Gemini Decision 1 vs Microsoft-Decision-1: dwa mechanizmy oceny od hyperscalerów, cztery punkty różnicy

Dwaj najwięksi dostawcy chmury sprzedają teraz model, który odpowiada prawdopodobieństwem zamiast zdaniem, i żaden z nich nie powie, jak dobrze działa. Microsoft-Decision-1 wszedł do ogólnej dostępności w Microsoft Foundry 8 października 2026: bazowy Qwen3.5-9B dotrenowany przez Microsoft, tekst na wejściu, 32 768 tokenów kontekstu, skalibrowane rozkłady na wyjściu, wagi nie są udostępniane. Gemini Decision 1 pojawił się 11 listopada 2026 w Gemini Developer API: tekst, obraz, wideo, audio i PDF na wejściu, 262 144 tokeny kontekstu, do 1000 wpisanych pytań na żądanie, 0,10 USD za milion tokenów wejściowych, wagi również nie są udostępniane. Oba zawierają sekcję metodologiczną, ale nie zawierają tabeli wyników, co sprawia, że jedynym niezależnym narzędziem, w którym można je porównać, pozostaje Artificial Analysis, gdzie dzieli je cztery punkty i zajmują dziewiąte i dziesiąte miejsce na osiemnaście.

Cztery punkty to nie jest interesująca różnica. Interesująca różnica polega na tym, że w ocenie, dla której faktycznie kupuje się większość modeli decyzyjnych, te dwa dzieli zaledwie pięć punktów, podczas gdy oba znajdują się blisko dna stawki, a model, który wygrywa w rankingu ogólnym, robi to zupełnie gdzie indziej.

Co każdy z nich stawia przed tobą

Struktury zapytań są na tyle podobne, że klient napisany dla jednej z nich da się przystosować do drugiej w jedno popołudnie, a zarazem na tyle różne, że wybór zwykle zapada, zanim ktokolwiek przeczyta jakikolwiek benchmark.

• Dane wejściowe — Gemini Decision 1 obsługuje tekst, obrazy, wideo, audio i PDF, do 100 MB przesyłanych bezpośrednio w żądaniu i 15 MB na zewnętrzny URL. Microsoft-Decision-1 obsługuje tekst serializowany do 32 768 tokenów. Zeskanowany formularz lub nagranie rozmowy to natywne dane wejściowe dla jednego, a dla drugiego — zadanie wstępnego przetwarzania.

• Kontekst — 262 144 tokeny dla Gemini Decision 1, współdzielone między danymi wejściowymi a każdym pytaniem. 32 768 dla Microsoft-Decision-1, przy czym dane wejściowe wraz ze zbiorem opcji zużywają tę pulę, a nie ma budżetu generowania do odjęcia, ponieważ nie ma generowania.

• Formy pytań — Gemini Decision 1 formalizuje trzy: tak/nie ograniczone do 0,01–0,99, wybór spośród od 2 do 255 nazwanych opcji oraz punktację w skali od 2 do 255 uporządkowanych poziomów zwracającą oczekiwany poziom ważony prawdopodobieństwem. Microsoft-Decision-1 obejmuje tak/nie, wybór wielokrotny, ocenianie, klasyfikację i punktowanie według kryteriów oraz wyraźnie obsługuje opcje wstrzymania się, takie jak „nie można stwierdzić”, w zestawie opcji.

• Grupowanie w ramach jednego żądania — do 1000 niezależnych pytań dla Gemini Decision 1, z których każde jest odizolowane od pozostałych, a wszystkie opierają się na jednym rozliczanym odczycie współdzielonego wejścia. Opublikowana specyfikacja Microsoft-Decision-1 przewiduje jeden stan i jeden zestaw pytań na wywołanie, więc szerokość zakresu wynika z grupowania pytań, a nie z udokumentowanego limitu na żądanie.

• Cena — 0,10 USD za milion tokenów wejściowych w przypadku Gemini Decision 1, bez opłaty za wyjście, ponieważ liczba tokenów wyjściowych wynosi zero. Tablica odnotowuje dla niego 345 USD za milion zadań oraz 143 USD za milion zadań dla Microsoft-Decision-1 według śledzonej przez nią stawki za tokeny wejściowe.

• Dostęp — Gemini Developer API tylko w wersji v1beta, z bezpłatnym poziomem obejmującym 200 żądań na minutę i 10 000 dziennie, nieograniczoną liczbą dziennych żądań od poziomu Tier 2 oraz brakiem pozycji w Vertex AI w dokumentacji opublikowanej przez Google. Microsoft-Decision-1 jako wdrożenie Foundry w ramach portfolio Direct from Azure, z opcjami bezserwerowymi i ujednoliconym punktem końcowym, standardową jednostką SKU, uwierzytelnianiem Azure i jedną ścieżką rozliczeń, wyłączonym wnioskowaniem wsadowym oraz brakiem możliwości pobierania wag i dostrajania.

Kwestia dostępu to obszar, w którym podejmuje się decyzje zakupowe, a nie techniczne. Jeśli Twoja organizacja kupuje w ramach zobowiązania Azure, Microsoft-Decision-1 to faktura, którą już wiesz, jak opłacić. Jeśli kupuje przez Google Cloud, Gemini Decision 1 obecnie nią nie jest — jedynym udokumentowanym wejściem jest klucz API Gemini, który stanowi inną pozycję budżetową, a w przypadku niektórych przedsiębiorstw — inny proces zatwierdzania.

Tablica wyników, komponent po komponencie

Decision Index firmy Artificial Analysis ocenia każdą ewaluację jako dokładność minus karę Briera za pewność przypisaną do odpowiedzi, ważoną w sześciu komponentach. Oto jak oba modele je rozdzielają:

• AA-Paperclip, waga 30% — Gemini Decision 1 56,8 wobec Microsoft-Decision-1 51,8. Oba są słabe. Odsetek dokumentów zaliczonych w trybie wszystko-albo-nic wynosi 33% dla Gemini Decision 1 i 20,9% dla Microsoft-Decision-1, wobec 63% dla lidera zestawienia. Żaden z modeli hiperskalerów nie wyodrębnia niezawodnie piętnastu faktów z gęstego dokumentu.

• EvalSafe-O*NET-AA, 15% — 87,1 wobec 86,8. Praktycznie identyczne, a oba blisko szczytu ciasno skupionej stawki.

• When2Call, 10% — 80,5 wobec 88,0. Microsoft-Decision-1 wyraźnie wygrywa tę konkurencję i plasuje się blisko liderów; Gemini Decision 1 zajmuje czternaste miejsce na osiemnaście.

• AA-Omniscience-Decision v1.1, 15% — 66,3 przeciwko 54,9. Gemini Decision 1 zajmuje pierwsze miejsce w zestawieniu; powodem jest jego 49,6% wskaźnik braku halucynacji. Microsoft-Decision-1 zgłasza tutaj 21,7% braku halucynacji, co jest liczbą, która powinna zaniepokoić każdego, kto planuje ustalać próg dla jego abstynencji.

• HLE-MultiChoice v1.1, 15% — 48,7 wobec 39,4. Pierwsze miejsce wobec jedenastego. Surowa dokładność wynosi 13,2% wobec 8,6%, a wskaźnik braku halucynacji 35,7% wobec 15,1%.

• AA-Symmetry v1.1, 15% — 70,5 wobec 70,4. Łeb w łeb, oba w środku tabeli, z tą samą odpowiedzią przy zmianie kolejności i negacji odpowiednio w 38,3% i 51,7% rodzin pytań.

Wynik łączny wynosi 65,98 i 62,07, dziewiąte i dziesiąte miejsce. Przyjrzyj się składowym, a kształt każdego produktu staje się jasny. Microsoft-Decision-1 to solidny oceniacz wywołań narzędzi i osądu w miejscu pracy, którego wiedza i zachowanie polegające na wstrzymywaniu się od odpowiedzi są słabe. Gemini Decision 1 jest odwrotnością: najlepsze wyniki w zakresie wiedzy i wstrzymywania się od odpowiedzi w całym zestawieniu, w połączeniu ze średnią ekstrakcją i słabym rozróżnianiem wyboru narzędzi.

To, co ich łączy, jest tym, co powinno wzbudzać podejrzenia.

Żaden z dostawców nie publikuje tabeli benchmarków. Karta modelu Microsoft-Decision-1 opisuje jego metodologię — publiczne i społecznościowe benchmarki decyzyjne, wyodrębnione zestawy wewnętrzne, dokładność i błąd kalibracji, zmieniany porządek opcji, sparowane testy statystyczne — i twierdzi, że model „osiąga wyniki na poziomie wiodących modeli decyzyjnych i wyprzedza inne otwarte modele decyzyjne oceniane według tej samej metodologii”. Pod tym zdaniem nie ma żadnej tabeli. Informacje o wydaniu Gemini Decision 1 ogłaszają model i podają link do dokumentacji API, która wymienia obsługiwane i nieobsługiwane funkcje, a nie podaje żadnej wartości dokładności.

To ma znaczenie, ponieważ cały interfejs modelu decyzyjnego to liczba, na podstawie której rozgałęzia się kod. Model czatu, który jest o kilka punktów słabszy, tworzy gorszą prozę; źle skalibrowany scorer po cichu kieruje 8% zgłoszeń do niewłaściwej kolejki, a nic w odpowiedzi ci o tym nie mówi. Dwóch czołowych dostawców wypuściło produkty, których główne twierdzenie — że prawdopodobieństwo znaczy to, co mówi — jest deklarowane w prozie i mierzone wyłącznie przez stronę trzecią.

Strona trzecia, na swój plus, mierzy oba tym samym narzędziem, dzięki czemu to porównanie jest w ogóle możliwe. Ale jedna tablica to jedna tablica, jej największy składnik to 45% danych prywatnych, a modele decyzyjne ocenia od zaledwie kilku tygodni. Liczby 66 i 62 traktuj jako pierwszy zewnętrzny odczyt, a nie jako ustaloną zdolność.

Który umieścić za twoim progiem?

Wybierz Microsoft-Decision-1, gdy decyzja polega na wywołaniu narzędzia lub ocenie dokumentu służbowego, gdy dane wejściowe to tekst, który z łatwością mieści się w 32 tys. tokenów, oraz gdy bramą wdrożeniową jest umowa Azure z ujednoliconym rozliczaniem i dołączonym pakietem Responsible AI. Jego wyniki 88,0 w When2Call i 86,8 w EvalSafe-O*NET to realne atuty, a jego jawne opcje abstynencji pozwalają zaprojektować furtkę „nie można stwierdzić” w zestawie opcji, zamiast dorabiać ją później.

Wybierz Gemini Decision 1, gdy dane wejściowe są długie, multimodalne lub współdzielone przez wiele pytań, gdy kluczowe są pytania wiedzowe i kontrola halucynacji oraz gdy jesteś gotów płacić za kontekst. Jego pierwsze miejsce w obu komponentach wiedzy i 49,6% wskaźnika braku halucynacji w AA-Omniscience to powody, by wybrać go zamiast tańszego modelu Microsoft, a 33% wskaźnik przepuszczalności dokumentów to powód, by nie wybierać go do zadań ekstrakcji.

Nie wybieraj żadnego z nich do ekstrakcji na dużą skalę. Oba modele oceniające od hiperskalerów plasują się w dolnej połowie komponentu dokumentowego o wadze 30%, a modele, które tam przodują — 27B model multimodalny od Nace.AI oraz 421M enkoder od Convai Innovations, który możesz dostroić samodzielnie — kosztują mniej na zadanie, a w przypadku otwartych wag można je trenować na własnych dokumentach.

Reszta pipeline'u nie musi być zakładnikiem tego.

OrcaRouter nie oferuje żadnego z tych modeli. Oba to punkty końcowe zwracające wyłącznie prawdopodobieństwa — jeden w Gemini Developer API, drugi w Foundry — i żaden z nich nie jest celem chat-completions, dlatego ich nie wymieniamy. Katalog zawiera natomiast typesafe/jev-1.14 firmy TypeSafe — model decyzyjny z wynikiem 66,23 w tym samym indeksie, co stanowi rozsądną trzecią opcję, jeśli chcesz, aby wywołanie punktujące odbywało się z użyciem tego samego klucza co wszystko inne.

Wywołanie, które otacza scorer, to miejsce, w którym router dowodzi swojej wartości, i to jest ta połowa, której te dwa produkty celowo nie obsługują. Coś musi napisać kryteria oceny, według których scorer ocenia, streścić 60-stronicowy dokument do 32K tokenów albo przygotować szkic odpowiedzi kandydata poddawanej rankingowi — a tym czymś jest model generatywny, którego cena i jakość zmieniają się co kilka tygodni. To wywołanie odbywa się przez jeden endpoint z ponad 200 modelami, po cenie katalogowej dostawcy przekazywanej bez marży (0%), z automatycznym przełączeniem awaryjnym, gdy dostawca pogarsza jakość oraz DSL routingu, jeśli chcesz, aby kilka modeli składało jedną odpowiedź. Utrzymaj część odpowiedzialną za pisanie w formie przenośnej, a decyzja o ocenie pozostanie odwracalna, co jest warte więcej niż cztery punkty indeksu, gdy obaj dostawcy wprowadzają zmiany co kwartał.

Co obejrzeć

Trzy sygnały zmieniłyby ranking i żaden nie nadszedł. Tabela wyników benchmarku Microsoftu z krzywymi kalibracji pozwoliłaby jego klientom Azure ustalać progi na podstawie dowodów; karta obecnie oferuje metodologię i twierdzenie. Pozycja w Vertex AI dla Gemini Decision 1 przeniosłaby go z zakupu klucza API na zakup kontraktu chmurowego i całkowicie zmieniła porównanie zakupowe. A druga niezależna komisja oceniająca oba modele powiedziałaby nam, czy czteropunktowa różnica to sygnał, czy szum rankingu sprzed trzech tygodni.

Do tego czasu najbardziej obronna interpretacja jest taka: Gemini Decision 1 to lepszy model w tych dwóch komponentach, w których umiejętnością jest wiedza, kiedy odmówić, Microsoft-Decision-1 jest lepszy w wyborze narzędzi i nieznacznie tańszy, a oba plasują się w środku stawki w ekstrakcji dokumentów, z której w rzeczywistości składa się większość korporacyjnych zadań decyzyjnych. Zanim którykolwiek z tych wyników o czymkolwiek zdecyduje, przepuść przez każdy z nich 200 własnych oznaczonych pozycji.