
Decyzja MAI 1 to tak naprawdę Decyzja 1.1 — a nagłówek o 200x nie należy do Microsoftu
- GoogleNOWOŚĆGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 za 1 mln tokenów · 90 tok/s
- AnthropicNOWOŚĆAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 za 1 mln tokenów · 97 tok/s
- orcaNOWOŚĆOrca: OrcaC2 1.02026-11-0711 tok/s
- OrcaNOWOŚĆOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 za 1 mln tokenów · 87 tok/s
- OrcaNOWOŚĆOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 za 1 mln tokenów · 134 tok/s
- OrcaNOWOŚĆOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 za 1 mln tokenów · 86 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 za 1 mln tokenów · 124 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 za 1 mln tokenów · 67 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 za 1 mln tokenów · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 za 1 mln tokenów · 43 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Inteligencja
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 za 1 mln tokenów · 192 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Inteligencja
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 za 1 mln tokenów · 130 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Inteligencja
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Inteligencja
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 za 1 mln tokenów · 135 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955Inteligencja
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855Inteligencja
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 za 1 mln tokenów · 182 tok/s
Dwie liczby dotyczące MAI Decision 1 krążyły 17 listopada 2026 roku: że jest 10 razy szybszy i 200 razy tańszy niż model ogólnego przeznaczenia. Żadna z tych liczb nie pojawia się nigdzie w oficjalnym komunikacie Microsoftu. Model, który Microsoft faktycznie udostępnił na Ignite, to Microsoft-Decision-1.1, a publikowane przez firmę deklaracje mówią o 50 razy większej szybkości i 79 razy niższym koszcie niż GPT-Sol 6.1 — w porównaniu z konkretnym, nazwanym modelem, w konkretnym środowisku testowym, a nie z „modelem ogólnego przeznaczenia”. Ta różnica zasługuje na pierwsze miejsce, bo to różnica między marketingowym współczynnikiem a liczbą, którą można sprawdzić. Oto co udostępniono, co udokumentował Microsoft i gdzie plasuje go niezależny ranking.
Najpierw nazwa
Materiały Microsoftu nigdy nie używają ciągu „MAI Decision 1”. W poście prezentującym line-up Ignite model nazywany jest Decision 1.1, a blog Foundry nazywa go Microsoft-Decision-1.1, a karta modelu w katalogu Foundry ma tę samą nazwę. Etykieta „MAI Decision 1” pochodzi z relacji zewnętrznych mediów z keynote, podobnie jak „MAI Code 2”, „MAI Code 2 Flash” i „MAI Cyber 2 Flash” — ta sama rodzina, przemianowana przez obserwatorów, a nie przez dostawcę.
Ma to znaczenie z jednego praktycznego powodu: Microsoft-Decision-1.1nie jest pierwszym modelem decyzyjnym, który Microsoft udostępnił. Microsoft-Decision-1osiągnął ogólną dostępność w Foundry 8 października 2026 r., zbudowany na modelu Qwen3.5-9B firmy Alibaba, wyłącznie tekstowy, bez opublikowanych wyników testów porównawczych w momencie premiery. To, co pojawiło się 17 listopada, to wersja 1.1 tej samej linii produktów, z innym modelem bazowym, multimodalnym wejściem i znacznie pełniejszym opisem wydajności. Wszystko, co czytasz o „MAI Decision 1”, traktuj jako dotyczące wersji 1.1, chyba że wyraźnie stwierdzono inaczej.
Co tak naprawdę jest w pudełku?
Kontrakt nie zmienił się w kształcie, a jego zasięg jest znacznie szerszy. Wysyłasz stan — tekst lub JSON — oraz jedno lub więcej pytań z określonym typem, każde ze stałym zestawem opcji, a w odpowiedzi otrzymujesz prawdopodobieństwa zamiast prozy. Udokumentowano trzy prymitywy pytań: pytanie tak/nie („noul” w API), wybór z zestawu z etykietami oraz ocenę na uporządkowanych poziomach, której zwracana wartość to średnia indeksów poziomów ważona prawdopodobieństwami. Wszystko w jednym wywołaniu, jednym przebiegu, bez pętli dekodowania.
Co nowego w 1.1:
• Model bazowy — Gemma 4 26B-A4B, model Google typu mixture-of-experts z otwartymi wagami, dostrojony przez Microsoft. Wersja 1 została dostrojona na modelu Qwen3.5-9B.
• Dane wejściowe — tekst i obrazy. Wersja 1 obsługiwała tylko tekst.
• Obsługa obrazów — PNG lub JPEG, od 280 do 1 568 pikseli na każdym boku, do 8 obrazów na pytanie, w tym wszelkie obrazy przywoływane ze stanu, łącznie nie więcej niż 645 120 przetworzonych pikseli. Usługa zmienia rozmiar do stałego rozmiaru roboczego, więc większy plik nie zużywa więcej tokenów.
• Kontekst — 32,768 tokenów wejściowych dla kombinacji stanu i pytania, ten sam limit co w wersji 1.
• Języki — wytrenowane i ocenione w ponad 25, wobec ponad 35 obsługiwanych wprost przez model bazowy. Microsoft wyraźnie zaznacza, że pokrycie modelu bazowego nie stanowi potwierdzenia zwalidowanej kalibracji dla poszczególnych języków.
• Udostępnianie — punkt końcowy decyzyjny, a nie uzupełnianie czatu: żądania trafiają do /providers/microsoft/v1/systemone w Twoim zasobie Foundry, z nazwą wdrożenia w polu model. Microsoft twierdzi, że działa on na niestandardowym silniku wnioskowania napisanym dla obciążeń decyzyjnych, a nie na stosie generowania tekstu.
• Cena — 0,042 USD za milion tokenów w Global Standard, 0,05 USD w strefach danych UE i APAC. Taka sama jak w wersji 1, a wywołania decyzyjne są rozliczane na podstawie tokenów wejściowych, ponieważ praktycznie nie ma danych wyjściowych do rozliczenia.
• Okno szkoleniowe — od października do listopada 2026 r., zgodnie z kartą modelu.
• Wagi — brak. To model hostowany w portfolio „Direct from Azure” Foundry. Nie ma możliwości pobrania ani dostrajania.
Wykluczenia są opisane równie wprost jak funkcje i nadal definiują produkt. Microsoft-Decision-1.1 nie służy do generowania tekstu, odpowiadania na pytania otwarte, prowadzenia rozmów, tłumaczenia ani streszczania, ani do zadań wymagających wiedzy nieobecnej w danych wejściowych. Nie podaje uzasadnienia. Odpowiedź zawiera prawdopodobieństwa i nic, co można by pokazać użytkownikowi jako wyjaśnienie, co oznacza, że wyjaśnienie należy do Ciebie, a próg jest Twoją decyzją: 0,7 powoduje eskalację, 0,95 nie, a tę granicę ustala aplikacja, a nie dostawca.
Dwa twierdzenia o szybkości i kosztach — i które z nich wytrzymuje krytykę
Krążąca wersja — „10 razy szybciej i 200 razy taniej niż model ogólnego przeznaczenia” — nie ma odniesienia. Stosunku względem nienazwanego modelu nie można odtworzyć, a dwa opublikowane porównania Microsoftu, które faktycznie coś nazywają, są jednocześnie węższe i większe.
W poście z Ignite napisano, że Decision 1.1 jest „50 razy szybszy i 79 razy tańszy niż GPT-Sol 6.1”. W poście ogłaszającym Foundry napisano, że jest „ponad dwukrotnie szybszy niż nasz pierwszy model, przy tym samym koszcie”, i podano przykład Copilota: routing między Copilotem a Cowork z taką samą dokładnością jak duży model językowy, 2,2 razy szybciej i 4,4 razy taniej. To pomiary dostawcy na własnym ruchu Microsoftu i we własnym środowisku testowym Microsoftu. Nie są błędne; mają ograniczony zakres. Liczby 50x i 79x dotyczą jednego konkurenta w przypadku jednego rodzaju decyzji routingowej, a nie modeli decyzyjnych w ogóle.
Jedno z twierdzeń można zweryfikować wobec strony trzeciej i okazuje się prawdziwe. Artificial Analysis mierzy Decision 1.1 na 123,25 milisekundy na zadanie w swoim Decision Index v2.1, w porównaniu z 274,25 ms dla Microsoft-Decision-1. To 2,23x, co oznacza „ponad dwa razy szybciej”. Twierdzenie o koszcie również się broni, w osłabionej formie: AA wylicza 139,64 USD za milion zadań dla 1.1 wobec 142,56 USD dla wersji 1 — około 2% taniej, a nie w tej samej cenie, ponieważ obie wersje używają różnej liczby tokenów na zadanie nawet przy identycznej stawce za token. „Za tę samą cenę” jest trafne w odniesieniu do cennika i nieco zbyt optymistyczne w odniesieniu do rachunku.
Gdzie się plasuje i jaki kształt ma twierdzenie, które przedstawił Microsoft
W poście Microsoftu z okazji premiery czytamy, że Decision 1.1 „uzyskuje 68 punktów, o sześć punktów więcej niż nasz pierwszy model, i wyprzedza Jev 1.14, Google's Gemini Decision 1 i OpenAI's GPT-6 Luna (Decisions)”. W Artificial Analysis Decision Index v2.1 odczytanym 18 listopada 2026 r. wszystko to jest prawdą. Decision 1.1 ma 67,78. Jev 1.14 ma 66,23, Gemini Decision 1 — 65,98, GPT-6 Luna — 60,25. Wersja 1 ma 62,07, więc sześciopunktowy wzrost również jest realny.
To, czego zdanie nie mówi, to gdzie model znajduje się w pełnym zestawieniu. Znajduje się na ósmym miejscu w tabeli, siedem punktów za samodzielnym liderem i półtora punktu przed modelem wskazanym przez Microsoft:
• 74.85 — d1.2-ultra (Liquid AI)
• 72.62 — Drex Max v1.1 (Nace.AI)
• 72.58 — SubQ Snap 1.2 (Subquadratic)
• 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

Siedem modeli uzyskuje wyższe wyniki, a lider ma 7,1 punktu przewagi. Osobne twierdzenie Microsoftu — „najwyższa średnia dokładność spośród ośmiu modeli decyzyjnych” w ramach własnego wewnętrznego zestawu 102 testów porównawczych i 385 000 pytań — jest stwierdzeniem o obszarze wybranym przez Microsoft, co jest normalną rzeczą dla dostawcy do opublikowania, a złą rzeczą do odczytania jako ranking. Niezależny zestaw obejmuje osiemnaście sklasyfikowanych modeli, a Microsoft plasuje się w jego górnej połowie.
Podwyniki są bardziej informacyjne niż wynik złożony, ponieważ pokazują, co przyniósł etap po treningu. W sześciu ewaluacjach składowych AA Decision 1.1 uzyskuje 95,1 w wywoływaniu narzędzi When2Call, 88,8 w EvalSafe-O*NET, 75,7 w symetrii, 58,7 w decyzjach dokumentowych AA-Paperclip, 60,5 w zakresie wszechwiedzy i 46,1 w HLE w pytaniach wielokrotnego wyboru. Jego wskaźnik dokładności wynosi 48,45 wobec 40,59 dla wersji 1, a jego Brier score — miara kalibracji, im niżej, tym lepiej — poprawia się z 0,1965 do 0,1604. Ta zmiana Brier score to najbardziej znacząca liczba w wydaniu: mówi, że prawdopodobieństwa stały się bliższe prawdy, a to jedyna właściwość, która sprawia, że ustalanie progów w modelu decyzyjnym jest rozsądnym wyborem inżynierskim.

Prawdziwą historią jest przełączenie na model bazowy.
Wersja 1 była dotrenowaniem modelu Qwen3.5-9B, gęstego modelu 9B. Wersja 1.1 to dotrenowanie Gemma 4 26B-A4B, mieszaniny ekspertów z około 4B aktywnych parametrów. Własne wyjaśnienie Microsoftu dotyczy ekonomiki obsługi, a nie jakości: wystarczająca liczba aktywnych parametrów do osądu, wystarczająco mała, by działać w flotach A100, H100/200 i GB200/300, z własnym silnikiem, który kieruje zapytania w obrębie puli GPU ze względu na koszt, a nie wyłącznie opóźnienie.
Wynikają z tego trzy konsekwencje i to właśnie one powinny interesować zespół platformowy. Po pierwsze, MoE z 4B aktywnych parametrów jest tani w obsłudze na wywołanie właśnie dlatego, że większość modelu pozostaje bezczynna — stąd bierze się 123 ms. Po drugie, przełączenie resetuje kwestię języków i kalibracji: baza uległa zmianie, deklaracja o 25 językach dotyczy nowej bazy, a żadna kalibracja zmierzona na wersji 1 nie przenosi się. Po trzecie, licencjonowanie bazy należy do Google'a, natomiast model po treningu należy do Microsoftu i jest dostępny wyłącznie w formie hostowanej — więc otwarte wagi w tej linii nie przynoszą żadnych korzyści operacyjnych. Nie można pobrać tego modelu, a otwartość bazy tego nie zmienia.
Ile kosztuje połączenie — w jednostkach, w których faktycznie płacisz
Przy cenie $0.042 za milion tokenów wejściowych wywołanie routingu obsługujące zgłoszenie o 1,200 tokenach i pytanie z trzema opcjami kosztuje około $0.00005 — pięć setnych centa. Milion takich wywołań kosztuje w cenniku około $50; zmierzony przez AA koszt $139.64 na milion zadań jest wyższy, ponieważ jej zadania są dłuższe niż zgłoszenie do pomocy technicznej, co jest użytecznym przypomnieniem, że ceny za token i koszty za zadanie to różne jednostki, a ta druga jest tą, która pojawia się podczas przeglądu budżetu.
Porównanie, które pozwala zrozumieć ekonomię, to zestawienie z modelem ogólnym wykonującym tę samą pracę w trybie JSON. Płacisz za jego tokeny wyjściowe, których w przypadku odpowiedzi strukturalnej jest od dziesiątek do setek tokenów na wywołanie, a nie zero, oraz płacisz za rozumowanie, które wykonuje przed udzieleniem odpowiedzi. To jest luka, którą Microsoft opisuje jako 79x, i luka jest realna, nawet gdy dokładna wielokrotność jest wyborem dostawcy dotyczącym punktu odniesienia.
To staje się niezręczne dokładnie tam, gdzie zawsze w przypadku hostowanego scorera od jednego dostawcy: jest jedna lista cen, jeden limit szybkości i jedna historia regionów. Foundry oferuje wdrożenia Global Standard i Data Zone Standard, a wariant Data Zone kosztuje o 19% więcej — 0,05 USD za milion tokenów. Jeśli Twoje obciążenie jest wrażliwe na opóźnienia, dokumentacja zaleca umieszczenie zasobu Foundry w tej samej lokalizacji co aplikacja, co jest szczerą radą, która mówi też, że model nie jest magiczny — to mały MoE stojący za kolejką.
Jak się do tego zabrać bez przebudowywania swojego stosu
Sam endpoint decyzyjny nie znajduje się w katalogu OrcaRouter, podobnie jak jego poprzednik — Microsoft udostępnia ten model przez Foundry i nigdzie indziej. W katalogu są natomiast w cenie cennikowej dostawcy, z przekazywanym 0% narzutem, dwa obiekty, których potrzebujesz, aby wycenić decyzję przed zakupem. Gemma 4 26B A4B stanowi bazę dla modelu po treningu i jest rozliczana po $0.25 za milion tokenów wejściowych oraz $2.90 za milion tokenów wyjściowych; to baza, a nie model po treningu, więc nie zwróci skalibrowanych prawdopodobieństw Decision 1.1, ale ma tę samą architekturę i wyznacza uczciwą dolną granicę kosztu ogólnego modelu o takim kształcie. Jev 1.14, który Microsoft wymienia i którego bije o 1,55 punktu na niezależnej tablicy, jest rozliczany po $0.042 za milion tokenów na wejściu i wyjściu.
Ta kombinacja przydaje się na etapie oceny, a nie w środowisku produkcyjnym. Jeśli dopiero decydujesz, czy model decyzyjny w ogóle powinien znaleźć się w ścieżce routingu, możesz porównać dwa endpointy, do których można kierować ruch, na własnych oznaczonych zgłoszeniach za pomocą jednego klucza, z automatycznym przełączaniem awaryjnym między dostawcami, zanim w ogóle utworzysz wdrożenie w Azure. Jeśli odpowiedź brzmi „tak”, a liczby przemawiają za Decision 1.1, wdrażasz go w Foundry i pozostawiasz router z przodu — jeden endpoint zarówno dla wywołań decyzyjnych, jak i generatywnych, dzięki czemu limit szybkości modelu decyzyjnego nie stanie się awarią Twojej aplikacji.

Kto powinien teraz działać, a kto poczekać dwa tygodnie?
Przechodź teraz, jeśli już płacisz modelowi ogólnemu za klasyfikację, ocenianie lub bramkowanie, a Twój wolumen jest wystarczająco duży, by koszt na wywołanie był widoczny na wykresie. Mediana 123 ms i cena $0.042 to prosta wygrana względem modelu frontier wykonującego tę samą ocenę, a wejście multimodalne to różnica między scorerem, na który możesz wskazać zrzuty ekranu, a takim, na który nie możesz.
Zachowaj ostrożność, jeśli Twoja decyzja dotyczy ludzi — kredytu, zatrudnienia, mieszkalnictwa, ubezpieczeń, opieki zdrowotnej, kwestii prawnych — ponieważ własna karta modelu Microsoftu mówi, aby nie używać go tam jako jedynego decydenta, i nic w wersji 1.1 tego nie zmienia. Zachowaj też ostrożność, jeśli potrzebujesz kalibracji, której możesz bronić: Brier w wersji 1.1 wynoszący 0,160 to poprawa, a nie gwarancja, a dokumentacja otwarcie przyznaje, że wyniki zmieniają się wraz ze sformułowaniem i kolejnością opcji. Waliduj na własnych etykietach, losowo zmieniaj kolejność opcji i ustalaj progi względem kosztu dwóch typów błędów, a nie względem wykresu dostawcy.
Uczciwe podsumowanie 17 listopada jest mniejsze i bardziej użyteczne niż nagłówek o 200x: Microsoft udostępnił szybszy, multimodalny, lepiej skalibrowany oceniający decyzje model w cenie, która sprawia, że ocena przy każdym żądaniu staje się dostępna, i jest on wystarczająco dobry, by znaleźć się w górnej połowie niezależnego rankingu, a nie na jego szczycie. Model jest prawdziwy. Proporcja w tweecie nie.
