Gemini Decision 1 против Microsoft-Decision-1: две скоринговые модели гиперскейлеров с разницей в четыре балла

Два крупнейших облачных провайдера теперь оба продают модель, которая отвечает вероятностью вместо предложения, и ни один не расскажет, насколько хорошо она работает. Microsoft-Decision-1 стала общедоступной в Microsoft Foundry 8 октября 2026 года: базовая Qwen3.5-9B, дообученная Microsoft, на входе текст, 32 768 токенов контекста, на выходе калиброванные распределения, веса не распространяются. Gemini Decision 1 появилась 11 ноября 2026 года в Gemini Developer API: на входе текст, изображения, видео, аудио и PDF, 262 144 токена контекста, до 1 000 типизированных вопросов на запрос, $0,10 за миллион входных токенов, веса тоже не распространяются. Обе поставляются с разделом методологии и без таблицы результатов, поэтому единственным местом, где их можно сравнить, остаётся один независимый инструмент — Artificial Analysis, где они различаются на четыре пункта и занимают девятое и десятое места из восемнадцати.

Разрыв в четыре балла — не самое интересное. Интересно то, что в оценке, ради которой на самом деле покупают большинство моделей принятия решений, разница между этими двумя составляет всего пять баллов, при этом обе находятся у самого низа списка, а модель, побеждающая в общем рейтинге, добивается этого совсем в другом месте.

Что каждый из них ставит перед вами

Формы запросов достаточно близки, чтобы клиент, написанный для одного, за полдня адаптировался к другому, и достаточно различны, чтобы выбор обычно делали ещё до того, как будут прочитаны какие-либо бенчмарки.

• Ввод — Gemini Decision 1 принимает текст, изображения, видео, аудио и PDF, до 100 МБ встроенно на запрос и 15 МБ на внешний URL. Microsoft-Decision-1 принимает текст, сериализованный до 32 768 токенов. Отсканированная форма или запись звонка — это нативный ввод для одного и задача предварительной обработки для другого.

• Контекст — 262 144 токена для Gemini Decision 1, общие для входных данных и каждого вопроса. 32 768 для Microsoft-Decision-1, при этом их расходуют входные данные вместе с набором вариантов, а бюджет генерации вычитать не нужно, поскольку генерации нет.

• Формы вопросов — Gemini Decision 1 формализует три: да/нет с ограничением от 0,01 до 0,99, выбор из 2–255 именованных вариантов и оценку по 2–255 упорядоченным уровням, возвращающую взвешенный по вероятностям ожидаемый уровень. Microsoft-Decision-1 охватывает да/нет, множественный выбор, рейтинг, классификацию и оценку по рубрике, а также явно поддерживает варианты воздержания, такие как «не могу сказать», внутри набора вариантов.

• Пакетная обработка в рамках одного запроса — до 1 000 независимых вопросов для Gemini Decision 1, каждый изолирован от остальных, и всё это в рамках одного оплачиваемого чтения общего входного набора. Опубликованный контракт Microsoft-Decision-1 — это одно состояние и его набор вопросов на каждый вызов, поэтому широта обеспечивается группировкой вопросов, а не задокументированным лимитом на запрос.

• Цена — $0.10 за миллион входных токенов для Gemini Decision 1, без платы за вывод, поскольку вывод равен нулю токенов. Совет фиксирует $345 за миллион задач для него и $143 за миллион задач для Microsoft-Decision-1 по отслеживаемой им ставке за входные токены.

• Доступ — Gemini Developer API только на v1beta, с бесплатным уровнем в 200 запросов в минуту и 10 000 в день, неограниченным количеством ежедневных запросов с уровня Tier 2, и без упоминания Vertex AI в документации, которую выпустила Google. Microsoft-Decision-1 как развёртывание Foundry в составе портфеля Direct from Azure, с опциями serverless и unified-endpoint, стандартным SKU, аутентификацией Azure и единым путём выставления счетов, отключённым пакетным выводом и без возможности загрузки весов или тонкой настройки.

Строка доступа — это то место, где принимаются решения о закупке, а не технические решения. Если ваша организация покупает через обязательство Azure, Microsoft-Decision-1 — это счёт, который вы уже знаете, как оплатить. Если она покупает через Google Cloud, то Gemini Decision 1 сейчас таковым не является — единственный задокументированный вход — это ключ API Gemini, который относится к другой бюджетной статье и, для некоторых предприятий, к другому процессу согласования.

Табло, компонент за компонентом

Индекс решений Artificial Analysis оценивает каждый тест как точность минус штраф Бриера за уверенность, привязанную к ответу, с весами по шести компонентам. Вот как две модели распределяют их:

• AA-Paperclip, вес 30% — Gemini Decision 1 — 56,8 против Microsoft-Decision-1 — 51,8. Обе модели слабы. Доля полного прохождения документов по принципу «всё или ничего» составляет 33% у Gemini Decision 1 и 20,9% у Microsoft-Decision-1 против 63% у лидера области. Ни одна из моделей гиперскейлеров надёжно не извлекает пятнадцать фактов из насыщенного документа.

• EvalSafe-O*NET-AA, 15% — 87.1 против 86.8. Фактически идентичны, и оба находятся у верхней границы плотно сгруппированного поля.

• When2Call, 10% — 80.5 против 88.0. Microsoft-Decision-1 явно побеждает в этом сравнении и находится рядом с лидерами; Gemini Decision 1 занимает четырнадцатое место из восемнадцати.

• AA-Omniscience-Decision v1.1, 15% — 66,3 против 54,9. Gemini Decision 1 занимает первое место среди участников; причина — доля негаллюцинаций 49,6%. У Microsoft-Decision-1 здесь доля негаллюцинаций составляет 21,7% — именно это число должно встревожить любого, кто планирует устанавливать порог для его отказов от ответа.

• HLE-MultiChoice v1.1, 15% — 48,7 против 39,4. Первое место против одиннадцатого. Сырая точность — 13,2% против 8,6%, а отсутствие галлюцинаций — 35,7% против 15,1%.

• AA-Symmetry v1.1, 15% — 70,5 против 70,4. Ничья, оба в середине таблицы, сохраняют одинаковый ответ при перестановке и отрицании в 38,3% и 51,7% семейств вопросов соответственно.

Сводный показатель составляет 65,98 и 62,07 — девятое и десятое места. Достаточно взглянуть на компоненты, и структура каждого продукта становится ясной. Microsoft-Decision-1 — надёжный оценщик вызовов инструментов и суждений на рабочем месте, но его показатели знаний и воздержания от ответов слабы. Gemini Decision 1 — противоположность: лучшие в таблице оценки знаний и воздержания от ответов в сочетании со средним уровнем извлечения и слабым различением выбора инструментов.

Подозрительно именно то, что у них общего.

Ни один из поставщиков не публикует таблицу бенчмарков. В карточке Microsoft-Decision-1 описана его методология — публичные и общественные бенчмарки для принятия решений, отложенные внутренние наборы, точность и ошибка калибровки, варьирование порядка вариантов, парные статистические тесты — и утверждается, что модель «показывает результаты на уровне ведущих моделей принятия решений и опережает другие открытые модели принятия решений, оценённые по той же методологии». Под этим предложением нет таблицы. В примечаниях к выпуску Gemini Decision 1 анонсируется модель и даётся ссылка на документацию API, в которой перечислены поддерживаемые и неподдерживаемые возможности и нет ни одной цифры точности.

Это важно, потому что весь интерфейс модели принятия решений — это число, по которому ветвится ваш код. Чат-модель, которая на несколько пунктов слабее, выдаёт худший текст; плохо откалиброванный скорер молча направляет 8% ваших тикетов в неверную очередь, и ничто в ответе вам об этом не сообщает. Два поставщика передовых моделей выпустили продукты, центральное утверждение которых — что вероятность означает ровно то, что заявлено, — декларируется словами, а измеряется только третьей стороной.

Третья сторона, надо отдать ей должное, измеряет оба на одном и том же инструменте — именно поэтому это сравнение вообще возможно. Но одна таблица лидеров — это всего лишь одна таблица лидеров, её крупнейший компонент на 45% состоит из приватных данных, и она оценивает модели принятия решений всего несколько недель. Считайте 66 и 62 первым внешним измерением, а не окончательно установленным уровнем возможностей.

Какой из них поставить за вашим порогом?

Выбирайте Microsoft-Decision-1, когда решение представляет собой вызов инструмента или оценку рабочего документа, когда входной текст комфортно укладывается в 32 тыс. токенов и когда условием развёртывания является контракт Azure с единым выставлением счетов и приложенным пакетом Responsible AI. Его показатели 88,0 в When2Call и 86,8 в EvalSafe-O*NET — это реальные сильные стороны, а явные варианты воздержания позволяют заложить «не могу определить» как запасной выход в сам набор вариантов, а не прикручивать его afterwards.

Выбирайте Gemini Decision 1, когда входные данные длинные, мультимодальные или используются совместно для многих вопросов, когда важны вопросы знаний и контроль галлюцинаций, а также когда вы готовы платить за контекст. Первое место по обоим компонентам знаний и доля ответов без галлюцинаций 49,6% на AA-Omniscience — вот причины выбрать её вместо более дешёвой модели Microsoft, а доля успешно обработанных документов 33% — причина не выбирать её для задач извлечения.

Не выбирайте ни один из них для извлечения данных в больших объёмах. Оба скорера гиперскейлеров находятся в нижней половине компонента документов с весом 30%, а модели, лидирующие там, — 27B-мультимодальная модель от Nace.AI и 421M-энкодер от Convai Innovations, который вы можете дообучить самостоятельно, — стоят дешевле за задачу и, в случае открытых весов, могут быть обучены на ваших собственных документах.

Остальная часть конвейера не должна быть заложником этого

OrcaRouter не содержит ни одну из этих моделей. Оба варианта — эндпоинты, возвращающие только вероятности: один в Gemini Developer API, другой в Foundry, — и ни один не является целью chat-completions, поэтому мы их не включаем в список. А вот в каталоге есть typesafe/jev-1.14 от TypeSafe — модель принятия решений с показателем 66,23 по этому же индексу, что является разумным третьим вариантом, если вы хотите, чтобы вызов скоринга использовал тот же ключ, что и всё остальное.

Вызов, который окружает оценщик, — именно здесь роутер оправдывает своё место, и именно эту половину эти два продукта намеренно не решают. Что-то ведь должно написать рубрику, по которой оценивает оценщик, сжать 60-страничный документ до 32K токенов или набросать ответ-кандидат, который затем ранжируется, — и это «что-то» есть генеративная модель, чья цена и качество меняются каждые несколько недель. Этот вызов проходит через один эндпоинт с более чем 200 моделями на нём по прайс-листу провайдера, передаваемому с наценкой 0%, с автоматическим переключением при деградации провайдера и DSL маршрутизации, если вы хотите, чтобы несколько моделей составляли один ответ. Сохраняйте письменную половину переносимой — и решение об оценке останется обратимым, а это стоит больше четырёх пунктов индекса, когда оба поставщика пересматривают свои модели раз в квартал.

Что посмотреть

Три сигнала изменили бы рейтинг, и ни один из них не появился. Таблица бенчмарков Microsoft с кривыми калибровки позволила бы её клиентам Azure устанавливать пороги на основе доказательств; карточка сейчас предлагает методологию и утверждение. Появление Gemini Decision 1 в каталоге Vertex AI перевело бы его из покупки по API-ключу в покупку по облачному контракту и полностью изменило бы сравнение при закупке. А вторая независимая комиссия, оценивающая обе модели, сказала бы нам, является ли разрыв в четыре балла сигналом или шумом таблицы лидеров, которой уже три недели.

До тех пор защитимая интерпретация такова: Gemini Decision 1 — лучшая модель в двух компонентах, где навыком является понимание, когда нужно отказаться; Microsoft-Decision-1 лучше в выборе инструментов и немного дешевле; обе находятся в середине таблицы по извлечению документов, из чего фактически состоит большинство корпоративных рабочих нагрузок, связанных с принятием решений. Прогоните через каждую по 200 собственных размеченных примеров, прежде чем какая-либо из этих цифр что-либо решит.