
MAI Decision 1 vs Microsoft Decision 1: ta sama linia produktów, różnica sześciu punktów
- 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
W tym zestawieniu tkwi pułapka, a pułapką jest sama przesłanka. MAI Decision 1 i Microsoft Decision 1 nie są dwoma konkurującymi modelami. To ta sama linia produktów Microsoft, różniąca się o jedną wersję: model, który w relacjach z Ignite oznaczono jako MAI Decision 1, to Microsoft-Decision-1.1, a Microsoft-Decision-1 to wydana w październiku wersja, którą zastępuje. Tak więc użyteczne porównanie nie polega na tym, „który dostawca wygrywa” — chodzi o to, „co dało pięć tygodni i nowy model bazowy oraz czy aktualizacja jest warta migracji dla każdego, kto ma już środowisko produkcyjne na starszym punkcie końcowym”. Krótka odpowiedź: sześć punktów indeksu, o połowę krótsze opóźnienie, obsługa obrazów jako danych wejściowych i cennik, który się nie zmienił.
Nazewnictwo, ustalone raz na zawsze
Etykieta po lewej stronie tego porównania pochodzi z relacji z keynote, a nie od Microsoftu. Własne ciągi znaków dostawcy to „Decision 1.1” w poście o ofercie Ignite oraz „Microsoft-Decision-1.1” na blogu Foundry i karcie modelu; prefiks MAI wędrował wraz z MAI Code 2 i MAI Cyber 2 Flash przez te same publikacje osób trzecich i się utrwalił. Ta strona porównuje więc wersję 1.1 z wersją 1 jednej linii produktów, a ciekawe pytanie nie brzmi, który dostawca wygrywa, lecz co zmieniło pięć tygodni i inny model bazowy.
Wersja 1 nie została wycofana. Nadal figuruje w Foundry i nadal jest oceniana na niezależnej liście rankingowej, dlatego te dwie nazwy wciąż pojawiają się obok siebie w tabelach porównawczych — czasem jako rywale z różnych firm, którymi nie są.
Sześć tygodni, dwa modele, jedna cena
Wersja 1 osiągnęła GA 8 października 2026 r.: wyłącznie tekstowy post-trening modelu Qwen3.5-9B firmy Alibaba, skalibrowane prawdopodobieństwa dla stałego zestawu opcji, limit 32 768 tokenów, brak wag, brak opublikowanych wyników benchmarków. Wersja 1.1 pojawiła się 17 listopada z bazą Gemma 4 26B-A4B, wejściem obrazowym i pełnym opisem wydajności — a cennik pozostał dokładnie bez zmian, na poziomie $0.042 za milion tokenów.
• Model bazowy — Qwen3.5-9B, gęsty, 9 mld łącznie w porównaniu z Gemma 4 26B-A4B, mieszanina ekspertów z około 4 mld aktywnych; oba poddane wewnętrznemu dostrajaniu po treningu wstępnym
• Modalność — wyłącznie tekst vs tekst, JSON i obrazy PNG/JPEG, maksymalnie 8 na pytanie
• Limit danych wejściowych — 32,768 tokenów vs 32,768 tokenów, bez zmian
• Typy pytań — tak/nie, wielokrotnego wyboru, ocena, klasyfikacja, rubryka kontra ten sam zestaw, udostępniane jako trzy typowane prymitywy (noul, choice, score)
• Cena — 0,042 USD/mln tokenów Global Standard, 0,05 USD EU i APAC w porównaniu z identycznymi
• Zmierzona latencja — 274,25 ms na zadanie w porównaniu z 123,25 ms na zadanie, Artificial Analysis
• Zmierzony koszt — 142,56 USD za milion zadań w porównaniu z 139,64 USD za milion zadań, Artificial Analysis
• Indeks decyzyjny v2.1 — 62,07 vs 67,78
• Wagi — brak, hostowane wyłącznie w Foundry vs brak, hostowane wyłącznie w Foundry
Jedyna pozycja, która się nie zmieniła, to ta, na której większość zespołów opiera budżet, a ta, która zmieniła się najbardziej, to ta, o której nikt nie mówi: opóźnienie spadło o połowę, podczas gdy cena za token pozostała bez zmian, ponieważ nowa baza to model rzadki, który wykonuje znacznie mniej pracy na wywołanie.

Z czego składa się sześć punktów
Różnica złożona wynosząca 5,71 nie rozkłada się równomiernie, a ta nierównomierność mówi, pod jakie obciążenia zbudowano tę aktualizację. W sześciu składowych ewaluacjach Artificial Analysis, odczytując tablicę wyników 18 listopada 2026 r.:
• Wywoływanie narzędzi When2Call — 95,1 w wersji 1.1 wobec 87,9 w wersji 1, wzrost o 7,1 punktu i ten, który ma znaczenie dla guardrails agentów
• EvalSafe-O*NET osąd w miejscu pracy — 88,8 wobec 86,8
• AA-Symmetry, niezmienność decyzji przy przeformułowaniu — 75,7 wobec 70,4
• Decyzje dokumentowe AA-Paperclip — 58,7 wobec 51,8, największy skok bezwzględny
• AA-Omniscience, wiedza i halucynacje — 60,5 wobec 54,9
• Rozumowanie HLE z wielokrotnym wyborem — 46,1 wobec 39,4
Wszystkie wyniki cząstkowe się poprawiły, co jest nietypowe i sprawia, że agregat jest wiarygodny; wskaźnik złożony, który rośnie przy jednej ocenie, a spada przy dwóch, zwykle jest artefaktem ważenia. Wzrost niezmienniczości to ten cichy, ale wart odnotowania. Symetria mierzy, czy decyzja przetrwa zmianę kolejności opcji albo przeformułowanie pytania — dokładnie ten tryb awarii, przed którym ostrzega dokumentacja samego Microsoftu, i dokładnie ta właściwość, która decyduje o tym, czy próg dostrojony na stagingu nadal zadziała na produkcji. Przejście z 70 do 76 w tym zakresie to większa zmiana operacyjna niż przejście z 62 do 68 w głównym wskaźniku.
Kalibracja poprawiła się w tym samym kierunku. Wskaźnik Brier, który mierzy kwadratową różnicę między deklarowanym prawdopodobieństwem a stanem faktycznym, spadł z 0,1965 do 0,1604 — im niżej, tym lepiej. Trafność wybranej opcji wzrosła z 40,6 do 48,5. Obie liczby to pomiary Artificial Analysis na jego własnych zadaniach, a nie Microsoftu, i to jest powód, by przykładać do nich wagę: Microsoft w swoim komunikacie przy premierze 1.1 podaje wynik 68 „o sześć punktów wyższy niż w przypadku naszego pierwszego modelu”, a niezależny panel plasuje się w granicach pół punktu od tego wyniku, na 67,78 przy wzroście o 5,71 punktu. Po raz pierwszy dostawca i audytor zasadniczo się zgadzają.

Gdzie starszy model wciąż jest właściwym wyborem
Istnieją trzy dające się obronić powody, by pozostać przy Microsoft-Decision-1, i żaden z nich nie jest związany z wydajnością.
Pierwsza kwestia to zamrożona ewaluacja. Jeśli kalibrowałeś progi względem wersji 1 na własnych oznaczonych danych — a powinieneś był to zrobić — to zmiana modelu bazowego unieważnia tę pracę. Gęsty model 9B dotrenowany do oceniania i model 26B MoE dotrenowany do oceniania nie zawodzą w tych samych miejscach, a dokumentacja wersji 1.1 wyraźnie mówi, że kalibracja jest najskuteczniejsza w przypadku znanych typów zadań i może się zmieniać w zależności od sformułowania. Ponowne dostrajanie to realny koszt i spada on na zespół, a nie na dostawcę.
Drugi element to pokrycie językowe. Wersja 1 opowiadała historię dostrajania po treningu w 25 językach na bazie Qwen, w której dostępnych było znacznie ponad 200 języków. Wersja 1.1 przedstawia historię 25+ języków na bazie Gemma, udokumentowanej jako obsługująca 35+ języków. „25+” to nie to samo co 25, a jeśli prowadzisz wielojęzyczną kolejkę, uczciwym krokiem jest przetestowanie, a nie zakładanie, że liczba wzrosła.
Trzeci element to kształt Twojej zależności. Obie wersje są dostępne wyłącznie jako usługa hostowana, od jednego dostawcy, z jednym cennikiem i jednym reżimem limitów szybkości. Aktualizacja zmienia Twoją domenę awarii, nie zmniejszając jej. Jeśli już obudowałeś endpoint własnym mechanizmem zapasowym, pozostanie przy wersji 1 kosztuje Cię opóźnienie i dokładność, ale nie dostępność; jeśli tego nie zrobiłeś, aktualizacja daje Ci szybszy model za tym samym pojedynczym punktem awarii.
Uruchamianie obu obok siebie przed zatwierdzeniem
Sama migracja jest niewielka i to jest ta przyjemna część. Kształt punktu końcowego pozostaje bez zmian — stan plus typowane pytania kierowane do trasy decyzyjnej na zasobie Foundry — a wdrożenie jest zmianą wersji modelu, a nie przepisaniem integracji. Zmienia się natomiast wszystko, co następuje po odpowiedzi: prawdopodobieństwa, progi i wspomniane wyżej wyniki cząstkowe.
Więc uruchom oba. Wyślij tę samą oznaczoną partię do obu wdrożeń, porównaj dokładność wyboru opcji na progu, którego faktycznie używasz, i przyjrzyj się szczególnie ogonom — przypadki, w których wersja 1 zwracała 0,55, a wersja 1.1 zwraca 0,88, to właśnie te, które po cichu zmienią Twój wskaźnik eskalacji. Zysk symetrii sugeruje, że wersja 1.1 powinna być stabilniejsza przy zmianie kolejności opcji; zweryfikuj to na własnych promptach, zamiast ufać tej liczbie.
Sędzia i to, co jest oceniane, na jednym kluczu to konfiguracja, której większość zespołów ostatecznie pragnie, a żaden z modeli Decision nie może tego zapewnić: oba są punktami końcowymi hostowanymi wyłącznie w Foundry, więc router przed nimi to twój własny kod. To, co router może tymczasem robić, to dostarczać mechanizmy kontroli. Gemma 4 26B A4B — wersja bazowa, od której dotrenowano wersję 1.1 — kieruje ruch przez OrcaRouter po 0,25 USD za milion tokenów wejściowych i 2,90 USD za milion tokenów wyjściowych, a Jev 1.14, model decyzyjny, względem którego Microsoft sam się porównuje, po 0,042 USD za milion tokenów wejściowych i wyjściowych. Żaden z nich nie odtwarza skalibrowanych odpowiedzi wersji 1.1. Oba mówią ci, czy ogólny model na twoich własnych danych zbliża się o kilka punktów do modelu decyzyjnego — a to pytanie, które rozstrzyga, czy w ogóle go potrzebujesz.

Odpowiedź na pytanie o wersję
Jeśli wybierasz dziś i nie musisz bronić żadnych odziedziczonych progów, wybierz 1.1. W niezależnym pomiarze jest szybszy o czynnik 2,2, nieco tańszy na zadanie, lepiej skalibrowany, lepszy w bramkowaniu wywołań narzędzi i jako jedyny z tych dwóch odczyta zrzut ekranu. Cennik jest identyczny, więc modernizacja jest darmowa na marginesie.
Jeśli masz już wersję 1 na produkcji, aktualizacja jest warta przeprowadzenia i nie jest pilna w takim sensie, w jakim pilna jest łatka bezpieczeństwa. Zaplanuj czas na ponowne dostrojenie, utrzymuj stare wdrożenie do czasu, aż nowe progi sprawdzą się w ruchu produkcyjnym, a poprawę symetrii traktuj jako powód, by spodziewać się mniejszej liczby niespodzianek, a nie jako obietnicę, że nie będzie ich wcale.
Ten pojedynek nie jest wyborem między dostawcami. Obie nazwy wskazują na linię decyzyjną Microsoftu, oddalone o pięć tygodni i jeden model bazowy, w tej samej cenie $0.042 za milion tokenów. Ciekawe pytanie nigdy nie brzmiało, który z nich wygrywa; brzmi ono, czy ten drugi jest na tyle lepszy, by zapłacić za rekalibrację. Na niezależnej tablicy wyników: tak.
Porównane w tym artykule1
Wykryto na podstawie tego artykułu · Benchmarki: Artificial Analysis · aktualizowane codziennie
