ単一障害点の背後にあるより高速なモデルです。

コミットする前に、両方を並べて動かしてみる

移行そのものは小さく、そこが嬉しいところです。エンドポイントの形は変わらず、Foundry リソース上の decision ルートに対して状態と型付きの質問を送る形のままで、デプロイは統合の書き直しではなくモデルバージョンの変更です。変わるのはレスポンスより下流のすべて、つまり確率、しきい値、そして上記のサブスコアです。

では両方を実行してください。同じラベル付きバッチを両方のデプロイメントに送り、実際に使用しているしきい値で選択オプションの精度を比較し、特に分布の裾に注目してください — バージョン1が0.55を返し、バージョン1.1が0.88を返すケースは、エスカレーション率を静かに変えてしまうものです。対称性の向上は、1.1が選択肢の並べ替えに対してより安定しているはずだということを示唆しています。その数値を信じるのではなく、自分のプロンプトで検証してください。

審判と審判される対象を1つのキーで扱う——それがほとんどのチームが最終的に望む構成であり、どちらのDecisionモデルもそれを提供できない。どちらもFoundry専用のホスト型エンドポイントなので、その前段のルーターは自前のコードになる。その代わりルーターができるのは、制御を提供することだ。Gemma 4 26B A4B——バージョン1.1が事後学習されたベース版——は、OrcaRouter経由で入力100万トークンあたり0.25ドル、出力100万トークンあたり2.90ドル、そしてJev 1.14は、Microsoftが自社のベンチマーク比較対象にしているDecisionモデルで、入力・出力とも100万トークンあたり0.042ドル。どちらも1.1の校正済み回答を再現しない。どちらも、自分のデータで汎用モデルがDecisionモデルに数ポイント以内に迫るかどうかを教えてくれ、それがそもそもDecisionモデルが必要かどうかを決める問いだ。

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.

バージョンに関する疑問にお答えします

今日選ぶのであれば、守るべき旧来のしきい値がないのであれば、1.1 を選ぶべきです。独立した測定では 2.2 倍高速で、タスクあたりのコストはわずかに安く、キャリブレーションも優れ、ツール呼び出しのゲーティングにも優れており、2 つのうちスクリーンショットを読み取れるのはこちらだけです。価格表は同一なので、限界的にはアップグレードは無料です。

すでにバージョン1を本番環境で稼働させているなら、アップグレードは行う価値があり、セキュリティパッチのような緊急性はありません。再チューニングのための時間を見積もり、新しいしきい値が実トラフィック上で維持されるまで旧デプロイメントを稼働させ続け、対称性の改善は驚きが少なくなることを期待する理由として扱い、驚きが一切ないという約束とは考えないでください。

この対決は、ベンダー間の選択ではありません。どちらの名前も Microsoft の判断ラインを指しており、5週間と1つのベースモデルの隔たりがあり、同じ100万トークンあたり0.042ドルです。興味深い問いは、どちらが勝つかではなく、2番目のものが再調整のコストを払うに値するほど優れているかどうかです。独立系の評価ボードでは、そうです。