ScaleDown Classify vs Microsoft-Decision-1: de een publiceert cijfers, de ander publiceert methode

ScaleDown Classify en Microsoft-Decision-1 zijn de twee gesloten, gehoste opties in deze vergelijking. Geen van beide levert gewichten, geen van beide is iets dat je downloadt, en beide zijn gebouwd op hetzelfde uitgangspunt: dat een beslissing — welke categorie, welke optie, welke van deze — moet worden afgelezen uit de waarschijnlijkheden van een model in plaats van als tekst te worden uitgeschreven door een generatielus. Microsoft-Decision-1 is sinds 8 oktober 2026 algemeen beschikbaar op Microsoft Foundry als een dense decoder met 9 miljard parameters, door Microsoft nagetraind, met 25 ondersteunde talen en een context van 32.768 tokens. ScaleDown Classify is een gehoste rubric-engine voor $0,05 per miljoen inputtokens en $0 per miljoen outputtokens, met een invoerlimiet van 1M tokens en een maximum van twintig labels. Wat hen onderscheidt, is niet hun capaciteit. Het is wat elk bedrijf bereid is over zijn eigen model te publiceren, en ze hebben tegenovergestelde helften gekozen.

De openbaarmakingsinversie

De Foundry-documentatie van Microsoft-Decision-1 beschrijft de evaluatie ervan in ongewoon veel detail. Openbare en community-beslissingsbenchmarks plus achtergehouden interne sets. Metrieken waaronder nauwkeurigheid en kalibratiefout. De volgorde van opties werd gevarieerd. Gepaarde statistische tests. Een identieke testomgeving voor elk model waarmee het wordt vergeleken. En dan meldt het dat het model "presteert op het niveau van toonaangevende beslissingsmodellen en beter dan andere open beslissingsmodellen die met dezelfde methodologie zijn geëvalueerd" — en er worden helemaal geen cijfers gepubliceerd. Geen nauwkeurigheidscijfer, geen kalibratiefout, geen tabel per benchmark.

Wat Microsoft wél publiceert, is een lijst met beperkingen, en het is een goede. Scores verschuiven afhankelijk van formulering en de volgorde van de opties. Een slecht geformuleerde vraag levert nog steeds een score op. Kalibratie is het sterkst bij bekende taaktypen. Er wordt geen uitleg gegeven. De genoemde sterke punten van het model zijn redeneren, toepassing van regels en robuustheid tegenover de opmaak van prompts; de genoemde zwakke punten zijn gespecialiseerde domeinkennis en prestaties in niet-Engelse talen.

ScaleDown Classify hanteert het spiegelbeeld van dat beleid. De documentatie gaat tot in operationele details over hoe je een verzoek schrijft — de rubric wordt beschreven als het belangrijkste onderdeel van een classificatieverzoek, geformuleerd als een directe ja/nee-vraag, waarbij negaties worden vermeden, en niet-overlappend gehouden zodat de kansmassa niet onvoorspelbaar wordt verdeeld — en de marketing van de leverancier bevat nauwkeurigheids- en kostenclaims, waaronder een model met ruwweg een half miljard parameters dat 91,7% bereikt op een eenvoudige classificatietaak, tegenover 88,6% voor een model met 72 miljard parameters. Geen daarvan is gekoppeld aan een beschreven methodologie, en ScaleDown Classify heeft geen gepubliceerde verwachte calibratiefout op enige openbare testomgeving.

Dus de keuze is tussen een leverancier die je vertelt hoe hij het heeft gemeten en niet wat hij heeft gevonden, en een leverancier die je vertelt wat hij heeft gevonden en niet hoe hij het heeft gemeten. Geen van beide is een volledige openbaarmaking, en geen van beide moet als zodanig worden behandeld.

Talen: de ene publiceert een telling, de andere publiceert niets

Microsoft-Decision-1 vermeldt 25 ondersteunde talen en stelt ronduit dat dekking, kwaliteit en kalibratie "per taal kunnen verschillen", waarbij niet-Engelstalige en vooral laagresource-talen worden genoemd als gebieden waar de prestaties tekortschieten. Dat is een bruikbare mededeling: je leert eruit dat het model meertalig is, ongeveer hoe meertalig, en waar je het niet moet vertrouwen.

De Classify-documentatie van ScaleDown publiceert geen talenlijst. Niets in de API-referentie vermeldt welke talen de rubricscoring aankan, of rubricformuleringen in een niet-Engelse taal zich hetzelfde gedragen, en de rubricrichtlijnen — formuleer het als een directe ja/nee-vraag, vermijd ontkenningen — zijn geschreven op een manier die impliciet uitgaat van een Engelstalige aanroeper die Engelse rubrics schrijft. Voor een classifier die in de praktijk op internationale supporttickets wordt gericht, is dat de kloof die je moet dichten voordat je je vastlegt, en het is een kloof die alleen je eigen evaluatie kan dichten.

Als u een gedocumenteerde taalvoetafdruk nodig hebt, eindigt deze vergelijking hier en wint Microsoft standaard. Als u alleen Engels gebruikt, is het aantal geen factor en gaat de rest van de beslissing over invoerlengte en drempels.

Context: 32.768 tokens tegenover een miljoen

Microsoft documenteert één aanroep over maximaal 32.768 tokens. ScaleDown documenteert een invoerlimiet van 1M tokens en stelt dat de kalibratie per chunk identiek is, of een chunk nu alleen wordt verzonden of als onderdeel van een batch van vijftig chunks, waarbij het gedeelde profiel één keer per verzoek wordt gefactureerd. Op het ruwe getal is dat een dertigvoudig verschil, en het is het grootste enkele verschil tussen de twee producten.

Wat het oplevert is niet doorvoer — het is de vraag of je een chunkinglaag nodig hebt. Een supportthread, een ticket met zijn geschiedenis, een korte opgehaalde passage: dat past allemaal binnen 32k, met ruimte voor een vragenschema, en op die grootte zijn de twee modellen ongeveer gelijkwaardig. Een volledig contract, een beleidsdocument van meerdere pagina's, een lange opgehaalde context of een gescand formulier: niets daarvan past in 32k, en het documentpad van Classify — base64 JPEG, PNG, TIFF of PDF, één of meerdere pagina's, waarbij de geëxtraheerde tekst wordt teruggegeven in een ocr_text-veld — betekent dat het document als bytes naar binnen kan in plaats van als voorbewerkte tekst.

Beide cijfers zijn van de leveranciers zelf. De claim van ScaleDown over een miljoen tokens is niet onafhankelijk bevestigd, en catalogusvermeldingen van derden voor het model geven de contextlengte weer als niet van toepassing in plaats van het getal te herhalen, wat een beperking van de catalogus is en geen tegenstrijdigheid.

Uitleg: de een weigert, de ander rekent het dubbele.

Microsoft-Decision-1 geeft geen uitleg, en op de modelpagina wordt dat vermeld als een beperking en niet als een ontwerpkeuze. ScaleDown Classify retourneert een uitleg van één zin bij het bovenste label, en de documentatie is zorgvuldig over wat die zin is: hij wordt gegenereerd nadat het bovenste label is vastgesteld, dus hij verklaart de beslissing in plaats van die in twijfel te trekken, hij is vrij van vorm, en hij stuurt de labels en rubrics opnieuw mee tegen 2x gefactureerde invoertokens. Hij is alleen beschikbaar voor aanvragen met één label en één tekst- of documentinvoer — aanvragen met meerdere labels en batchaanvragen retourneren hem nooit.

Voor een menselijke beoordelingswachtrij is die zin vaak het verschil tussen een beoordelaar die een classificatie accepteert en een beoordelaar die deze opnieuw moet doen, waardoor de toeslag van 2x gemakkelijk te rechtvaardigen is voor het deel van het verkeer dat een mens bereikt. Voor een geautomatiseerde pipeline is het dood gewicht op de rekening, en het zou uit moeten staan.

Beide zijn gesloten, en dat verandert wat je kunt testen.

• Gewichten — geen van beide levert ze mee; ScaleDown biedt self-hosting voor bedrijven en licenties op aanvraag, op de pagina van Microsoft wordt helemaal geen fine-tuningtraject gedocumenteerd

• Optieplafond — ScaleDown 20 labels per verzoek, 16 in multi-labelmodus, onafhankelijk gescoord; het optiesetplafond van Microsoft-Decision-1 wordt niet vermeld op de modelpagina

• Batch-inferentie — ScaleDown documenteert tot 50 chunks per verzoek tegen een gedeeld labelprofiel; op de pagina van Microsoft staat batch-inferentie vermeld als uitgeschakeld

• Openbaarmaking van facturering — Het tarief van Classify staat vermeld, namelijk $0,05 per miljoen invoertokens en $0 per miljoen uitvoertokens; het tarief per token van Foundry staat niet op de modelpagina vermeld

• Prijsvorm — Classify vermenigvuldigt met je labelaantal in multi-labelmodus en verdubbelt wanneer reasoning is ingeschakeld; het Foundry-tarief is per token zonder gepubliceerde labelmultiplier

• Leeg antwoord — Classify retourneert altijd een winnaar, zelfs als niets past, dus jij bepaalt de drempelwaarde; het door Microsoft aangegeven gedrag is dat een slecht geformuleerde vraag toch een score oplevert

Het gevolg van het feit dat beide gesloten zijn, is in beide gevallen hetzelfde: je kunt het artefact niet inspecteren, dus je enige verificatie is gedragsmatig. Dat maakt een achtergehouden set van je eigen gelabelde data niet optioneel, en het maakt de kosten van het wisselen van provider een herhaling van die evaluatie in plaats van een codewijziging.

Waar OrcaRouter zich bevindt in een pipeline die op een van beide is gebouwd

Geen van deze modellen staat in onze catalogus, en niets hier is een beschikbaarheidsclaim — het zijn allebei gestructureerde scoring-endpoints in plaats van chat-completions-targets, en een routeringslaag is niet wat een van beide nodig heeft. Wat wij leveren is de laag daarboven: de ruim 200 generatieve modellen achter één OpenAI-compatibele sleutel die de concepttekst produceren die de classifier beoordeelt, tegen providerlijstprijs doorgegeven met 0% opslag, met een routerings-DSL om meerdere modellen in één aanroep samen te stellen en automatische failover wanneer een serveerpad verslechtert. Als een beslissingsmodel bepaalt wat je generatielaag mag uitleveren, dan is de generatielaag waar je uptime-risico zit, en dat is de helft die één sleutel kan consolideren.

Welke moet je kiezen?

Kies Microsoft-Decision-1 als je een gedocumenteerde taalfootprint nodig hebt, als je al in Azure zit, of als de compliancehouding van een grote leverancier voor jouw inkoop zwaarder weegt dan een gepubliceerd nauwkeurigheidscijfer. Accepteer dat je het volledig op je eigen data zult evalueren, omdat Microsoft ervoor heeft gekozen je niets anders te geven.

Kies ScaleDown Classify als je inputs meer dan 32k tokens bevatten, als je wilt dat de extractiestap wordt opgenomen in de classificatieaanroep, of als je een rubric per label wilt die je kunt herschrijven zonder iets te hertrainen. Accepteer dat het nauwkeurigheidsargument van de leverancier zelf is en niet is gereproduceerd, dat er geen kalibratiegetal is gepubliceerd, en dat je je eigen betrouwbaarheidsdrempel en een allesomvattend label zult moeten schrijven.

De meting die hierover zou beslissen — beide modellen op identieke inputs, dezelfde volgorde van opties, dezelfde threshold sweep, uitgevoerd door iemand zonder belang bij de uitkomst — is door geen van beide leveranciers gepubliceerd. Totdat een van hen die uitvoert, is de eerlijke lezing dat Microsoft de veiligere standaardkeuze is en ScaleDown het capabelere instrument.

Vergelijkingen zoals deze zijn ook waar de faalmodi aan het licht komen: de gedocumenteerde AI-incidenten en agentfouten achter modellen in deze klasse zijn verzameld in het OrcaRouter AI Incident Archive , waar elke vermelding zijn eigen bronnen, ernstgraad, betrouwbaarheidsgraad en betwist-markering bevat.