Um cartão de título gerado com o cabeçalho 'A Atualização em que um Número Andou para Trás', subtítulo 'Microsoft-Decision-1.1 vs Microsoft Decision 1 — Decision Index v2.1', com quatro etiquetas lendo '67.78 vs 62.07', '123 ms vs 274 ms', '49.4% vs 21.7% de abstenção' e '6.29% vs 8.64% HLE', uma legenda lendo 'seis semanas de diferença, mesmo preço por token', e dois blocos de barras cinza rotulados Velocidade e Conhecimento. O logotipo da OrcaRouter está composto no canto inferior direito.
Guides & Insights

Microsoft-Decision-1.1 vs Microsoft Decision 1: A atualização em que um número voltou para trás

Autor

jinhao.song

Data de publicação

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

Todas as métricas publicadas para o Microsoft-Decision-1.1 são melhores do que a métrica do Microsoft-Decision-1, exceto uma, e a exceção é a parte interessante. No Artificial Analysis Decision Index v2.1, o novo modelo pontua 67,78 contra 62,07, é 2,2x mais rápido, com 123 ms por tarefa contra 274 ms, e abstém-se de forma muito mais confiável — 49,4% de não alucinação no AA-Omniscience-Decision contra 21,7%. No entanto, nas perguntas que o modelo antigo acertou, o novo acerta menos: 6,29% de precisão bruta no HLE-MultiChoice v1.1 contra 8,64%, e 47,5% das perguntas do AA-Symmetry respondidas de forma consistente contra 51,7%. O Microsoft-Decision-1.1 não é um Microsoft-Decision-1 estritamente melhor. É um modelo calibrado de forma diferente, e a direção dessa troca é o que determina uma decisão de migração.

Os dois modelos têm seis semanas de diferença. O Microsoft-Decision-1 alcançou disponibilidade geral em 8 de outubro de 2026 como um pontuador somente de texto pós-treinado a partir do Qwen3.5-9B. O Microsoft-Decision-1.1 chegou em 17 de novembro de 2026 no Ignite, sobre o Gemma 4 26B A4B, uma base de mistura de especialistas que a Microsoft descreve como tendo parâmetros ativos suficientes para julgamento enquanto permanece pequena o suficiente para ser executada em hardware A100, H100/200 e GB200/300. Mesmo preço. Mesmo teto de 32K. Os mesmos três tipos de pergunta. Backbone diferente, classe de latência diferente e um conjunto de pontos fortes mensuravelmente diferente.

A mudança do modelo base é o lançamento

A versão 1 era um modelo denso de 9 bilhões de parâmetros. A versão 1.1 é uma mistura de especialistas de 26 bilhões de parâmetros com cerca de 4 bilhões ativos por token, se você interpretar o sufixo A4B da forma como o Google o usa na linha Gemma. Isso não é um retreinamento incremental; é uma arquitetura diferente, uma família diferente e um conjunto diferente de características de serving. A postagem de lançamento da Microsoft deixa explícito que a troca foi uma decisão de custo e inteligência, e a associa a um mecanismo de inferência personalizado criado para pontuação, e não para geração token a token.

O que o swap comprou, na ordem em que um comprador perceberia:

• Latência — de 274,25 ms para 123,25 ms por tarefa, medida em todo o índice. No componente único mais rápido, When2Call, o novo modelo tem média de 94 ms contra 230 ms do modelo antigo.

• Calibração — a Pontuação de Decisão, que é a precisão com a penalidade de Brier aplicada, aumentou em cada um dos cinco componentes de decisão. Omniscience passou de 54,89 para 60,46, HLE de 39,42 para 46,11, Paperclip de 51,82 para 58,67, EvalSafe de 86,82 para 88,85 e When2Call de 87,95 para 95,08.

• Comportamento de recusa — a não alucinação no Omniscience mais que dobrou, de 21,74% para 49,40%. No HLE, passou de 15,05% para 38,36%. Para um modelo cujo único propósito é ser submetido a um limiar, esta é a mudança mais consequente da lista.

• Modalidade — imagens passaram a integrar texto e JSON como entrada aceita. Áudio e vídeo continuam recusados, e o modelo continua sem produzir explicação, justificativa ou tokens de saída.

Contexto — inalterado em 32.768 tokens. Nada aqui mudou, e vale dizer isso claramente porque a “1.1” induz à suposição de que tudo melhorou.

Onde a 1.1 é pior, e por que o próprio enquadramento da Microsoft já prevê isso

As regressões não são aleatórias. Elas se agrupam nos dois componentes que pedem ao modelo que saiba algo em vez de decidir algo.

No HLE-MultiChoice v1.1, a acurácia bruta caiu de 8,64% para 6,29% — uma queda relativa de 27% na proporção de perguntas difíceis respondidas corretamente. A Decision Score ainda assim subiu, de 39,42 para 46,11, porque a confiança do modelo nas respostas que deu passou a corresponder muito melhor ao fato de essas respostas estarem certas. Traduzindo: ele ficou pior em chutar e muito melhor em saber que estava chutando. A métrica composta recompensa a segunda e quase não percebe a primeira.

No AA-Symmetry, o quadro é mais sutil e menos lisonjeiro. A Symmetry mede se a mesma pergunta, reformulada — opções reordenadas, rótulos trocados, um sim/não negado — produz a mesma resposta com a mesma probabilidade. A versão 1 passou em 51,7% das reformulações no nível de aprovação total; a versão 1.1 passa em 47,5%. Sua pontuação, no entanto, melhorou, de 70,42 para 75,72, porque, quando de fato se desvia, agora se desvia menos. Menos execuções perfeitas, erros menores. Essa é uma forma defensável para um sistema de pontuação, mas é uma regressão na única propriedade que se espera que um modelo de decisão garanta: que a formulação não mude a resposta.

O keynote da Microsoft falou abertamente o que costuma ficar subentendido — esses modelos "explicitamente ainda não foram ajustados para os problemas mais difíceis, como pesquisa científica fundamental e trabalho agêntico de horizonte muito longo", porque ajustar para essas capacidades aumentaria o preço de toda tarefa rotineira. A Decisão 1.1 é como essa política se parece quando é executada. O benchmark de conhecimento piorou de propósito, ou pelo menos sem objeção.

A screenshot of the Artificial Analysis page for Microsoft-Decision-1, dated October 2026, headed 'Release, Decision Index Score, Performance & Price'. The summary states the model is below average on the Decision Index and somewhat expensive, notably slow, supports text input only and carries a 33k-token context window. It scores 62 against a board median of 66, runs at 274 ms per task against a 206 ms median, prices at $0.042 per million input tokens and costs about $143 per million tasks, ranked 20 of 25 on cost. Component rows for Decision Index, AA-Paperclip, EvalSafe-O*NET-AA, When2Call, AA-Omniscience-Decision v1.1 and HLE-MultiChoice v1.1 sit below.

O que não mudou: o cartão de preço e a barreira dos 32K

Ambas as versões indicam $0,042 por milhão de tokens de entrada no Global Standard, $0,046 no US Data Zone e $0,05 em implantações no EU Data Zone e no APAC Data Zone, com a saída cobrada a zero porque não há saída. A frase da Microsoft é “mais de duas vezes mais rápido pelo mesmo custo”, e o preço por token comprova isso exatamente.

O custo medido por tarefa diz algo ligeiramente diferente. A versão 1 fica em US$ 142,56 por milhão de tarefas no índice; a versão 1.1, em US$ 139,64. Uma melhoria de 2%, não o dobro. O motivo é que o custo por tarefa é o preço do token multiplicado pela entrada consumida, e o novo modelo não está consumindo metade dos tokens — está respondendo na metade do tempo. Se sua restrição é um orçamento de tempo de relógio ou uma etapa de roteamento dentro do caminho de uma requisição, a atualização é grande e óbvia. Se sua restrição é gasto, a 1.1 não muda sua fatura, e a Microsoft nunca afirmou que mudaria.

O outro número inalterado é o teto. Ambos os modelos leem 32.768 tokens, e a documentação da Microsoft para a 1.1 repete quase à letra a formulação "entradas de até 32K tokens" da página da v1. Não há suporte a cache documentado para nenhum dos dois, o que significa que uma rubrica de 200 perguntas é paga integralmente em cada chamada, em ambas as versões, em todos os níveis de volume. Essa é a maior alavanca isolada da economia desta categoria, e nenhum dos lançamentos mexe nisso.

A generated two-column scoreboard headed 'Microsoft-Decision-1.1 vs Microsoft Decision 1 — the scoreboard'. The 1.1 column reads Decision Index 67.78, speed per task 123 ms, non-hallucination 49.4%, HLE accuracy 6.29%, symmetry pass rate 47.5% and context 32,768 tokens. The Decision 1 column reads Decision Index 62.07, speed per task 274 ms, non-hallucination 21.7%, HLE accuracy 8.64%, symmetry pass rate 51.7% and context 32,768 tokens. 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.

Como migrar sem um salto de fé

O formato da API é estável o suficiente para que a migração seja majoritariamente configuração, mas não totalmente. A Microsoft documenta a chamada v1.1 como um state mais um mapa de perguntas tipadas — noul, choice, score — enviada para /providers/microsoft/v1/systemone em um recurso Foundry, com o campo model contendo o nome da sua implantação em vez do nome do modelo. A resposta retorna o modelo subjacente, então uma implantação nomeada para sua carga de trabalho ainda pode informar qual versão respondeu.

Três passos que vale a pena seguir em ordem, em vez de trocar o nome da implantação e ficar observando um painel:

1. Registe novamente a distribuição de confiança do seu conjunto rotulado, não a sua exatidão. A mudança de 21,7% para 49,4% de não alucinação significa que a 1.1 recusará uma parcela materialmente maior de perguntas no mesmo limite. Se o seu pipeline trata uma resposta ausente como uma falha grave em vez de um sinal de encaminhamento, esta atualização parecerá uma regressão em produção, enquanto todos os benchmarks dizem que é uma melhoria.

2. Reajuste o limite. Um ponto de corte escolhido na escala de confiança da versão 1 está sendo aplicado a uma distribuição que mudou. A orientação da própria Microsoft é validar os limites com exemplos rotulados antes de automatizar um gate, o que é o mesmo conselho de sempre e agora é essencial.

3. Teste a regressão de simetria na sua própria formulação. Se os seus prompts forem gerados a partir de modelos com ordem variável das opções — e a maioria dos prompts de roteamento é —, a taxa de aprovação total de 47,5% é o número com que se preocupar, não o composto. Duplique vinte das suas perguntas com as opções reordenadas e meça com que frequência o argmax muda.

O que torna esse terceiro passo barato é que a abstenção tem para onde ir. Um modelo de decisão que recusa só é útil se aquilo a que ele se recusa pode responder, e essa é a parte do pipeline que o OrcaRouter fornece: uma única chave para mais de 200 modelos com failover automático, de modo que um resultado de baixa confiança na escolha possa ser encaminhado para um modelo geral em vez de acionar uma pessoa, e o DSL de roteamento pode compor os dois em uma única sequência de chamadas. O Gemma 4 26B A4B — o modelo base dentro do Decision 1.1 — está em nosso catálogo a US$ 0,06 por milhão de tokens de entrada e US$ 0,33 por milhão de tokens de saída, ao preço de tabela do provedor, com 0% de markup repassado, o que faz com que o teste de sanidade mais barato possível para qualquer decisão suspeita seja uma chamada real ao seu próprio backbone.

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.

Se deve mover-se de qualquer forma

Há um argumento para permanecer na versão 1, e ele é estreito, mas real. Se sua carga de trabalho consiste em perguntas de conhecimento difícil, em que uma resposta errada é pior do que nenhuma resposta — o perfil HLE —, a versão 1 respondeu a mais delas. Se seus prompts são modelados de formas que reordenam as opções, a versão 1 era mais estável sob reformulação. E se você já ajustou um limiar e o validou com dados de produção rotulados, a nova distribuição de confiança invalida esse trabalho.

Para todos os outros, o caso é simples. O dobro da vazão pelo mesmo preço por token, uma taxa de aprovação de documentos que passou de 20,9% para 36,8%, entrada de imagem que não existia antes, e um modelo que diz "Não sei" com o dobro da frequência exatamente nas situações em que um compromisso errado sai caro. Essas são as propriedades pelas quais se compra uma camada de decisão. O benchmark de conhecimento de que ele abriu mão não era o que alguém estava comprando este modelo para fazer.

A migração, em uma linha: passe para a 1.1 pela latência e pela abstenção, reajuste seus limites na mesma semana e guarde os números da versão 1 numa gaveta para o dia em que alguém perguntar por que o novo modelo deixou de responder a uma pergunta que o antigo respondia.