Wygenerowana karta tytułowa z nagłówkiem „Linia z keynote, sprawdzona” i podtytułem „Microsoft-Decision-1.1 — Artificial Analysis Decision Index v2.1”, zawierająca cztery etykiety o treści 67.78, „Jev 1.14 66.2”, „Gemini Decision 1 65.98” i „GPT-6 Luna 60.2” nad podpisem o treści „cztery modele wymienione na scenie”, a także dwie wyszarzone etykiety boczne o treści „25 pozycji w rankingu” i „dziesięć powyżej 67.78”. Logo OrcaRouter jest wkomponowane w prawym dolnym rogu.
Guides & Insights

Microsoft-Decision-1.1 dotarł do keynote Ignite. Cytowany wynik benchmarku jest prawdziwy, ale wąski.

Autor

jinhao.song

Data publikacji

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

Microsoft-Decision-1.1 wszedł do ogólnej dostępności 17 listopada 2026 r., sześć tygodni po Microsoft-Decision-1 i na zupełnie innym modelu bazowym: Gemma 4 26B A4B, średniej wielkości system mieszanki ekspertów, który Microsoft wymienia we własnym wpisie o premierze, zastępując Qwen3.5-9B, na którym oparto trening końcowy wersji 1. Ta zamiana stanowi istotę tego wydania. Sformułowanie, które zyskało szerszy rozgłos, pochodziło z wystąpienia głównego Ignite, gdzie Decision 1.1 przedstawiono jako routing modeli „zintegrowany bezpośrednio z Twoimi aplikacjami”, a następnie poparto je jednym zdaniem — „w indeksie AA Decision Index bije Jev, Google i OpenAI”. Te trzy nazwy odpowiadają wynikom: Jev 1.14 — 66,2, Gemini Decision 1 — 66,0 i GPT-6 Luna (Decisions) — 60,2, wobec 67,78 dla Microsoft-Decision-1.1. Wszystkie trzy porównania są poprawne.

To także najbardziej pochlebny czteromodelowy podzbiór na liście rankingowej, która obecnie obejmuje dwadzieścia pięć pozycji. Dziesięć modeli decyzyjnych uzyskuje dziś wieczorem wynik wyższy niż Microsoft-Decision-1.1 — od d1.2-ultra z 74,8 przez Drex Max v1.1 i SubQ Snap 1.2 z 72,6 aż po SubQ Snap 1.1 z 67,9. Zdanie z wystąpienia głównego nie było fałszywe. Było to starannie dobrane porównanie przedstawione w gramatyce pełnego zdania, a ta różnica jest warta więcej niż sama premiera, ponieważ to właśnie dzieje się po raz pierwszy, gdy indeks benchmarkowy trafia na slajd na konferencji deweloperskiej hiperskalera.

Co powiedziała scena, a co mówi zarząd

Opublikowany tego samego dnia zapis wystąpienia Microsoftu niewiele mówi na ten temat. Po omówieniu modeli do kodowania przechodzi do podejmowania decyzji: „coraz częściej potrzebne są agenty do podejmowania decyzji, zwłaszcza tam, gdzie kluczowe są szybkość i koszt. Dlatego Decision 1.1 zapewnia routing modeli zintegrowany bezpośrednio z Twoimi aplikacjami. A w AA Decision Index wyprzedza Jev, Google i OpenAI”.

Mówiąc wprost, jest to porównanie czterech modeli, które indeks rzeczywiście obejmuje. W kompozycie Decision Index v2.1, opublikowanym przez Artificial Analysis i odczytanym tu 19 listopada 2026 r., Microsoft-Decision-1.1 uzyskuje 67,78, Jev 1.14 — 66,2, Gemini Decision 1 — 65,98, a GPT-6 Luna (Decisions) — 60,2. Różnice wynoszą 1,6, 1,8 i 7,6 punktu. Nic w tym nie jest sporne.

To, czego to zdanie nie mówi, to górna połowa tabeli powyżej. Ta sama strona plasuje Microsoft-Decision-1.1 na jedenastym miejscu, a dziesięć pozycji przed nim nie jest nieznanych:

• d1.2-ultra (Liquid AI) — 74,8, lider rankingu, przy 133 USD za milion zadań

• Drex Max v1.1 (Nace) — 72,6 za 103 USD, a SubQ Snap 1.2 — 72,6 za 137 USD

• GLiDE v1.2 (Fastino) — 72,5 za 780 USD, Mammoth 27B (Baseten) — 71,4 za 264 USD, d1-ultra — 70,6

• Decider v1.3 (Perplexity) — 70.4 za 68 USD, Decider v1.2 — 69.8, d1.2 — 68.7, SubQ Snap 1.1 — 67.9

To, że dostawca wybiera trzech wymienionych konkurentów, którzy korzystnie prezentują jego premierę, nie jest skandalem; każdy wpis o premierze tak robi, a Microsoft wyjątkowo wprost mówi, że to modele, które zdecydował się wymienić. Ciekawy jest jednak nośnik. Zastrzeżony indeks strony trzeciej — taki, którego wersja v2 została wydana 8 listopada 2026 r., dziewięć dni przed Ignite, i który opiera się w 45% na prywatnych zbiorach danych — został przytoczony na scenie jako autorytet dla twierdzenia o modelu samego Microsoftu. To fakt innego rodzaju niż zrzut ekranu z benchmarkiem dostawcy i działa w obie strony: podnosi rangę indeksu i stawia go w pozycji, w której selektywne cytowanie jest teraz częścią jego reputacji.

Co właściwie zmieniło się między 1 a 1.1

Odsuńmy slajd na bok, a inżynieria staje się konkretna. Microsoft-Decision-1.1 nie jest modyfikacją październikowego modelu. Model bazowy zmieniono z Qwen3.5-9B firmy Alibaba, który wciąż jest wymieniany na stronie katalogowej v1, na Gemma 4 26B A4B. Microsoft opisuje ten wybór w kategoriach kosztów: wystarczająco dużo aktywnych parametrów do osądu, wystarczająco mały, by działać na flotach A100, H100/200 i GB200/300. Firma przypisuje opóźnienie niestandardowemu silnikowi wnioskowania, zbudowanemu do scoringu, a nie do generowania token po tokenie.

Możliwością, której nie było w wersji 1, jest wprowadzanie obrazów. Microsoft-Decision-1.1 przyjmuje tekst, JSON lub obrazy — zdjęcia, zrzuty ekranu — a nadal nie obsługuje dźwięku, wideo ani żadnej formy generowanego wyjaśnienia. Nazwy typów pytań pozostają bez zmian: noul dla prawdopodobieństwa zdania typu tak/nie, choice dla jednej etykiety z ustalonego zestawu z prawdopodobieństwem dla każdej opcji, score dla pozycji na uporządkowanej skali. Żądanie trafia na ścieżkę kończącą się na /providers/microsoft/v1/systemone, co jest albo najmniej samoobjaśniającą się nazwą endpointu wypuszczoną w tym kwartale, albo wskazówką, gdzie Microsoft uważa, że ta kategoria plasuje się w stosie.

Kontekst to liczba, na którą trzeba uważać, jeśli migrujesz: Microsoft dokumentuje „wejścia o długości do 32K tokenów”, a Artificial Analysis odnotowuje okno 33k. Wersja 1 była taka sama. Model decyzyjny, który odczytuje umowę o długości 40 000 tokenów, nie znajduje się w tym wydaniu.

Trzy twierdzenia z posta inauguracyjnego, zweryfikowane na tablicy

Post samego Microsoftu zawiera trzy twierdzenia ilościowe, a niezależne dane rozstrzygają każde z nich inaczej.

„Wynik 68” — wartość indeksu to 67,78. To zaokrąglenie, a nie zawyżenie, i jedyne twierdzenie, które okazało się dokładnie prawdziwe.

• „Ponad dwa razy szybciej” — wersja 1 osiąga 274,25 ms na zadanie, a wersja 1.1 osiąga 123,25 ms. To 2,23x i sprawia, że nowy model jest piątym najszybszym wpisem na liście, a nie dwudziestym.

„Przy tym samym koszcie” — prawda na poziomie tokenów, ale mylące w praktyce. Obie wersje podają 0,042 USD za milion tokenów wejściowych. Jednak zmierzony koszt na milion zadań wynosi 139,64 USD dla 1.1 w porównaniu z 142,56 USD dla v1 — poprawa o 2%, a nie o połowę. Ta sama cena, mniej więcej ten sam rachunek, dwukrotnie większa przepustowość. Jeśli Twoim ograniczeniem jest opóźnienie, a nie wydatki, aktualizacja jest duża; jeśli są to wydatki, aktualizacja jest prawie nic nie warta.

A generated single-column scoreboard headed 'Microsoft-Decision-1.1 — the scoreboard' with six rows: Decision Index 67.78, 11th of 25; When2Call at 10% weight 95.08; AA-Paperclip at 30% weight 58.67; HLE-MultiChoice 6.29% raw accuracy; non-hallucination 49.4%, was 21.7%; speed 123 ms per task, was 274 ms. A footer reads 'All figures per Artificial Analysis Decision Index v2.1, read 19 November 2026.' The OrcaRouter logo is composited in the bottom-right corner.

Gdzie kompozyt przestaje być zgodny z marketingiem

Złożony wskaźnik Decision Index v2.1 nie jest zagadką. Składa się z sześciu ważonych komponentów, a wynik 67,78 modelu Microsoft-Decision-1.1 można z nich odtworzyć: 30% AA-Paperclip, 15% EvalSafe-O*NET-AA, 10% When2Call, 15% AA-Omniscience-Decision v1.1, 15% HLE-MultiChoice v1.1, 15% AA-Symmetry. Pomnóż i dodaj, a otrzymasz dokładnie 67,78. To właśnie ta przejrzystość sprawia, że podwyniki są czytelne, a to w podwynikach narracja premierowa staje się interesująca.

• When2Call — 95.08. To jest test routingu i jest to zdecydowanie najmocniejsza liczba w zestawie. Propozycja Microsoftu brzmi: „routing modeli zintegrowany z Twoimi aplikacjami”, a w jedynym komponencie, który mierzy dokładnie to, model plasuje się blisko czołówki tabeli.

• AA-Paperclip — 58,67 punktu Decision Score, 36,8% dokumentów rozwiązanych perfekcyjnie. To komponent 30%, 1500 prywatnych dokumentów, z których każdy zawiera pięć decyzji i dziesięć faktów, ocenianych metodą wszystko-albo-nic. Wersja 1 zdała 20,9%. Skok o piętnaście punktów procentowych w odsetku doskonałych dokumentów to największy pojedynczy zysk inżynieryjny w wydaniu i zarazem powód, dla którego wynik zbiorczy zmienił się tak znacząco.

• HLE-MultiChoice v1.1 — 46,11 Decision Score przy 6,29% surowej dokładności i 38,4% braku halucynacji. Sześcioprocentowa dokładność w trudnym teście wiedzy nie jest mocną stroną; Decision Score jest przyzwoity tylko dlatego, że model uczciwie przyznaje, że się zgubił. Sam Microsoft w swoim wpisie mówi, że modele te „nie są jeszcze dostrojone do trudniejszych problemów”, a ten wiersz jest miejscem, w którym to przyznanie wychodzi na jaw publicznie.

• AA-Omniscience-Decision v1.1 — 60,46 przy dokładności 33,2% i 49,4% braku halucynacji. Wersja 1 uzyskała 21,7% w zakresie braku halucynacji, więc model nauczył się odmawiać około dwa razy bardziej niezawodnie, zyskując jednocześnie dwa punkty dokładności. Dla modelu decyzyjnego ten kompromis to cała gra.

Czytane razem, profil jest spójny: to szybki, dobrze skalibrowany router z płytką bazą wiedzy. To produkt, który da się obronić. To nie jest produkt, który sugeruje zdanie z wystąpienia głównego.

A screenshot of the Artificial Analysis page for Microsoft-Decision-1.1, headed 'Release, Decision Index Score, Performance & Price'. The headline figures read a Decision Index of 68 at rank 11 of 25, 123 ms per task and about $140 per million tasks. The comparison summary states the model is above average on the Decision Index but somewhat expensive and notably fast, supports text input and carries a 33k-token context window, with board medians of 66, 206 ms and $137. Component rows for Decision Index, AA-Paperclip, EvalSafe-O*NET-AA, When2Call, AA-Omniscience-Decision v1.1 and HLE-MultiChoice v1.1 sit below.

Ceny — w jednostkach, których faktycznie używa rachunek

Foundry podaje trzy stawki za tokeny wejściowe dla Microsoft-Decision-1.1 i w ogóle żadnej stawki za tokeny wyjściowe, ponieważ model nie generuje tokenów wyjściowych: 0,042 USD za milion tokenów wejściowych w Global Standard, 0,046 USD w US Data Zone oraz 0,05 USD we wdrożeniach EU Data Zone i APAC Data Zone. Jeśli wybierzesz SKU strefy danych, zapłacisz 19% więcej niż wynosi podana cena, za lokalność. To pierwsze miejsce, w którym twierdzenie o „najtańszym modelu decyzyjnym” zostaje po cichu skorygowane.

Drugie miejsce to kolumna kosztu na zadanie, czyli wynik pomnożenia ceny tokena przez ilość danych wejściowych, jaką faktycznie zużywa zadanie. Przy 139,64 USD za milion zadań AA plasuje Microsoft-Decision-1.1 na piętnastym miejscu na dwadzieścia pięć pod względem kosztu — taniej niż Gemini Decision 1 za 344,90 USD, drożej niż Celeris-1.1 Decision za 14 USD i Decider v1.3 za 68 USD. Model jest szybki i w średniej cenie. Nie jest okazją w swojej kategorii, a Microsoft nigdy tego nie twierdził.

Co to oznacza dla zespołu, który chce to nazwać

Pierwszą ścieżką własną jest Foundry: wdróż model, a następnie wyślij stan oraz mapę typowanych pytań do punktu końcowego decyzyjnego. Nabywcy korporacyjni zwrócą uwagę na to, że Microsoft już używa go jako sędziego w Foundry Evaluations oraz jako routera w Copilot, gdzie firma raportuje podejmowanie tej samej decyzji routingu 2,2 razy szybciej i przy 4,4 razy niższym koszcie niż w przypadku dużego modelu językowego — to wartość raportowana przez dostawcę, pochodząca z własnego środowiska testowego Microsoftu i nieodtworzona poza nim.

Warto powiedzieć wprost, co OrcaRouter udostępnia, a czego nie. Nie hostujemy Microsoft-Decision-1.1 ani Gemini Decision 1, ani żadnego punktu końcowego do oceniania decyzji, ponieważ API zwracające wyłącznie prawdopodobieństwa nie jest celem dla chat-completions, a udawanie inaczej byłoby rodzajem twierdzenia o dostępności, które dobrze brzmi na papierze, ale zawodzi w produkcji. To, co udostępniamy, to ta połowa potoku decyzyjnego, która faktycznie generuje — a jedno okno na to wydanie jest wyjątkowo dosłowne: Gemma 4 26B A4B, dokładnie ten model bazowy, który dostroił Microsoft, jest w naszym katalogu w cenie 0,06 USD za milion tokenów wejściowych i 0,33 USD za milion tokenów wyjściowych, obok Jev 1.14 w cenie 0,042 USD, modelu, względem którego mierzony jest Microsoft-Decision-1.1. Jeśli chcesz zobaczyć, jak wiele z zachowania decyzyjnego pochodzi z modelu bazowego, a jak wiele z etapu po treningu, oba końce tego porównania są dostępne z jednego klucza, po cenie listowej dostawcy z 0% narzutu doliczanego.

A screenshot of the OrcaRouter model page for typesafe/jev-1.14, headed with the model name and typesafe as the provider. Pricing shows $0.04 input and $0.04 output per million tokens, with a code sample posting a state and two typed questions to https://api.orcarouter.ai/v1/systemone. A performance panel lists a p50 time-to-first-token of 181 ms, a European Union inference region and zero data retention available, with 171.8M tokens of usage shown.

Co obejrzeć dalej

Dwie rzeczy można teraz publicznie przetestować, czego nie można było zrobić w zeszłym tygodniu. Pierwsza to, czy Decision Index nadal pojawia się na ekranach keynote: benchmark staje się dokumentem zakupowym w momencie, gdy dostawcy zaczynają go cytować pod własnym logo, a następny dostawca, który to zrobi, zacytuje inny podzbiór czterech modeli. Druga to, czy Microsoft-Decision-1.1 utrzymuje swoją pozycję w routingu, gdy board się powiększa — When2Call ma wagę 10% i odpowiada za większość przewagi modelu nad Gemini Decision 1, co oznacza, że rutynowa aktualizacja indeksu może przesunąć ten ranking bardziej niż jakakolwiek aktualizacja modelu.

Na razie trafne zdanie jest węższe niż slajd i bardziej użyteczne: Microsoft udostępnił model decyzyjny, który jest dwa razy szybszy od poprzednika przy tej samej cenie tokena, znacznie lepiej skalibrowany, od niedawna potrafi czytać obrazy, nadal jest ograniczony do 32 tys. tokenów, jest uczciwy co do tego, czego nie wie, i zajmuje jedenaste miejsce na jedynym niezależnym rankingu, który go klasyfikuje. Prezentacja główna twierdziła, że bije Google i OpenAI. Bije. Po prostu nie bije wszystkich.