見出しに「基調講演のライン、検証済み」、サブタイトルに「Microsoft-Decision-1.1 — Artificial Analysis Decision Index v2.1」を持つ生成タイトルカード。67.78、「Jev 1.14 66.2」、「Gemini Decision 1 65.98」、「GPT-6 Luna 60.2」と表示された4つのチップが「ステージ上で名前が挙がった4モデル」というキャプションの上にあり、グレー表示の2つのサイドラベルには「ランク付けされた25件」「67.78を上回る10件」と記されている。OrcaRouterのロゴは右下隅に合成されている。
Guides & Insights

Microsoft-Decision-1.1はIgniteの基調講演に登場した。そこで引用されたベンチマークの記述は正しいが、限定的である。

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

Microsoft-Decision-1.1は{{1}}2026年11月17日{{/1}}に一般提供を開始した。Microsoft-Decision-1の6週間後であり、しかも基盤モデルがまったく異なる。Microsoftが自社のローンチ投稿で名指しした中規模のMixture-of-Expertsシステム、{{2}}Gemma 4 26B A4B{{/2}}であり、バージョン1のポストトレーニング元だった{{3}}Qwen3.5-9B{{/3}}を置き換えている。この入れ替えこそが今回のリリースの実質的な中身だ。より広く伝わったのは、Igniteの基調講演で語られた一文だった。そこではDecision 1.1が、モデルルーティングが「{{4}}アプリケーションに直接統合される{{/4}}」ものとして紹介され、続いて一言——「{{5}}AA Decision Index{{/5}}では{{6}}Jev{{/6}}、{{7}}Google{{/7}}、{{8}}OpenAI{{/8}}を上回る」——で裏付けられた。これら3つの名前は、{{9}}Jev 1.14{{/9}}が66.2、{{10}}Gemini Decision 1{{/10}}が66.0、{{11}}GPT-6 Luna (Decisions){{/11}}が60.2を指し、Microsoft-Decision-1.1の67.78と対比される。3つとも比較は正しい。

これらはまた、現在25件のエントリーを順位付けしているボード上で、最も好都合に見える4モデルのサブセットでもある。今夜、Microsoft-Decision-1.1を上回るスコアを記録した意思決定モデルは10あり、d1.2-ultraの74.8から、Drex Max v1.1とSubQ Snap 1.2の72.6を経て、SubQ Snap 1.1の67.9に至るまでだ。基調講演のあの一文は虚偽ではなかった。それは、完全な比較の文法で提示された、選別済みの比較だった。そしてその区別は、ローンチそのものよりも価値がある。なぜなら、ベンチマーク指標がハイパースケーラーの開発者カンファレンスでスライドに取り上げられる最初の事例で起きるのは、まさにそうしたことだからだ。

ステージが言ったこと、そしてボードが言うこと

Microsoft が同日公開した基調講演の書き起こしは、この話題については短くしか触れていない。コーディングモデルを一通り説明した後、意思決定の話に移る。「エージェントは、特にスピードとコストが重要となる場面で、意思決定を行う必要性がますます高まっています。そこで Decision 1.1 は、モデルルーティングをアプリケーションに直接統合して提供します。そして AA Decision Index では、Jev、Google、OpenAI を上回ります。」

要するに、それはインデックスが確かに裏付ける4者比較だ。Artificial Analysisが公開し、2026年11月19日にここで読んだDecision Index v2.1の複合スコアでは、Microsoft-Decision-1.1が67.78、Jev 1.14が66.2、Gemini Decision 1が65.98、GPT-6 Luna (Decisions)が60.2だった。差は1.6、1.8、7.6ポイントだ。そこに議論の余地はない。

その文が省略しているのは、その上にあるボードの半分だ。同じページでは Microsoft-Decision-1.1 が11番目にランクされており、その前に並ぶ10件の項目は無名のものではない:

• d1.2-ultra(Liquid AI)— 74.8、リーダーボード首位、100万タスクあたり133ドル

• Drex Max v1.1(Nace)— 103ドルで72.6、SubQ Snap 1.2 — 137ドルで72.6

• GLiDE v1.2(Fastino)— $780で72.5、Mammoth 27B(Baseten)— $264で71.4、d1-ultra — 70.6

• Decider v1.3(Perplexity)— 70.4($68)、Decider v1.2 — 69.8、d1.2 — 68.7、SubQ Snap 1.1 — 67.9

ベンダーが自社のローンチを引き立てるような3社の競合他社を名指しで選ぶことは不祥事ではない。どのローンチ投稿でもやっていることであり、マイクロソフトはこれらが自社が名指しすることを選んだモデルであると異例なほど明言している。興味深いのは、それが発表された場だ。プロプライエタリな第三者製インデックス——そのv2リビジョンが2026年11月8日、Igniteの9日前に提供開始され、45%が非公開データセットで構成されている——が、マイクロソフト自身のモデルに関する主張の根拠として、ステージ上で引用された。それはベンダーのベンチマークのスクリーンショットとは種類の異なる事実であり、両刃の剣でもある。インデックスの評価を高める一方で、都合よく選択的に引用されることが今やその評判の一部となる立場に、そのインデックスを置くことになる。

1と1.1の間で実際に何が変わったのか

スライドを取り除けば、エンジニアリングは具体的だ。Microsoft-Decision-1.1は10月のモデルの微調整ではない。ベースは、v1のカタログページが今もクレジット表記しているAlibabaのQwen3.5-9Bから、Gemma 4 26B A4Bに変わった。マイクロソフトはこの選択をコストの観点から説明する。判断を下すのに十分なアクティブパラメータを持ち、A100、H100/200、GB200/300のフリート全体で実行できるほど小さい、と。トークンごとの生成ではなくスコアリング向けに構築されたカスタム推論エンジンこそが、同社がレイテンシの要因として挙げているものだ。

v1 になかった機能は画像入力です。Microsoft-Decision-1.1 はテキスト、JSON、または画像 — 写真、スクリーンショット — を受け付け、音声、動画、およびいかなる形式の生成された説明も依然として拒否します。質問タイプの名称は変わっていません:noul ははい/いいえの文に対する確率を返すもの、choice は固定セットから 1 つのラベルを選び、すべての選択肢について確率を返すもの、score は順序付き尺度上の位置を返すもの。リクエストは、末尾が次のとおりのパスに送られます:/providers/microsoft/v1/systemone。これは、今四半期に出荷された中で最も自己説明的でないエンドポイント名か、Microsoft がこのカテゴリをスタックのどこに位置づけているかについてのヒントのどちらかです。

移行するなら注目すべき数値はコンテキストです。Microsoftは「最大32Kトークンの入力」と記述しており、Artificial Analysisは33kのウィンドウを記録しています。Version 1も同じでした。40,000トークンの契約書を読む意思決定モデルは、このリリースには含まれていません。

ローンチ投稿にある3つの主張を、ボードと照らし合わせて検証した

マイクロソフト自身の投稿には3つの定量的な主張があり、独立したデータはそれぞれを異なる形で決着させている。

• 「68点」 — 指数の値は67.78。これは水増しではなく四捨五入であり、唯一正確に成立した主張である。

• 「2倍以上の速さ」— バージョン1はタスクあたり274.25 ms、バージョン1.1は123.25 msを計測。これは2.23倍であり、新モデルをボード上で20番目ではなく5番目に速いエントリーにします。

•「同じコストで」— トークンレベルでは正しいが、実際には誤解を招く。両バージョンとも入力トークン100万あたり$0.042と記載している。しかし100万タスクあたりの実測コストは1.1が$139.64、v1が$142.56で、2%の改善であり、半減ではない。価格は同じ、請求額もほぼ同じ、スループットは2倍。制約が支出ではなくレイテンシなら、アップグレードは大きい。支出なら、アップグレードはほぼゼロだ。

A generated single-column scoreboard headed 'Microsoft-Decision-1.1 — the scoreboard' with six rows: Decision Index 67.78, 11th of 25; When2Call at 10% weight 95.08; AA-Paperclip at 30% weight 58.67; HLE-MultiChoice 6.29% raw accuracy; non-hallucination 49.4%, was 21.7%; speed 123 ms per task, was 274 ms. A footer reads 'All figures per Artificial Analysis Decision Index v2.1, read 19 November 2026.' The OrcaRouter logo is composited in the bottom-right corner.

コンポジットがマーケティングと一致しなくなるのはどこか

Decision Index v2.1の複合スコアは謎ではない。それは6つの重み付き構成要素であり、Microsoft-Decision-1.1の67.78はそれらから再現できる。30% AA-Paperclip、15% EvalSafe-O*NET-AA、10% When2Call、15% AA-Omniscience-Decision v1.1、15% HLE-MultiChoice v1.1、15% AA-Symmetry。掛けて足せば、正確に67.78に到達する。その透明性こそがサブスコアを読みやすくしており、ローンチの物語が面白くなるのはサブスコアの部分だ。

• When2Call — 95.08。これはルーティングテストであり、このセットの中で大差をつけて最も強い数値です。Microsoftのうたい文句は「アプリケーションに統合されたモデルルーティング」であり、まさにそれを測定する唯一のコンポーネントにおいて、このモデルはボードの最上位付近に位置しています。

• AA-Paperclip — Decision Score 58.67、文書の36.8%が完全に回答されました。これは30%を占める構成要素で、1,500件の非公開文書がそれぞれ5つの意思決定と10の事実を含み、全か無かの方式で採点されます。バージョン1は20.9%を通過しました。完全文書率における15ポイントの上昇は、今回のリリースで最大の単一のエンジニアリング上の成果であり、総合スコアがこれほど動いた理由でもあります。

• HLE-MultiChoice v1.1 — 6.29%の生の精度で46.11のDecision Score、非ハルシネーション率38.4%。難しい知識テストでの6%の精度は強みではない。Decision Scoreがそれなりなのは、モデルが迷っていることを正直に示しているからにすぎない。Microsoft自身の投稿も、これらのモデルは「難しい問題にはまだ明示的にチューニングされていない」と述べており、この行はその認めるところが公に現れている箇所だ。

• AA-Omniscience-Decision v1.1 — 精度33.2%、非ハルシネーション率49.4%で60.46。バージョン1の非ハルシネーション率は21.7%だったため、モデルは精度を2ポイント上げつつ、約2倍の信頼性で回答を控えることを学んだ。意思決定モデルにとって、このトレードオフこそがすべてだ。

まとめて読むと、このプロファイルは一貫している。これは高速で適切に調整されたルーターだが、知識ベースは浅い。それは擁護できる製品だ。基調講演の一文が示唆する製品ではない。

A screenshot of the Artificial Analysis page for Microsoft-Decision-1.1, headed 'Release, Decision Index Score, Performance & Price'. The headline figures read a Decision Index of 68 at rank 11 of 25, 123 ms per task and about $140 per million tasks. The comparison summary states the model is above average on the Decision Index but somewhat expensive and notably fast, supports text input and carries a 33k-token context window, with board medians of 66, 206 ms and $137. Component rows for Decision Index, AA-Paperclip, EvalSafe-O*NET-AA, When2Call, AA-Omniscience-Decision v1.1 and HLE-MultiChoice v1.1 sit below.

請求書で実際に使われる単位での料金表示

Foundry は Microsoft-Decision-1.1 について 3 つの入力料金を挙げており、出力料金はまったく示していません。これは、このモデルが出力トークンを生成しないためです。Global Standard では入力 100 万トークンあたり $0.042、US Data Zone では $0.046、EU and APAC Data Zone のデプロイでは $0.05 です。データゾーンの SKU を選ぶと、ローカリティのために見出しの数字より 19% 多く支払うことになります。ここが、「最も安い意思決定モデル」という主張が静かに修正される最初の地点です。

2番目は「タスクあたりコスト」列で、これはトークン価格に、タスクが実際に消費する入力量を掛けると得られるものだ。100万タスクあたり139.64ドルで、AAはMicrosoft-Decision-1.1をコストで25モデル中15位に置いている。Gemini Decision 1の344.90ドルより安く、Celeris-1.1 Decisionの14ドルやDecider v1.3の68ドルより高い。このモデルは高速で中価格だ。自カテゴリ内でのお買い得品ではなく、Microsoftもそう主張したことはない。

これを終わりにしたいチームがどうなるか

ファーストパーティの経路はFoundryです。モデルをデプロイし、次に以下を送信します: 状態と型付き質問のマップを意思決定エンドポイントへ。企業のバイヤーは、MicrosoftがすでにこれをFoundry Evaluations内のジャッジとして、またCopilotのルーターとして使用している点を重視するでしょう。同社によると、同じルーティング判断が大規模言語モデルより2.2倍高速で、コストは4.4分の1で行われたとのことです。ただしこれはMicrosoft自身のハーネスによるベンダー報告の数値であり、外部では再現されていません。

率直に言うべきは、OrcaRouterが提供するものと提供しないものだ。当社はMicrosoft-Decision-1.1、Gemini Decision 1、およびいかなる意思決定スコアリングエンドポイントもホストしていない。なぜなら、確率のみを返すAPIはチャット補完の対象ではなく、そうでないかのように装うことは、見栄えはよいものの本番環境で破綻する種類の可用性主張だからだ。当社が提供するのは、意思決定パイプラインのうち実際に生成を行う半分であり、今回のリリースを覗く窓のひとつは異例なほど文字どおりだ:MicrosoftがファインチューニングしたまさにそのベースモデルであるGemma 4 26B A4Bは、入力100万トークンあたり$0.06、出力100万トークンあたり$0.33で当社のカタログに掲載されており、Jev 1.14も$0.042で並んでいます。これはMicrosoft-Decision-1.1が比較対象としているモデルです。意思決定の振る舞いのうちどれだけがベースモデルで、どれだけがポストトレーニングによるものかを見たいなら、その比較の両端には1つのキーから到達できます。プロバイダーの定価のまま、0%のマークアップをそのまま適用しています。

A screenshot of the OrcaRouter model page for typesafe/jev-1.14, headed with the model name and typesafe as the provider. Pricing shows $0.04 input and $0.04 output per million tokens, with a code sample posting a state and two typed questions to https://api.orcarouter.ai/v1/systemone. A performance panel lists a p50 time-to-first-token of 181 ms, a European Union inference region and zero data retention available, with 171.8M tokens of usage shown.

次に見るもの

先週はできなかった2つのことを、今は公の場で検証できる。1つ目は、Decision Indexが基調講演の画面に現れ続けるかどうかだ。ベンダーが自社ロゴの下で引用し始めた瞬間に、ベンチマークは購買文書になる。次にそうするベンダーは、別の4モデルのサブセットを引用するだろう。2つ目は、ボードが拡大してもMicrosoft-Decision-1.1がルーティング上の位置を維持するかどうかだ。When2Callは10%の重みを持ち、Gemini Decision 1に対するこのモデルのリードの大部分を供給している。つまり、日常的な指数の改訂が、どのモデル更新よりもこのランキングを大きく動かし得る。

現時点で正確な一文は、スライドより範囲が狭く、その分より有用だ。Microsoftは、同じトークン価格で前世代の2倍速く、キャリブレーションが著しく改善され、新たに画像を読めるようになり、依然として32Kトークンが上限で、自分が知らないことについては正直に示し、それをランク付けする唯一の独立系ボードで11位という意思決定モデルを出荷した。基調講演ではGoogleとOpenAIに勝ると述べた。確かに勝っている。ただ、全員に勝っているわけではない。