ScaleDown Classify vs Microsoft-Decision-1: Jeden publikuje liczby, drugi publikuje metodę

ScaleDown Classify i Microsoft-Decision-1 to dwie zamknięte, hostowane opcje w tym porównaniu. Żadna nie udostępnia wag, żadnej nie można pobrać, a obie opierają się na tym samym założeniu: że decyzję — którą kategorię, którą opcję, który z nich — należy odczytać z prawdopodobieństw modelu, a nie wypisać jako tekst przez pętlę generowania. Microsoft-Decision-1 jest ogólnie dostępny w Microsoft Foundry od 8 października 2026 r. jako gęsty dekoder o 9 miliardach parametrów, dostrojony przez Microsoft po wstępnym treningu, z 25 obsługiwanymi językami i kontekstem 32 768 tokenów. ScaleDown Classify to hostowany silnik oparty na rubrykach w cenie 0,05 USD za milion tokenów wejściowych i 0 USD za milion tokenów wyjściowych, z limitem wejściowym 1 mln tokenów i górnym limitem dwudziestu etykiet. Tym, co je dzieli, nie są możliwości. Jest nim to, co każde z przedsiębiorstw jest gotowe opublikować o własnym modelu — a wybrały przeciwne połowy.

Inwersja ujawnienia

Dokumentacja Foundry dla Microsoft-Decision-1 opisuje jego ewaluację z nietypową szczegółowością. Publiczne i społecznościowe benchmarki decyzyjne oraz wewnętrzne zbiory odłożone. Metryki obejmujące dokładność i błąd kalibracji. Zmieniano kolejność opcji. Parowane testy statystyczne. Identyczny zestaw testowy dla każdego modelu, z którym jest porównywany. A potem podaje, że model „osiąga wyniki na równi z wiodącymi modelami decyzyjnymi i wyprzedza inne otwarte modele decyzyjne oceniane przy użyciu tej samej metodologii” — i nie podaje ani jednej liczby. Żadnej wartości dokładności, żadnego błędu kalibracji, żadnej tabeli dla poszczególnych benchmarków.

To, co Microsoft faktycznie publikuje, to lista ograniczeń — i to dobra. Wyniki zmieniają się wraz ze sposobem sformułowania i kolejnością opcji. Źle sformułowane pytanie nadal zwraca wynik. Kalibracja jest najsilniejsza w przypadku znanych typów zadań. Nie są tworzone żadne wyjaśnienia. Wymienione mocne strony modelu to rozumowanie, stosowanie reguł i odporność na formatowanie promptów; jego wymienione słabe strony to wiedza specjalistyczna z danej dziedziny i wyniki w językach innych niż angielski.

ScaleDown Classify działa na zasadzie lustrzanego odbicia tej polityki. Jego dokumentacja wchodzi w szczegóły operacyjne dotyczące tego, jak napisać żądanie — rubryka jest opisywana jako najważniejsza część żądania klasyfikacji, sformułowana jako bezpośrednie pytanie tak/nie, z unikaniem negacji, utrzymywana jako nienachodząca na siebie, aby masa prawdopodobieństwa nie była rozdzielana w nieprzewidywalny sposób — a materiały marketingowe dostawcy zawierają twierdzenia dotyczące dokładności i kosztów, w tym model o około pół miliarda parametrów osiągający 91,7% w prostym zadaniu klasyfikacji w porównaniu z 88,6% dla modelu o 72 miliardach parametrów. Żadne z nich nie jest powiązane z opisaną metodologią, a ScaleDown Classify nie ma opublikowanego oczekiwanego błędu kalibracji w żadnym publicznym środowisku testowym.

Wybór jest więc między dostawcą, który mówi ci, jak dokonał pomiaru, a nie co ustalił, a dostawcą, który mówi ci, co ustalił, a nie jak dokonał pomiaru. Żadna z tych opcji nie jest pełnym ujawnieniem i żadnej nie należy tak traktować.

Języki: jeden publikuje liczbę, drugi nie publikuje nic.

Microsoft-Decision-1 wymienia 25 obsługiwanych języków i wprost stwierdza, że pokrycie, jakość i kalibracja „mogą się różnić w zależności od języka”, wymieniając języki inne niż angielski, a zwłaszcza języki o mniejszych zasobach, jako obszary słabszych wyników. To użyteczne ujawnienie: mówi, że model jest wielojęzyczny, mówi w przybliżeniu, jak bardzo wielojęzyczny, i mówi, gdzie nie należy mu ufać.

Dokumentacja ScaleDown's Classify nie publikuje listy języków. W dokumentacji API nie ma informacji, które języki obsługuje punktacja według rubryk ani czy sformułowanie rubryki w języku innym niż angielski zachowuje się tak samo, a wskazówki dotyczące rubryk — sformułuj je jako bezpośrednie pytanie tak/nie, unikaj przeczeń — są napisane w sposób, który domyślnie zakłada anglojęzycznego wywołującego piszącego rubryki po angielsku. W przypadku klasyfikatora, który w praktyce będzie kierowany na międzynarodowe zgłoszenia do wsparcia, to właśnie tę lukę należy zamknąć przed podjęciem decyzji, i jest to luka, którą może zamknąć wyłącznie Twoja własna ewaluacja.

Jeśli potrzebujesz udokumentowanego zakresu językowego, to porównanie kończy się tutaj i Microsoft wygrywa domyślnie. Jeśli używasz tylko języka angielskiego, liczba nie ma znaczenia, a reszta decyzji dotyczy długości danych wejściowych i progów.

Kontekst: 32 768 tokenów wobec miliona

Microsoft dokumentuje pojedyncze wywołanie obsługujące do 32 768 tokenów. ScaleDown dokumentuje limit wejściowy wynoszący 1 mln tokenów i stwierdza, że kalibracja na poziomie fragmentu jest identyczna niezależnie od tego, czy fragment jest wysyłany samodzielnie, czy jako część partii pięćdziesięciu fragmentów, przy czym wspólny profil jest rozliczany raz na żądanie. W przypadku surowej liczby oznacza to trzydziestokrotną różnicę i jest to największa pojedyncza luka między tymi dwoma produktami.

To, co się dzięki temu zyskuje, to nie przepustowość — chodzi o to, czy potrzebujesz warstwy chunkowania. Wątek pomocy technicznej, zgłoszenie wraz z jego historią, krótki pobrany fragment: to wszystko mieści się w 32k z zapasem na schemat pytania, a oba modele są przy tym rozmiarze w przybliżeniu równoważne. Pełna umowa, wielostronicowy dokument polityki, długi pobrany kontekst lub zeskanowany formularz: nic z tego nie mieści się w 32k, a ścieżka dokumentowa Classify — base64 JPEG, PNG, TIFF lub PDF, jedno- lub wielostronicowy, z wyodrębnionym tekstem zwracanym w polu ocr_text — oznacza, że dokument może zostać wprowadzony jako bajty, a nie jako wstępnie przetworzony tekst.

Obie liczby pochodzą od samych dostawców. Deklaracja ScaleDown o milonie tokenów nie została niezależnie potwierdzona, a wpisy w katalogach stron trzecich dotyczące tego modelu podają długość kontekstu jako „nie dotyczy”, zamiast powtarzać tę liczbę, co jest ograniczeniem katalogu, a nie sprzecznością.

Wyjaśnienia: jeden odmawia, drugi pobiera podwójną opłatę

Microsoft-Decision-1 nie generuje żadnych wyjaśnień, a strona modelu wymienia to jako ograniczenie, a nie jako wybór projektowy. ScaleDown Classify zwróci jednozdaniowe wyjaśnienie swojej głównej etykiety, a dokumentacja dokładnie określa, czym jest to zdanie: jest generowane po ustaleniu głównej etykiety, więc wyjaśnia decyzję, zamiast ją podważać; ma dowolną formę; i ponownie wysyła etykiety i rubryki przy 2x rozliczanych tokenach wejściowych. Jest dostępne tylko dla żądań z pojedynczą etykietą i pojedynczym tekstem lub dokumentem wejściowym — żądania wieloetykietowe i wsadowe nigdy go nie zwracają.

W przypadku kolejki do ręcznej weryfikacji to zdanie często stanowi różnicę między zaakceptowaniem klasyfikacji przez recenzenta a ponownym jej wykonaniem przez recenzenta, co sprawia, że łatwo uzasadnić dwukrotną dopłatę w przypadku tej części ruchu, która trafia do człowieka. W zautomatyzowanym potoku jest to zbędny balast na rachunku i powinno zostać wyłączone.

Oba są zamknięte, a to zmienia to, co możesz testować.

• Wagi — żadna z nich ich nie udostępnia; ScaleDown oferuje self-hosting w wersji enterprise oraz licencjonowanie na życzenie, a strona Microsoftu nie dokumentuje żadnej ścieżki dostrajania

• Limit opcji — ScaleDown 20 etykiet na żądanie, 16 w trybie wieloetykietowym, ocenianych niezależnie; limit zestawu opcji Microsoft-Decision-1 nie jest podany na stronie modelu

• Wnioskowanie wsadowe — ScaleDown dokumentuje do 50 fragmentów na żądanie w odniesieniu do wspólnego profilu etykiet; strona Microsoftu podaje wnioskowanie wsadowe jako wyłączone

• Ujawnienie informacji o rozliczeniach — stawka Classify jest podana: 0,05 USD za milion tokenów wejściowych i 0 USD za milion tokenów wyjściowych; stawka za token w Foundry nie jest podana na stronie modelu

• Struktura cen — Classify mnoży się przez liczbę etykiet w trybie wieloetykietowym i podwaja się po włączeniu rozumowania; stawka Foundry jest naliczana za token bez opublikowanego mnożnika etykiet

• Pusta odpowiedź — Klasyfikacja zwraca zwycięzcę, nawet gdy nic nie pasuje, więc to Ty ustalasz próg; zgodnie z opisem Microsoftu źle sformułowane pytanie nadal zwraca wynik

Konsekwencja tego, że oba są zamknięte, jest w obu przypadkach taka sama: nie możesz zbadać artefaktu, więc twoją jedyną weryfikacją jest weryfikacja behawioralna. To sprawia, że wydzielony zbiór własnych etykietowanych danych staje się obowiązkowy, a koszt zmiany dostawcy to ponowne przeprowadzenie tej ewaluacji, a nie zmiana kodu.

Gdzie OrcaRouter znajduje się w potoku zbudowanym na którymkolwiek z

Żaden z tych modeli nie znajduje się w naszym katalogu i nic tutaj nie stanowi deklaracji dostępności — oba to strukturalne punkty końcowe do oceniania (scoring), a nie cele chat-completions, i warstwa routingu nie jest tym, czego którykolwiek z nich potrzebuje. To, co oferujemy, to warstwa ponad nimi: ponad 200 modeli generatywnych za jednym kluczem zgodnym z OpenAI, które tworzą szkic oceniany przez klasyfikator, w cenie katalogowej dostawcy przekazywanej dalej z 0% marży, z DSL routingu do składania kilku modeli w jedno wywołanie oraz automatycznym przełączaniem awaryjnym, gdy ścieżka obsługi zacznie zawodzić. Jeśli model decyzyjny kontroluje to, co Twoja warstwa generacji może wypuścić, to właśnie w warstwie generacji tkwi ryzyko niedostępności — a to ta połowa, którą jeden klucz może skonsolidować.

Który wybrać

Wybierz Microsoft-Decision-1, jeśli potrzebujesz udokumentowanego zakresu obsługiwanych języków, jeśli już jesteś w Azure lub jeśli dla twojego działu zakupów większe znaczenie niż publikowany wynik dokładności ma podejście dużego dostawcy do zgodności. Pogódź się z tym, że będziesz go oceniać wyłącznie na własnych danych, ponieważ Microsoft postanowił nie dawać ci niczego więcej.

Wybierz ScaleDown Classify, jeśli Twoje dane wejściowe przekraczają 32 tys. tokenów, jeśli chcesz, aby krok ekstrakcji został włączony do wywołania klasyfikacji, albo jeśli chcesz mieć rubrykę dla każdej etykiety, którą możesz przepisać bez ponownego trenowania czegokolwiek. Zaakceptuj, że argument o dokładności pochodzi od dostawcy i nie został odtworzony, że nie opublikowano żadnej liczby dotyczącej kalibracji oraz że samodzielnie ustalisz własny próg pewności i etykietę wychwytującą wszystko.

Pomiar, który by to rozstrzygnął — oba modele na identycznych danych wejściowych, ta sama kolejność opcji, ten sam przegląd progów, przeprowadzony przez kogoś bez interesu — nie został opublikowany przez żadnego z dostawców. Dopóki któryś z nich go nie przeprowadzi, uczciwa interpretacja jest taka, że Microsoft jest bezpieczniejszym domyślnym wyborem, a ScaleDown — zdolniejszym narzędziem.

Właśnie przy takich porównaniach ujawniają się też tryby awarii: udokumentowane incydenty związane z AI i awarie agentów stojące za modelami z tej klasy zebrano w Archiwum Incydentów AI OrcaRouter, gdzie każdy wpis ma własne źródła, wagę, ocenę wiarygodności i flagę sporu.