Wygenerowana karta tytułowa z nagłówkiem „MAI Decision 1 vs Microsoft Decision 1” i podtytułem „ta sama linia produktów, różniąca się o sześć punktów indeksu”, podzielona na dwa zaokrąglone panele wokół dysku „vs”. Lewy panel, „Microsoft-Decision-1.1”, zawiera podwiersz „GA 17 listopada 2026” oraz wiersze „indeks decyzyjny 67.78”, „123 ms na zadanie”, „obrazy i tekst” i „Gemma 4 base”; prawy panel, „Microsoft-Decision-1”, zawiera „GA 8 października 2026”, „indeks decyzyjny 62.07”, „274 ms na zadanie”, „tylko tekst” i „Qwen3.5 base”. W stopce widnieje: „Oba mają cenę katalogową /bin/bash.042 za milion tokenów wejściowych”. Logo OrcaRouter jest nałożone na białym pasku pod grafiką.
Guides & Insights

MAI Decision 1 vs Microsoft Decision 1: ta sama linia produktów, różnica sześciu punktów

Autor

jinhao.song

Data publikacji

Najnowsze modele · 20Zobacz wszystkie modele →
Benchmarki: Artificial Analysis · aktualizowane codziennie
Powrót do wszystkich wpisów

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 Qw​en3.5-9B firmy A​libaba, 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 — Qw​en3.5-9B, 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.

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.

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.

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.

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.

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.

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