
MAI Decision 1은 실제로는 Decision 1.1이며 — 200배라는 헤드라인은 Microsoft의 것이 아니다
- GoogleNEWGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 100만 토큰당 · 90 tok/s
- AnthropicNEWAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 100만 토큰당 · 97 tok/s
- orcaNEWOrca: OrcaC2 1.02026-11-0711 tok/s
- OrcaNEWOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 100만 토큰당 · 87 tok/s
- OrcaNEWOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 100만 토큰당 · 134 tok/s
- OrcaNEWOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 100만 토큰당 · 86 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 100만 토큰당 · 124 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 100만 토큰당 · 67 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 100만 토큰당 · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 100만 토큰당 · 43 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447지능
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 100만 토큰당 · 192 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929지능
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 100만 토큰당 · 130 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733지능
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740지능
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 100만 토큰당 · 135 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955지능
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855지능
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 100만 토큰당 · 182 tok/s
두 숫자가 MAI Decision 1에 관해 2026년 11월 17일에 돌았습니다: 일반 모델보다 10배 빠르고 200배 저렴하다는 내용이었습니다. 두 수치 모두 Microsoft 자체 발표문 어디에도 나타나지 않습니다. Microsoft가 Ignite에서 실제로 출시한 모델은 Microsoft-Decision-1.1이며, 회사가 공개한 주장은 GPT-Sol 6.1보다 50배 빠르고 79배 저렴하다는 것입니다 — '일반 모델'이 아니라 특정 이름이 붙은 모델을, 특정 하네스에서 비교한 것입니다. 이 격차를 앞세울 만합니다. 마케팅 비율과 검증 가능한 숫자 사이의 차이이기 때문입니다. 다음은 출시된 것, Microsoft가 문서화한 것, 그리고 독립 위원회가 이를 어떻게 평가하는지입니다.
먼저, 이름
Microsoft의 자료에서는 "MAI Decision 1"이라는 문자열을 전혀 사용하지 않습니다. Ignite 라인업 게시물은 이 모델을 Decision 1.1이라고 부르고, Foundry 블로그는 Microsoft-Decision-1.1이라고 부르며, Foundry 카탈로그의 모델 카드도 같은 이름을 사용합니다. "MAI Decision 1"이라는 명칭은 기조연설에 대한 타사 보도에서 비롯되었으며, "MAI Code 2", "MAI Code 2 Flash", "MAI Cyber 2 Flash"와 함께 같은 제품군을 벤더가 아니라 관찰자들이 이름을 바꾼 결과입니다.
이는 한 가지 실용적인 이유에서 중요합니다: Microsoft-Decision-1.1은 Microsoft가 출시한 첫 번째 의사 결정 모델이 아닙니다. Microsoft-Decision-1은 2026년 10월 8일 Foundry에서 정식 출시되었으며, Alibaba의 Qwen3.5-9B를 기반으로 한 텍스트 전용 모델이고, 출시 당시 공개된 벤치마크 수치는 없었습니다. 11월 17일에 도착한 것은 동일 제품 라인의 버전 1.1로, 다른 기본 모델과 멀티모달 입력, 그리고 훨씬 더 충실한 성능 관련 설명을 갖추고 있습니다. "MAI Decision 1"에 대해 읽는 내용은 달리 명시하지 않는 한 1.1에 관한 것으로 취급하십시오.
상자 안에 실제로 무엇이 있나요?
계약은 형태가 바뀌지 않았고 적용 범위는 상당히 넓어졌습니다. 상태(텍스트 또는 JSON)와 하나 이상의 타입 지정된 질문을 보내면, 각 질문에는 고정된 선택지 집합이 있으며, 산문 대신 확률을 돌려받습니다. 세 가지 질문 기본 요소가 문서화되어 있습니다. 예/아니오(API에서는 "noul"), 레이블이 지정된 집합에서의 선택, 그리고 순서가 있는 레벨에 대한 점수이며, 이 점수의 반환 값은 레벨 인덱스의 확률 가중 평균입니다. 모두 한 번의 호출, 한 번의 패스로 이루어지며 디코딩 루프는 없습니다.
1.1의 새로운 기능:
• 기본 모델 — Gemma 4 26B-A4B, Google의 오픈 웨이트 전문가 혼합(MoE) 모델이며 Microsoft가 사후 학습했습니다. 버전 1은 Qwen3.5-9B로 사후 학습되었습니다.
• 입력 — 텍스트 및 이미지. 버전 1은 텍스트 전용이었습니다.
• 이미지 처리 — PNG 또는 JPEG, 각 변 280~1,568픽셀, 질문당 최대 8개 이미지(상태에서 참조된 이미지 포함), 총 처리 픽셀 수 645,120개로 제한됩니다. 서비스는 고정된 작업 크기로 크기를 조정하므로, 더 큰 파일을 업로드해도 토큰을 더 소비하지 않습니다.
• 컨텍스트 — 상태와 질문의 조합에 사용되는 입력 토큰 32,768개, 버전 1과 동일한 상한입니다.
• 언어 — 25개 이상의 언어로 학습 및 평가되었으며, 기본 모델이 즉시 지원하는 언어는 35개 이상입니다. Microsoft는 기본 모델의 지원 범위만으로는 언어별로 검증된 캘리브레이션이 입증되지 않는다고 분명히 밝힙니다.
• 서빙 — 채팅 완성이 아니라 의사 결정 엔드포인트입니다. 요청은 Foundry 리소스의 /providers/microsoft/v1/systemone으로 전송되며, 모델 필드에는 배포 이름이 들어갑니다. Microsoft는 이것이 텍스트 생성 스택이 아니라 의사 결정 워크로드를 위해 작성된 사용자 지정 추론 엔진을 실행한다고 말합니다.
• 가격 — Global Standard 기준 백만 토큰당 $0.042이며, EU 및 APAC 데이터 존에서는 $0.05입니다. 버전 1과 동일하며, 결정 호출은 입력 토큰 기준으로 과금됩니다. 과금할 출력이 사실상 없기 때문입니다.
• 학습 기간 — 모델 카드에 따르면 2026년 10월부터 11월까지입니다.
• 가중치 — 없습니다. 이 모델은 Foundry의 "Direct from Azure" 포트폴리오에 속한 호스팅 모델입니다. 다운로드나 미세 조정 경로는 제공되지 않습니다.
제외 사항은 기능만큼이나 분명하게 명시되어 있으며, 여전히 제품을 규정합니다. Microsoft-Decision-1.1은 텍스트 생성, 개방형 질의응답, 대화, 번역 또는 요약용이 아니며, 입력에 없는 지식이 필요한 작업에도 적합하지 않습니다. 이 모델은 근거를 생성하지 않습니다. 응답에는 확률만 포함되고 사용자에게 설명으로 보여 줄 수 있는 것은 아무것도 없습니다. 즉, 설명은 여러분의 몫이고 임계값도 여러분의 결정입니다. 0.7은 에스컬레이션하고, 0.95는 하지 않으며, 그 기준선은 공급업체가 아니라 애플리케이션에서 설정합니다.
속도와 비용에 관한 두 가지 주장, 그리고 그중 검증을 견뎌내는 것은 어느 것인가
유통되는 버전 — “일반 모델보다 10배 빠르고 200배 저렴하다” — 은 지시 대상이 없다. 이름이 밝혀지지 않은 모델과의 비율은 재현할 수 없으며, 무엇인가를 실제로 명시한 두 개의 공개된 Microsoft 비교는 동시에 더 좁고 더 크다.
Ignite 게시물은 Decision 1.1이 "GPT-Sol 6.1보다 50배 빠르고 79배 저렴하다"고 말합니다. Foundry 출시 게시물은 "첫 모델보다 두 배 이상 빠르면서 비용은 동일하다"고 말하며, Copilot 예시를 제시합니다. 즉, 대규모 언어 모델과 동일한 정확도로 Copilot과 Cowork 사이를 라우팅하면서 2.2배 빠르고 4.4배 저렴하다는 것입니다. 이는 Microsoft 자체 트래픽과 Microsoft 자체 평가 도구에서 공급업체가 측정한 값입니다. 틀린 것은 아니지만 적용 범위가 한정되어 있습니다. 50배와 79배라는 수치는 일반적인 결정 모델 전체가 아니라 한 경쟁사와 한 가지 종류의 라우팅 결정에 관한 것입니다.
주장 중 하나는 제3자에 의해 검증 가능하며, 실제로 성립한다. Artificial Analysis는 자사의 Decision Index v2.1에서 Decision 1.1을 작업당 123.25밀리초로 측정했으며, Microsoft-Decision-1은 274.25ms였다. 이는 2.23배로, "두 배 이상 빠르다"는 말이 뜻하는 바다. 비용 주장도 약화된 형태로 살아남는다: AA는 1.1의 경우 백만 작업당 $139.64, 버전 1의 경우 $142.56으로 계산한다 — 약 2% 저렴한 것이지 동일한 가격은 아닌데, 이는 토큰당 단가가 동일하더라도 두 버전이 작업당 서로 다른 토큰 수를 사용하기 때문이다. "동일한 비용"이라는 표현은 가격표에 대해서는 정확하고, 청구서에 대해서는 다소 관대한 표현이다.
그것이 어디에 순위를 차지하는지, 그리고 마이크로소프트가 내놓은 주장의 형태
Microsoft의 출시 게시물에 따르면 Decision 1.1은 "68점으로, 우리의 첫 모델보다 6점 높으며, Jev 1.14, Google의 Gemini Decision 1, OpenAI의 GPT-6 Luna (Decisions)보다 앞선다"고 합니다. 2026년 11월 18일에 확인한 Artificial Analysis Decision Index v2.1에서는 그 모든 내용이 사실입니다. Decision 1.1은 67.78입니다. Jev 1.14는 66.23, Gemini Decision 1은 65.98, GPT-6 Luna는 60.25입니다. Version 1은 62.07이므로 6점 상승도 실제입니다.
그 문장이 말하지 않는 것은 그 모델이 전체 분야에서 어디에 위치하는지이다. 그것은 순위표에서 8위에 있으며, 단독 선두에 7점 뒤져 있고, 마이크로소프트가 지목한 모델보다 1.5점 앞서 있다:
• 74.85 — d1.2-ultra (Liquid AI)
• 72.62 — Drex Max v1.1 (Nace.AI)
• 72.58 — SubQ Snap 1.2 (서브쿼드라틱)
• 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

일곱 개 모델이 더 높은 점수를 기록했고, 선두는 7.1점 차로 앞서 있습니다. 마이크로소프트의 별도 주장 — 자체 102개 벤치마크, 385,000개 질문으로 구성된 내부 스위트 전반에서 "8개 의사결정 모델 중 가장 높은 평균 정확도" — 은 마이크로소프트가 선택한 분야에 대한 진술일 뿐이며, 이는 공급업체가 공개하는 것으로는 정상이지만 이를 순위로 읽는 것은 좋지 않습니다. 독립적인 분야에는 순위가 매겨진 모델이 18개까지 있으며, 마이크로소프트는 그 상위 절반에 속합니다.
하위 점수는 종합 점수보다 더 많은 정보를 준다. 왜냐하면 포스트트레이닝이 무엇을 얻었는지 보여 주기 때문이다. AA의 여섯 가지 구성 평가에서 Decision 1.1은 When2Call 도구 호출에서 95.1, EvalSafe-O*NET에서 88.8, 대칭성에서 75.7, AA-Paperclip 문서 결정에서 58.7, omniscience에서 60.5, HLE 객관식에서 46.1을 기록한다. 정확도 지수는 48.45로, 버전 1의 40.59보다 높다. 그리고 보정 측정치인 Brier 점수는 낮을수록 좋은데, 0.1965에서 0.1604로 개선된다. 그 Brier 변화는 이번 릴리스에서 가장 의미 있는 숫자다. 이는 확률들이 실제에 더 가까워졌다는 것을 말해 주며, 그것이 의사결정 모델에 임계값을 적용하는 일을 합리적인 엔지니어링 선택으로 만들어 주는 유일한 속성이다.

진짜 핵심은 베이스 모델 전환이다
버전 1은 덴스 9B 모델인 Qwen3.5-9B를 포스트 트레이닝한 것이었다. 버전 1.1은 약 4B 활성 파라미터를 가진 전문가 혼합(MoE) 모델인 Gemma 4 26B-A4B를 포스트 트레이닝한 것이다. Microsoft의 설명은 품질보다는 서빙 경제성에 관한 것이다. 판단에 충분한 활성 파라미터를 갖추고, A100, H100/200, GB200/300 플릿 전반에서 실행할 수 있을 만큼 작으며, 지연만이 아니라 비용을 위해 GPU 풀 전반에 요청을 라우팅하는 맞춤형 엔진을 갖춘다는 것이다.
세 가지 결과가 뒤따르며, 이는 플랫폼 팀이 주목해야 할 바로 그 결과들입니다. 첫째, 활성 파라미터가 4B인 MoE는 호출당 서빙 비용이 저렴한데, 그 정확한 이유는 모델 대부분이 유휴 상태이기 때문입니다 — 123 ms가 여기서 나옵니다. 둘째, 이번 전환은 언어와 캘리브레이션에 관한 설명을 처음부터 다시 씁니다: 베이스가 바뀌었고, 25개 언어 지원 주장은 새 베이스에 관한 것이며, 버전 1에서 측정한 어떤 캘리브레이션도 이전되지 않습니다. 셋째, 베이스의 라이선스는 Google의 것이고, 사후 학습된 모델은 Microsoft의 것이며 호스팅으로만 제공됩니다 — 따라서 오픈 웨이트 계보가 운영상 아무런 이점을 주지 않습니다. 이 모델은 다운로드할 수 없으며, 베이스가 오픈이라는 사실도 그것을 바꾸지 않습니다.
통화 비용, 실제로 지불하는 단위 기준
입력 토큰 백만 개당 $0.042일 때, 1,200토큰 티켓과 세 가지 선택지가 있는 질문을 담은 라우팅 호출의 비용은 약 $0.00005, 즉 1센트의 100분의 5입니다. 이런 호출 백만 건은 가격표 기준으로 대략 $50입니다. AA가 측정한 백만 작업당 $139.64는 더 높은데, 그 작업들이 지원 티켓보다 길기 때문입니다. 이는 토큰당 가격과 작업당 비용이 서로 다른 단위이며 예산 검토에서 드러나는 것은 후자라는 점을 일깨워 주는 유용한 사례입니다.
경제성을 이해할 수 있게 해 주는 비교는 동일한 작업을 JSON 모드에서 수행하는 일반 모델과의 비교입니다. 그 출력 토큰에 비용을 지불하는데, 구조화된 답변의 경우 호출당 0이 아니라 수십에서 수백 개의 토큰이며, 답변 전에 수행하는 추론에도 비용을 지불합니다. 그것이 Microsoft가 79x로 설명하는 격차이며, 정확한 배수가 공급업체가 기준선을 선택한 결과라 해도 그 격차는 실재합니다.
어색해지는 지점은 단일 공급업체 호스팅 스코어러에서 늘 그렇듯 같은 곳입니다. 가격표는 하나, 속도 제한은 하나, 리전 관련 설명도 하나뿐입니다. Foundry는 Global Standard 및 Data Zone Standard 배포를 제공하며, Data Zone 변형은 백만 토큰당 $0.05로 19% 더 비쌉니다. 워크로드가 지연 시간에 민감하다면 문서에서는 Foundry 리소스를 애플리케이션과 같은 위치에 두라고 권장합니다. 이는 정직한 조언이면서, 동시에 그 모델이 마법이 아니라 대기열 뒤에 있는 작은 MoE임을 알려주는 말이기도 합니다.
스택을 다시 구축하지 않고 목표에 도달하기
디시전 엔드포인트 자체는 OrcaRouter 카탈로그에 없고, 그 전신도 마찬가지입니다 — Microsoft는 이 모델을 Foundry를 통해서만 제공하며 다른 곳에서는 제공하지 않습니다. 카탈로그에 있는 것은 공급사 정가에 0% 마크업을 그대로 적용한 가격으로, 구매 전에 그 결정을 가격 책정하는 데 필요한 두 가지 대상입니다. Gemma 4 26B A4B는 포스트트레인의 베이스이며 입력 100만 토큰당 $0.25, 출력 100만 토큰당 $2.90에 라우팅됩니다. 포스트트레인이 아닌 베이스이므로 Decision 1.1의 보정된 확률을 반환하지는 않지만, 동일한 아키텍처이며 그 형태의 범용 모델에 드는 비용을 정직하게 보여주는 하한선입니다. Jev 1.14는 Microsoft가 이름을 붙이고 독립 보드에서 1.55포인트 차이로 앞서는 모델로, 입력과 출력 모두 100만 토큰당 $0.042에 라우팅됩니다.
그 조합은 운영 단계보다는 평가 단계에 유용합니다. 의사결정 모델이 라우팅 경로에 포함되어야 하는지 자체를 판단 중이라면, Azure 배포를 열기도 전에 하나의 키를 통해 자체 레이블이 지정된 티켓에서 두 라우팅 가능한 엔드포인트를 벤치마크하고 공급자 간 자동 페일오버를 적용할 수 있습니다. 답이 '예'이고 수치가 Decision 1.1에 유리하다면, Foundry에 배포하고 라우터를 앞단에 유지하십시오. 의사결정 호출과 생성 호출 모두에 하나의 엔드포인트를 사용하므로 의사결정 모델의 속도 제한이 애플리케이션의 장애가 되지 않습니다.

누가 지금 움직여야 하고, 누가 2주를 기다려야 합니까?
이미 일반 모델에 비용을 지불해 분류, 등급화 또는 게이팅을 하고 있고, 호출당 비용이 차트에 보일 만큼 볼륨이 크다면 지금 움직이세요. 123 ms 중앙값과 $0.042 가격은 동일한 판단을 수행하는 프론티어 모델보다 확실한 우위이며, 멀티모달 입력은 스크린샷을 대상으로 지정할 수 있는 스코어러와 그럴 수 없는 스코어러를 가르는 차이입니다.
신용, 고용, 주거, 보험, 의료, 법률처럼 사람에게 영향을 미치는 결정이라면 잠시 멈추세요 — Microsoft 자체 카드에서 해당 영역의 유일한 의사 결정자로 사용하지 말라고 명시하고 있으며, {{1}}1.1{{/1}}의 무엇도 이를 바꾸지 않습니다. 또한 방어 가능한 보정이 필요하다면 잠시 멈추세요: {{2}}1.1{{/2}}의 Brier 점수 {{3}}0.160{{/3}}은 개선일 뿐 보장이 아니며, 문서에서도 점수가 문구와 선택지 순서에 따라 달라진다고 솔직히 밝히고 있습니다. 자체 레이블로 검증하고, 선택지 순서를 무작위화하고, 공급업체 차트가 아니라 두 오류 유형의 비용을 기준으로 임계값을 설정하세요.
11월 17일에 대한 정직한 요약은 200배라는 헤드라인보다 작고 더 유용하다. Microsoft는 요청별 판단을 감당할 수 있는 가격에 더 빠르고, 멀티모달이며, 더 잘 보정된 의사결정 스코어러를 출시했고, 그것은 독립적인 경쟁 환경에서 최상위가 아니라 상위 절반에 들 만큼 충분히 좋다. 모델은 진짜다. 트윗에 있는 비율은 아니다.
