Uma placa de título gerada com o cabeçalho "Um Teste, a Maior Parte da Vantagem", o subtítulo "Microsoft-Decision-1.1 vs Gemini Decision 1, Decision Index v2.1", com uma grade dois por dois de quatro cartões de rótulo lendo "67,78 vs 65,98", "95,08 vs 80,50", "123 ms vs 211 ms" e "139,64 vs 344,90 dólares", uma legenda lendo "por milhão de tarefas, lido em 19 de novembro de 2026", e dois blocos de barras cinza rotulados Microsoft e Gemini. O logotipo da OrcaRouter está composto no canto inferior direito.
Guides & Insights

Microsoft-Decision-1.1 vs Gemini Decision 1: Uma vantagem de dois pontos construída quase inteiramente com base em um único teste

Autor

jinhao.song

Data de publicação

Modelos mais recentes · 20Ver todos os modelos →
Benchmarks: Artificial Analysis · atualizado diariamente
Voltar para todas as publicações

Coloque o Microsoft-Decision-1.1 e o Gemini Decision 1 lado a lado no Artificial Analysis Decision Index v2.1 e a diferença parece um veredito: 67,78 contra 65,98, com o modelo da Microsoft também quase duas vezes mais rápido, a 123 ms por tarefa versus 211 ms, e menos da metade do custo, a US$ 139,64 por milhão de tarefas versus US$ 344,90. Desmonte o composto e o veredito fica menor e mais estranho. Toda a vantagem do Microsoft-Decision-1.1 vem de um componente que vale 10% do índice e de uma decisão no nível de processo sobre como um documento é cobrado. Nos dois componentes de conhecimento, o modelo do Google vence — em um deles por mais de seis pontos, com quase o dobro da precisão bruta.

Essa divisão é a comparação inteira, e ela decide mais do que uma posição no ranking. O Gemini Decision 1 lê 262.144 tokens e aceita áudio, vídeo e PDF; o Microsoft-Decision-1.1 lê 32.768 e aceita texto, JSON e imagens. O modelo do Google admite quando não sabe em 49,6% no teste Omniscience; o da Microsoft, em 49,4%. No teste de roteamento, o da Microsoft está doze pontos e meio à frente. Se sua decisão é "qual destas cinco ferramentas esta solicitação precisa", a resposta é inequívoca. Se sua decisão é "esta cláusula neste contrato de 90 páginas é verdadeira", a resposta se inverte, e se inverte por causa de uma janela de contexto, e não de um modelo.

Ambos são goleadores, e são goleadores da mesma forma.

As duas APIs convergiram para quase o mesmo primitivo, o que torna a comparação excepcionalmente limpa. Cada uma recebe uma entrada compartilhada, um conjunto de perguntas tipadas e retorna uma resposta tipada por pergunta, com uma probabilidade associada. Nenhuma escreve uma palavra.

• Tipos de pergunta — ambos expõem os mesmos três: uma probabilidade de sim/não, uma escolha de um conjunto fixo com uma probabilidade por opção, e uma posição em uma escala ordenada. A Microsoft chama o primeiro de noul, o Google também o chama de noul, o que não é tanto uma coincidência quanto uma categoria se fixando em um vocabulário.

• Tokens de saída — zero nos dois, em todas as chamadas. A cobrança é apenas sobre a entrada, então o preço por token que você vê é o preço total.

• Pontuação paralela — ambos avaliam cada pergunta em relação à entrada compartilhada de forma independente, então as perguntas não podem ver umas às outras e adicionar uma décima não altera as primeiras nove.

• Tamanho da solicitação — O Google documenta 1 a 1.000 perguntas por chamada, perguntas de escolha com 2 a 255 opções, perguntas de pontuação com 2 a 255 níveis. A Microsoft documenta "uma ou mais perguntas tipadas" sem limite máximo, e seu post de lançamento descreve solicitações que carregam "centenas de perguntas".

• Entrada de imagem — ambos aceitam agora. A Microsoft adicionou na 1.1; o Google tem desde o lançamento, junto com áudio e vídeo, que a Microsoft explicitamente não aceita.

• Endpoints — é aqui que eles divergem fisicamente. O Gemini Decision 1 só é acessível por meio da Decisions API do Google na Gemini Developer API v1beta. O Microsoft-Decision-1.1 é implantado como um recurso do Foundry e responde em /providers/microsoft/v1/systemone nesse recurso.

O composto, decomposto

Uma vantagem de 1,8 ponto no índice que está em um único componente com peso de 10% não é um artefato de arredondamento, mas é uma afirmação muito mais restrita do que "modelo melhor". Aqui está a decomposição completa das duas entradas, como a Artificial Analysis a publica, com leitura de 19 de novembro de 2026:

• Índice geral — Microsoft-Decision-1.1 67,78 vs Gemini Decision 1 65,98

• Índice de precisão (o índice reconstruído apenas com precisão, sem a confiança) — 48,45 vs 45,53, então a Microsoft também lidera em correção, só que por uma margem menor

• When2Call, peso de 10% — 95,08 vs 80,50. Uma diferença de 14,6 pontos e a origem da vantagem

• AA-Paperclip, peso de 30% — 58,67 vs 56,83 na Pontuação de Decisão, e 36,8% vs 33,0% dos documentos totalmente corretos

• EvalSafe-O*NET-AA, 15% — 88,85 vs 87,05, com 83,4% vs 82,0% de acurácia bruta

• AA-Omniscience-Decision v1.1, 15% — 60,46 vs 66,28, com 33,2% vs 44,8% de precisão bruta e 49,4% vs 49,6% de taxa de não alucinação

• HLE-MultiChoice v1.1, 15% — 46,11 vs 48,71, com 6,29% vs 13,16% de acurácia bruta e 38,4% vs 35,8% de não alucinação

• AA-Symmetry, 15% — 75,72 vs 70,47, nas taxas de aprovação de reformulação de 47,5% contra 38,3%

Duas coisas decorrem dessa lista. A primeira é que a maior lacuna individual está no componente de menor peso — o When2Call contribui com 9,5 pontos em uma escala de 100 pontos, então a diferença de 14,6 pontos ali vale cerca de 1,5 ponto do índice, o que representa a maior parte do total de 1,8 ponto. A segunda é que a vantagem de conhecimento do Gemini Decision 1 é genuinamente grande: 44,8% contra 33,2% na precisão bruta do Omniscience não é ruído, e é por isso que o modelo do Google tem um índice de precisão mais alto do que seu composto sugere.

Em outras palavras, a Microsoft não superou o Google em medições de forma geral. Ela superou o Google de forma decisiva no único teste que pergunta se o modelo sabe quando chamar uma ferramenta, e ficou aproximadamente empatada em todos os outros, perdendo os testes de conhecimento e vencendo o de consistência.

A generated two-column scoreboard headed 'Microsoft-Decision-1.1 vs Gemini Decision 1 — the scoreboard'. The Microsoft column reads Decision Index 67.78, When2Call 95.08, Omniscience accuracy 33.2%, HLE accuracy 6.29%, context 32,768 tokens and cost per million tasks $139.64. The Gemini column reads Decision Index 65.98, When2Call 80.50, Omniscience accuracy 44.8%, HLE accuracy 13.16%, context 262,144 tokens and cost per million tasks $344.90. 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.

O que a diferença na janela de contexto realmente custa

A janela de 262.144 tokens é o número que decide cargas de trabalho reais, e é uma diferença de 8x: o Gemini Decision 1 lê oito vezes o que o Microsoft-Decision-1.1 lê. A documentação do Google gasta esse orçamento de uma forma específica — a janela cobre a entrada compartilhada e todas as perguntas juntas, então um único contrato longo mais duzentas perguntas de rubrica competem pelos mesmos 262K.

O teto de 32K da Microsoft tem um efeito de segunda ordem que aparece na coluna de custo. O AA-Paperclip cobra um documento uma única vez por todas as suas perguntas e resolve 15 respostas por documento. Um modelo que não consegue manter o documento em uma única chamada precisa ser aplicado bloco a bloco, o que multiplica as chamadas. O Microsoft-Decision-1.1 fica em US$ 386 por milhão de tarefas no Paperclip, contra US$ 946 do Gemini Decision 1 — mas o ranking de custo total por tarefa já é explicado pelo preço dos tokens, não pelo tratamento de documentos.

Há um terceiro mecanismo que vale a pena nomear, porque é o que os compradores deixam passar: a entrada repetida é contabilizada integralmente em ambos. A API Decisions do Google explicitamente não oferece suporte a cache de contexto, inferência Batch, Flex ou Priority, então uma rubrica enviada em cada requisição é cobrada em cada requisição. O Microsoft-Decision-1.1 também não tem nenhuma estratégia de cache em sua documentação. Nenhum dos fornecedores está oferecendo desconto por fazer as mesmas 200 perguntas um milhão de vezes, que é exatamente a carga de trabalho para a qual esta categoria foi criada.

Precificação, com a armadilha do SKU

A Microsoft informa três tarifas de entrada — $0,042 por milhão no Global Standard, $0,046 no US Data Zone, $0,05 no EU and APAC Data Zone — e nenhuma tarifa de saída. O Google informa uma: $0,10 por milhão de tokens de entrada. No número de destaque, a Microsoft é 58% mais barata. No custo medido em todo o índice, a Microsoft é 60% mais barata — $139,64 contra $345,41 por milhão de tarefas — porque também consome menos tokens por tarefa na maioria dos componentes.

Mas a tarifa de US$ 0,042 é a global, e uma carga de trabalho residente na UE no SKU de zona de dados paga US$ 0,05, o que reduz a diferença para 50%. Nenhum dos dois números inclui o custo das chamadas em torno do modelo de decisão, que, para a maioria dos pipelines de produção, ultrapassam em muito a própria chamada de pontuação — o modelo que redige as respostas candidatas, o modelo que escreve a rubrica, o modelo que lida com tudo aquilo de que o pontuador se absteve. É nesse gasto que o roteamento realmente economiza dinheiro, e é a parte que o OrcaRouter cobre: uma única chave para mais de 200 modelos ao preço de tabela do provedor com 0% de markup, então uma mudança de preço do fornecedor na metade generativa entra em vigor no mesmo dia, e a fusão ou a DSL de roteamento podem colocar um rascunhador barato atrás de um juiz caro sem uma segunda integração.

A screenshot of the OrcaRouter model page for google/gemma-4-26b-a4b-it, headed 'Gemma 4 26B A4B' with a 262K-token context badge and input modalities listed as text, image and video plus vision, tools, JSON and reasoning tags. The provider line reads Google, 2026-04-05, and the description identifies it as an instruction-tuned mixture-of-experts model from Google DeepMind with 25.28 total parameters and 3.8B active per token. Pricing reads $0.06 input and $0.33 output per million tokens, with zero data retention available and 76.0M tokens of usage.

Qual deles você realmente implantaria?

Três formatos de carga de trabalho, três respostas diferentes, e nenhuma delas é o índice mais alto.

• Roteamento, gating e seleção de ferramentas — Microsoft-Decision-1.1. Uma pontuação de 95,08 no When2Call contra 80,50 é a maior diferença de componente individual do quadro, e o roteamento é a carga de trabalho para a qual a Microsoft criou o modelo. Os 123 ms de mediana também importam aqui: um roteador fica no caminho da solicitação, e a diferença entre 123 ms e 211 ms é a diferença entre uma etapa que ninguém percebe e uma etapa que o orçamento de latência precisa absorver.

• Extração de documentos e avaliação por rubrica em entradas longas — Gemini Decision 1. Se uma única chamada precisa ver um contrato de 90 páginas além das perguntas sobre ele, o teto de 32K da Microsoft simplesmente falha, e nenhum nível de desempenho do When2Call salva uma chamada que nunca aconteceu. A precisão de 44,8% do Google no Omniscience e a precisão de 13,2% no HLE reforçam a mesma conclusão por outro ângulo: ele sabe mais e consegue ler mais.

• Triagem de alto volume em que a fatura domina — nem uma nem outra, e esta é a resposta honesta. Celeris-1.1 Decision pontua 62,0 a US$ 14 por milhão de tarefas; Decider v1.3 pontua 70,4 a US$ 68. Ambos superam o Microsoft-Decision-1.1 em custo por tarefa, e um supera-o no índice. Se sua decisão é barata e repetitiva, as opções dos hyperscalers são as caras.

Uma ressalva se aplica a todos os três: a diferença de 1,8 ponto e as linhas de calibração vêm de um índice que revisou sua própria ponderação em 8 de novembro de 2026, reduzindo Omniscience e HLE de 25% cada para 15% e introduzindo um componente documental de 30%. Uma reponderação pode deslocar este ranking mais do que o lançamento de um modelo. Trate a comparação como atual e datada, não permanente.

A screenshot of the Artificial Analysis page for Gemini Decision 1, headed 'Release, Decision Index Score, Performance & Price'. The headline figures read a Decision Index at rank 14 of 25, 211 ms per task and $345 per million tasks. The comparison summary states the model is below average on the Decision Index and particularly expensive, slower than average, supports text and image input and carries a 262k-token context window, with a board median of 206 ms. Component rows for Decision Index, AA-Paperclip, EvalSafe-O*NET-AA, When2Call, AA-Omniscience-Decision v1.1 and HLE-MultiChoice v1.1 sit below.

Onde os dois modelos divergirão a seguir

Microsoft-Decision-1.1 é uma segunda tentativa sobre uma nova base — Gemma 4 26B A4B em vez de Qwen3.5-9B — com um motor de inferência personalizado e um pitch de roteamento. Gemini Decision 1 é a primeira entrada do Google, vinculada a uma única superfície de API e a um único ID de modelo. As trajetórias apontam em direções opostas: a Microsoft está iterando sobre o modelo base e a pilha de serving, o Google está iterando sobre as modalidades de entrada e o orçamento de contexto.

O que isso significa para uma decisão tomada neste mês não tem nada de glamouroso. Verifique se sua entrada mais longa cabe em 32K antes de ler um único número de benchmark, porque essa restrição elimina um desses dois modelos de imediato. Se couber, passe seus próprios vinte exemplos rotulados pelos dois e compare as distribuições de confiança em vez das respostas top-1 — um scorer que você não consegue limiar é um scorer que você não consegue colocar em produção, e os dois estão a 0,2 pontos um do outro em não alucinação, que é a linha que determina se a abstenção se comporta da mesma forma nos seus dados como se comportou em um conjunto de teste público.

Comparados neste artigo1

Detectado a partir deste artigo · Benchmarks: Artificial Analysis · atualizado diariamente