Een gegenereerde titelkaart met als kop 'MAI Decision 1 vs Microsoft Decision 1' en als ondertitel 'dezelfde productlijn, zes indexpunten uit elkaar', opgedeeld in twee afgeronde panelen rond een 'vs'-schijf. Het linkerpaneel, 'Microsoft-Decision-1.1', bevat de subregel 'GA 17 november 2026' en de rijen '67,78 beslissingsindex', '123 ms per taak', 'afbeeldingen en tekst' en 'Gemma 4 base'; het rechterpaneel, 'Microsoft-Decision-1', bevat 'GA 8 oktober 2026', '62,07 beslissingsindex', '274 ms per taak', 'alleen tekst' en 'Qwen3.5 base'. Een voettekst luidt: 'Beide worden vermeld tegen /bin/bash.042 per miljoen invoertokens.' Het OrcaRouter-logo is samengevoegd in de witte strook onder de afbeelding.
Guides & Insights

MAI Decision 1 vs Microsoft Decision 1: Dezelfde productlijn, zes punten verschil

Auteur

jinhao.song

Publicatiedatum

Nieuwste modellen · 20Bekijk alle modellen →
Benchmarks: Artificial Analysis · dagelijks bijgewerkt
Terug naar alle berichten

Deze vergelijking bevat een valstrik, en de valstrik is de premisse. MAI Decision 1 en Microsoft Decision 1 zijn geen twee concurrerende modellen. Het is dezelfde Microsoft-productlijn, met één versie verschil: het model dat de Ignite-verslaggeving MAI Decision 1 noemde, is Microsoft-Decision-1.1, en Microsoft-Decision-1 is de oktoberrelease die het vervangt. De nuttige vergelijking is dus niet "welke leverancier wint" — het is "wat hebben vijf weken en een nieuw basismodel opgeleverd, en is de upgrade een migratie waard voor iedereen die al in productie is op het oudere endpoint". Het korte antwoord: zes indexpunten, de helft van de latentie, beeldinvoer, en een prijslijst die niet is gewijzigd.

Naamgeving, in één keer vastgelegd

Het label aan de linkerkant van deze vergelijking komt uit keynote-verslaggeving, niet van Microsoft. De eigen strings van de leverancier zijn "Decision 1.1" in de Ignite-line-uppost en "Microsoft-Decision-1.1" op de Foundry-blog en modelkaart; het MAI-voorvoegsel reisde mee met MAI Code 2 en MAI Cyber 2 Flash door dezelfde artikelen van derden en bleef hangen. Dus deze pagina vergelijkt versie 1.1 met versie 1 van één productlijn, en de interessante vraag is niet welke leverancier wint, maar wat vijf weken en een ander basismodel hebben veranderd.

Versie 1 is niet ingetrokken. Het staat nog steeds vermeld in Foundry en wordt nog steeds gescoord op de onafhankelijke ranglijst, waardoor de twee namen steeds naast elkaar in vergelijkingstabellen blijven opduiken — soms als rivalen van verschillende bedrijven, wat ze niet zijn.

Zes weken, twee modellen, één prijs

Versie 1 werd op 8 oktober 2026 algemeen beschikbaar (GA): een post-train van A​libaba's Qw​en3.5-9B die alleen tekst verwerkt, gekalibreerde waarschijnlijkheden over een vaste set opties, een maximum van 32.768 tokens, geen gewichten en geen gepubliceerde benchmarkcijfers. Versie 1.1 verscheen op 17 november met een Gemma 4 26B-A4B-basis, beeldinvoer en een volledig prestatieverhaal — terwijl de prijslijst precies bleef waar die was: $0,042 per miljoen tokens.

• Basismodel — Qwen3.5-9B, dense, 9B totaal versus Gemma 4 26B-A4B, mixture-of-experts met ongeveer 4B actief; beide intern post-getraind

• Modaliteit — alleen tekst versus tekst, JSON en PNG/JPEG-afbeeldingen, tot 8 per vraag

• Invoerplafond — 32,768 tokens vs 32,768 tokens, ongewijzigd

• Vraagtypen — ja/nee, meerkeuze, beoordeling, classificatie, rubric versus dezelfde set, aangeboden als drie getypeerde primitieven (noul, choice, score)

• Prijs — $0,042/M tokens Global Standard, $0,05 EU en APAC vs identiek

• Gemeten latentie — 274,25 ms per taak vs. 123,25 ms per taak, Artificial Analysis

• Gemeten kosten — $ 142,56 per miljoen taken tegenover $ 139,64 per miljoen taken, Artificial Analysis

• Decision Index v2.1 — 62,07 vs 67,78

• Gewichten — geen, alleen gehost in Foundry vs geen, alleen gehost in Foundry

De ene regel die niet veranderde, is de post waarop de meeste teams budgetteren, en degene die het meest veranderde, is degene waar niemand over communiceert: de latentie is gehalveerd terwijl de prijs per token gelijk bleef, omdat de nieuwe basis een sparse model is dat per aanroep veel minder werk verzet.

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.

Waar de zes punten van gemaakt zijn

De samengestelde kloof van 5,71 is niet gelijkmatig verdeeld, en die ongelijkmatigheid vertelt je voor welke workloads de upgrade is gebouwd. Op de zes samenstellende evaluaties van Artificial Analysis, bij het lezen van het scorebord op 18 november 2026:

• When2Call-toolaanroeping — 95,1 op 1.1 tegen 87,9 op versie 1, een winst van 7,1 punt en degene die ertoe doet voor agent-guardrails

• EvalSafe-O*NET werkplekbeoordeling — 88,8 tegen 86,8

• AA-Symmetry, beslissingsinvariantie bij herformulering — 75,7 tegen 70,4

• AA-Paperclip documentbeslissingen — 58,7 tegen 51,8, de grootste absolute sprong

• AA-Omniscience, kennis en hallucinatie — 60,5 tegen 54,9

• HLE-redenering met meerkeuzevragen — 46,1 tegen 39,4

Elke deelscore verbeterde, wat ongebruikelijk is en het totaal betrouwbaar maakt; een samengestelde score die stijgt op één evaluatie en daalt op twee is meestal een wegingsartefact. De invariantiewinst is de stille die het vermelden waard is. Symmetrie meet of een beslissing standhoudt wanneer de opties worden herordend of de vraag anders wordt geformuleerd — precies de faalmodus waarvoor Microsofts eigen documentatie waarschuwt, en precies de eigenschap die bepaalt of een drempel die je in staging hebt afgesteld nog steeds afgaat in productie. Van 70 naar 76 gaan op dat punt is een grotere operationele verandering dan van 62 naar 68 op de hoofdscores.

De kalibratie verbeterde in dezelfde richting. De Brier-score, die de gekwadrateerde kloof meet tussen een opgegeven waarschijnlijkheid en de waarheid, daalde van 0,1965 naar 0,1604 — lager is beter. De nauwkeurigheid van de gekozen optie steeg van 40,6 naar 48,5. Beide cijfers zijn metingen van Artificial Analysis op zijn eigen taken, niet die van Microsoft, en dat is de reden om er gewicht aan toe te kennen: Microsofts eigen lanceerkader voor 1.1 is een score van 68, "zes punten hoger dan ons eerste model", en de onafhankelijke beoordeling komt binnen een half punt daarvan uit op 67,78 met een winst van 5,71 punten. Voor één keer zijn de leverancier en de auditor het in grote lijnen eens.

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.

Waar het oudere model nog steeds de juiste keuze is

Er zijn drie verdedigbare redenen om bij Microsoft-Decision-1 te blijven, en geen daarvan is performance.

Het eerste is een bevroren evaluatie. Als je drempelwaarden hebt gekalibreerd op versie 1 met je eigen gelabelde data — en dat zou je gedaan moeten hebben — dan maakt een wijziging van het basismodel dat werk ongeldig. Een dense 9B-model dat post-training heeft gehad voor scoring en een 26B MoE-model dat post-training heeft gehad voor scoring falen niet op dezelfde plekken, en de documentatie voor 1.1 zegt expliciet dat kalibratie het sterkst is bij bekende taaktypen en kan verschuiven met de formulering. Opnieuw tunen is een reële kostenpost, en die komt bij het team terecht, niet bij de leverancier.

De tweede is taaldekking. Versie 1 bevatte een post-trainingverhaal voor 25 talen op een Qw​en-basis met ruim meer dan 200 beschikbare talen. Versie 1.1 bevat een verhaal voor 25+ talen op een Gemma-basis met gedocumenteerd 35+. Vijfentwintig plus is niet vijfentwintig, en als je een meertalige wachtrij draait, is de eerlijke zet om te testen in plaats van aan te nemen dat het aantal is gestegen.

De derde is de vorm van je afhankelijkheid. Beide versies zijn uitsluitend gehost, één leverancier, één prijslijst, één rate-limitregime. Upgraden verandert je storingsdomein zonder het te verkleinen. Als je het endpoint al achter je eigen fallback hebt gewikkeld, kost op 1 blijven je latency en nauwkeurigheid, maar niet je beschikbaarheid; als je dat niet hebt gedaan, levert upgraden je een sneller model op achter hetzelfde single point of failure.

De twee naast elkaar draaien voordat je commit

De migratie zelf is klein, en dat is het prettige eraan. De endpointvorm is ongewijzigd — een state plus getypeerde vragen aan de decision-route op een Foundry-resource — en de deployment is een wijziging van modelversie in plaats van een herschrijving van de integratie. Wat verandert, is alles stroomafwaarts van de respons: de waarschijnlijkheden, de drempels en de subscores hierboven.

Draai beide. Stuur dezelfde gelabelde batch naar beide implementaties, vergelijk de nauwkeurigheid van de gekozen optie bij de drempelwaarde die je daadwerkelijk gebruikt, en kijk specifiek naar de staarten — de gevallen waarin versie 1 0,55 retourneerde en versie 1.1 0,88 retourneert, zijn de gevallen die je escalatiepercentage geruisloos zullen veranderen. De symmetriewinst suggereert dat 1.1 stabieler zou moeten zijn bij het herordenen van opties; verifieer dat met je eigen prompts in plaats van het getal te vertrouwen.

De rechter en het beoordeelde op één sleutel is de opzet die de meeste teams uiteindelijk willen, en geen van beide Decision-modellen kan je dat geven: beide zijn uitsluitend bij Foundry gehoste endpoints, dus de router ervoor is je eigen code. Wat de router intussen wel kan doen, is besturingselementen leveren. Gemma 4 26B A4B — de basisversie waarvan versie 1.1 is post-getraind — loopt via OrcaRouter tegen $0.25 per miljoen inputtokens en $2.90 per miljoen output, en Jev 1.14, het decisionmodel waarmee Microsoft zichzelf benchmarkt, tegen $0.042 per miljoen in en uit. Geen van beide reproduceert de gekalibreerde antwoorden van 1.1. Beide vertellen je of een algemeen model op je eigen data binnen een paar punten van het decisionmodel komt, en dat is de vraag die bepaalt of je er überhaupt een nodig hebt.

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.

De versievraag, beantwoord.

Als je vandaag kiest en geen legacy-drempels te verdedigen hebt, neem 1.1. Het is sneller op een onafhankelijke meting met een factor 2,2, iets goedkoper per taak, beter gekalibreerd, beter in tool-call-gating, en de enige van de twee die een screenshot zal lezen. De prijslijst is identiek, dus de upgrade is marginaal gratis.

Als je al met versie 1 in productie bent, is de upgrade de moeite waard en niet urgent op de manier waarop een beveiligingspatch urgent is. Reserveer tijd voor het opnieuw afstellen, houd de oude deployment in leven totdat de nieuwe drempelwaarden standhouden bij liveverkeer, en beschouw de symmetrieverbetering als reden om minder verrassingen te verwachten, niet als een belofte dat die er niet zullen zijn.

Wat deze confrontatie niet is, is een keuze tussen leveranciers. Beide namen verwijzen naar Microsofts beslissingslijn, vijf weken en één basismodel van elkaar verwijderd, tegen dezelfde $0,042 per miljoen tokens. De interessante vraag was nooit welke van de twee wint; het is of de tweede genoeg beter is om een herkalibratie te betalen. Op een onafhankelijk board is dat het geval.