
Microsoft-Decision-1.1 対 Gemini Decision 1:ほぼ1つのテストだけで築かれた2ポイントのリード
- OrcaNEWOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 100万トークンあたり · 184 tok/s
- tencentNEWTencent: Hy4 Flash2026-11-16$0.02 / $0.07 100万トークンあたり · 223 tok/s
- GoogleNEWGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 100万トークンあたり · 87 tok/s
- AnthropicNEWAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 100万トークンあたり · 96 tok/s
- orcaNEWOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 100万トークンあたり · 90 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 100万トークンあたり · 131 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 100万トークンあたり · 77 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 100万トークンあたり · 94 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 100万トークンあたり · 114 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 100万トークンあたり · 69 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 100万トークンあたり · 94 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 100万トークンあたり · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447知能
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 100万トークンあたり · 209 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929知能
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 100万トークンあたり · 111 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733知能
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 100万トークンあたり · 311 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740知能
Microsoft-Decision-1.1とGemini Decision 1をArtificial Analysis Decision Index v2.1で並べてみると、その差は判決のように見える。67.78対65.98で、Microsoftのモデルはタスクあたり123 ms対211 msとほぼ2倍速く、100万タスクあたり$139.64対$344.90と半分以下のコストである。複合スコアを分解すると、その判決はより小さく、より奇妙になる。Microsoft-Decision-1.1の優位性はすべて、インデックスの10%を占める1つのコンポーネントと、文書の課金方法に関する1つのプロセスレベルの決定に由来する。2つの知識コンポーネントでは、Googleのモデルが勝っている。そのうち1つでは6ポイント以上の差をつけ、生の精度はほぼ2倍である。
その分断こそが比較のすべてであり、それはリーダーボード上の順位以上に多くのことを左右する。Gemini Decision 1は262,144トークンを読み取り、音声、動画、PDFを受け付ける。Microsoft-Decision-1.1は32,768トークンを読み取り、テキスト、JSON、画像を受け付ける。Googleのモデルは、Omniscienceテストで、知らない場合にそれを認める率が49.6%、Microsoftのモデルは49.4%だ。ルーティングテストでは、Microsoftのモデルが12.5ポイント先行している。あなたの判断が「この5つのツールのうち、このリクエストに必要なのはどれか」であるなら、答えは僅差ではない。あなたの判断が「この90ページの契約書にあるこの条項は真か」であるなら、答えは反転する。そしてそれが反転するのは、モデルではなくコンテキストウィンドウのせいだ。
どちらもスコアラーであり、同じ形のスコアラーです。
2つのAPIはほぼ同じプリミティブに収束しており、そのため比較は異例なほど明確だ。どちらも共通の入力と型付きの質問群を受け取り、質問ごとに確率が付与された型付きの回答を1つ返す。どちらも一語も書き出さない。
• 質問タイプ — どちらも同じ3種類を用意しています。はい/いいえの確率、固定された選択肢集合からの選択(各選択肢ごとの確率付き)、そして順序尺度上の位置です。Microsoft は最初のものを noulと呼び、Google もそれを noulと呼んでいます。これは偶然というより、むしろあるカテゴリが語彙を固めつつあるということです。
• 出力トークン — どちらも、すべての呼び出しでゼロ。課金は入力のみなので、表示されているトークン価格がそのまま全体の価格です。
• 並列スコアリング — どちらも共有入力に対して各質問を独立に評価するため、質問同士が互いを参照することはなく、10個目を追加しても最初の9個は変わりません。
• リクエストサイズ — Google は、1 回の呼び出しにつき 1~1,000 問、選択式の質問では 2~255 個の選択肢、スコア質問では 2~255 レベルと文書化しています。Microsoft は上限なしで「1 つ以上の型付き質問」と文書化しており、そのローンチ投稿では「数百の質問」を含むリクエストについて説明しています。
• 画像入力 — 両社とも現在は対応しています。Microsoftは1.1で追加しました。Googleは最初から対応しており、音声と動画にも対応していますが、Microsoftはそれらを明示的に受け付けません。
• エンドポイント — ここで両者は物理的に分岐します。Gemini Decision 1 は、Gemini Developer API v1beta 上の Google の Decisions API を通じてのみ利用可能です。Microsoft-Decision-1.1 は Foundry リソースとしてデプロイされ、そのリソース上の/providers/microsoft/v1/systemoneで応答します。
複合体、分解されたもの
1つの10%加重コンポーネントに収まっている1.8ポイントの指数リードは、丸め誤差ではありませんが、「より優れたモデル」という主張よりはるかに狭い主張です。以下は、Artificial Analysisが公開しているとおりの、2026年11月19日時点で読んだ両エントリーの完全な分解です:
• 総合指数 — Microsoft-Decision-1.1 67.78 対 Gemini Decision 1 65.98
• 精度指数(信頼度を除き、精度のみで再構築した指数)— 48.45 対 45.53。つまり Microsoft は正確性でもリードしているが、その差はより小さい
• When2Call、10%のウェイト — 95.08 対 80.50。14.6ポイントの差であり、優位性の源泉です。
• AA-Paperclip、重み30% — 決定スコアは58.67対56.83、文書の36.8%対33.0%が完全に正確
• EvalSafe-O*NET-AA、15% — 88.85 対 87.05、生の精度では 83.4% 対 82.0%
• AA-Omniscience-Decision v1.1、15% — 60.46 対 66.28、生の精度 33.2% 対 44.8%、非ハルシネーション 49.4% 対 49.6%
• HLE-MultiChoice v1.1、15% — 46.11 対 48.71、生の精度 6.29% 対 13.16%、非ハルシネーション 38.4% 対 35.8%
• AA-Symmetry、15% — 75.72 対 70.47、言い換え合格率は 47.5% 対 38.3%
そのリストから2つのことが導かれる。第一に、最大の単一ギャップは最小の重みの構成要素にある——When2Callは100点満点スケールのうち9.5点を占めるため、そこでの14.6ポイントの差は約1.5インデックスポイントに相当し、これは1.8ポイントの合計の大部分を占める。第二に、Gemini Decision 1の知識上の優位性は本当に大きい。Omniscienceの生の正確度で44.8%対33.2%というのはノイズではなく、Googleのモデルがその複合スコアから示唆されるより高い正確度インデックスを持つ理由である。
言い換えれば、Microsoftがすべての面でGoogleを測定値で上回ったわけではない。モデルがいつツールを呼び出すべきかを知っているかを問う唯一のテストではGoogleを決定的に上回り、それ以外の点ではほぼ互角で、知識のテストでは負け、一貫性のテストでは勝った。

コンテキストウィンドウの違いが実際に何を犠牲にするのか
262,144トークンのウィンドウは、実際のワークロードを左右する数字であり、そこには8倍の差があります。Gemini Decision 1は、Microsoft-Decision-1.1が読み取る量の8倍を読み取ります。Googleのドキュメントでは、その予算を特定の方法で使います。つまり、ウィンドウは共有入力とすべての質問をまとめて対象とするため、1つの長い契約書と200個のルーブリック質問が同じ262Kを取り合うことになります。
マイクロソフトの32Kの上限には、コストの列に現れる二次的な影響がある。AA-Paperclipは、文書をそのすべての質問に対して一度だけ課金し、文書あたり15件の回答を解決する。文書を1回の呼び出しで保持できないモデルは、チャンクごとに適用しなければならず、それによって呼び出し回数が増える。Microsoft-Decision-1.1はPaperclip上で100万タスクあたり386ドルとなり、Gemini Decision 1の946ドルと対比される — しかし、タスクあたりの総コストの順位はすでにトークン価格によって説明されており、文書処理によるものではない。
ここで名付けておく価値のある第三の仕組みがある。購入者が見落としているのはまさにこれだ。反復入力はどちらでも全額カウントされる。Google の Decisions API はコンテキストキャッシュ、Batch、Flex、Priority 推論を明示的にサポートしていないため、リクエストごとに送るルーブリックにはリクエストごとに料金が発生する。Microsoft-Decision-1.1 もドキュメントにキャッシュの話を一切持っていない。どちらのベンダーも、同じ200問を100万回尋ねることに対して割引を提供していない。そしてこれはまさに、このカテゴリが対象として作られているワークロードなのだ。
価格設定とSKUの罠
Microsoftは3つの入力料金を提示している——Global Standardで100万あたり$0.042、US Data Zoneで$0.046、EUおよびAPAC Data Zoneで$0.05——出力料金は提示していない。Googleは1つ提示している:入力トークン100万あたり$0.10。見出しの数字ではMicrosoftは58%安い。インデックス全体で測定したコストではMicrosoftは60%安い——100万タスクあたり$139.64対$345.41——ほとんどのコンポーネントでタスクあたりのトークン消費量も少ないためだ。
しかし$0.042という料率はグローバルなものであり、データゾーンSKU上でEU居住のワークロードは$0.05を支払うため、差は50%まで縮まります。どちらの数字にも、意思決定モデルを巡る呼び出しのコストは含まれていません。ほとんどの本番パイプラインでは、そうしたコストがスコアリング呼び出しそのものをはるかに上回ります——候補の回答を下書きするモデル、ルーブリックを書くモデル、スコアラーが判断を保留した対象を処理するモデルです。ルーティングが実際にコストを削減できるのはこの支出であり、OrcaRouterがカバーしているのもまさにその部分です:200以上のモデルにまたがる1つのキーをプロバイダー定価・マークアップ0%で利用でき、生成側のベンダー価格変更はその当日に反映され、フュージョンまたはルーティングDSLを使えば安価なドラフターを高価なジャッジの後ろに置け、2度目の統合は不要です。

実際にどちらをデプロイしますか
ワークロードには3つの形があり、答えも3つに分かれ、そのどれもが「より高いインデックス」ではない。
• ルーティング、ゲーティング、ツール選択 — Microsoft-Decision-1.1。When2Call での 95.08 対 80.50 は、ボード上で最大の単一コンポーネントの差であり、ルーティングは Microsoft がこのモデルのために構築したワークロードです。ここでは 123 ms の中央値も重要です。ルーターはリクエストパスに位置し、123 ms と 211 ms の差は、誰も気づかないステップと、レイテンシバジェットが吸収しなければならないステップの差です。
• 長い入力に対する文書抽出とルーブリック採点 — Gemini Decision 1。単一の呼び出しで90ページの契約書とそれに関する質問を同時に見なければならない場合、Microsoftの32K上限は単純に破綻し、When2Callの性能がどれほど高くても、決して行われなかった呼び出しを救うことはできません。GoogleのOmniscience精度44.8%とHLE精度13.2%は、別の方向から同じ結論を裏付けています。つまり、より多くを知り、より多くを読めるということです。
• 請求額が支配する大量スクリーニングでは——どちらでもありません。これが正直な答えです。Celeris-1.1 Decision は100万タスクあたり14ドルで62.0を記録し、Decider v1.3 は68ドルで70.4を記録します。どちらもタスクあたりコストで Microsoft-Decision-1.1 を上回り、一方は指数でもそれを上回ります。判断が安価で反復的なら、ハイパースケーラーの選択肢は高価なものになります。
1つ注意点が3つすべてに当てはまります。1.8ポイントの差とキャリブレーション行は、2026年11月8日に独自の重み付けを改訂したインデックスに由来しており、その改訂ではOmniscienceとHLEがそれぞれ25%から15%に引き下げられ、30%のドキュメント要素が導入されました。再重み付けは、モデルのリリース以上にこのランキングを大きく動かす可能性があります。この比較は現時点のものであり日付を伴うものとして扱い、恒久的なものとはみなさないでください。

次に2つのモデルが分岐するのはどこか
Microsoft-Decision-1.1 は、新しいベースモデルでの2度目の試みです。Qwen3.5-9B ではなく Gemma 4 26B A4B を採用し、独自の推論エンジンとルーティングの売り文句を備えています。一方 Gemini Decision 1 は Google の初参入であり、単一の API サーフェスと単一のモデル ID に縛られています。両者の軌道は正反対を向いています。Microsoft はベースモデルと配信スタックを反復改善し、Google は入力モダリティとコンテキスト予算を反復改善しているのです。
今月下す判断にとって、それが意味するのは地味なことだ。ベンチマークの数値をひとつ読む前に、自分の最長入力が32Kに収まるかを確認せよ。なぜなら、その制約はこの2モデルのうち一方を問答無用で排除するからだ。収まるなら、自分のラベル付き例20件を両方に通し、トップ1の回答ではなく信頼度分布を比較せよ。閾値を設定できないスコアラーは出荷できないスコアラーであり、両者は非ハルシネーションで0.2ポイント以内にある。それが、あなたのデータで回答保留が公開テストセットと同じ振る舞いをするかどうかを左右する行だからだ。
この記事で比較したモデル1
この記事から検出 · ベンチマーク:Artificial Analysis · 毎日更新
