Сгенерированная титульная карточка с заголовком «Линейка с презентации, проверено» и подзаголовком «Microsoft-Decision-1.1 — Artificial Analysis Decision Index v2.1», содержащая четыре чипа со значениями 67.78, «Jev 1.14 66.2», «Gemini Decision 1 65.98» и «GPT-6 Luna 60.2» над подписью «четыре модели, названные на сцене», с двумя серыми боковыми подписями «25 записей в рейтинге» и «десять выше 67.78». Логотип OrcaRouter наложен в правом нижнем углу.
Guides & Insights

Microsoft-Decision-1.1 дошёл до основного доклада Ignite. Строка бенчмарка, которую он процитировал, верна и узка.

Автор

jinhao.song

Дата публикации

Новые модели · 20Все модели →
Бенчмарки: Artificial Analysis · обновляется ежедневно
Назад ко всем статьям

Microsoft-Decision-1.1 стала общедоступной 17 ноября 2026 года — через шесть недель после Microsoft-Decision-1 и на совершенно другой базовой модели: Gemma 4 26B A4B, среднеразмерной системе mixture-of-experts, которую Microsoft называет в своём анонсе, заменив Qwen3.5-9B, на которой дообучалась версия 1. Эта замена и составляет суть релиза. Фраза, получившая более широкое распространение, прозвучала в основном докладе Ignite, где Decision 1.1 представили как маршрутизацию моделей, «встроенную прямо в ваши приложения», а затем подкрепили одной фразой: «в AA Decision Index он обходит Jev, Google и OpenAI». Эти три названия соответствуют Jev 1.14 с результатом 66,2, Gemini Decision 1 с результатом 66,0 и GPT-6 Luna (Decisions) с результатом 60,2 — против 67,78 у Microsoft-Decision-1.1. Все три сравнения корректны.

Это также самая лестная подборка из четырёх моделей в таблице, где сейчас ранжируются двадцать пять записей. Сегодня вечером десять моделей принятия решений набирают больше баллов, чем Microsoft-Decision-1.1: от d1.2-ultra с 74,8 через Drex Max v1.1 и SubQ Snap 1.2 с 72,6 до SubQ Snap 1.1 с 67,9. Фраза из пленарного доклада не была ложной. Это было тщательно подобранное сравнение, поданное в грамматике полного сравнения, и это различие стоит больше, чем сам запуск, потому что именно это происходит, когда индекс бенчмарков впервые попадает на слайд на конференции разработчиков гиперскейлера.

Что сказала сцена и что говорит доска

Опубликованная Microsoft в тот же день стенограмма keynote-доклада почти не освещает эту тему. После обзора моделей для программирования она переходит к принятию решений: «агенты всё чаще нужны для принятия решений, особенно там, где критичны скорость и стоимость. Поэтому Decision 1.1 обеспечивает маршрутизацию моделей, встроенную прямо в ваши приложения. И в AA Decision Index он обходит Jev, Google и OpenAI».

Если разобраться, это четырёхстороннее сравнение, которое индекс действительно поддерживает. По композитному показателю Decision Index v2.1, опубликованному Artificial Analysis и приведённому здесь по состоянию на 19 ноября 2026 года, Microsoft-Decision-1.1 набирает 67,78, Jev 1.14 — 66,2, Gemini Decision 1 — 65,98, а GPT-6 Luna (Decisions) — 60,2. Разрывы составляют 1,6, 1,8 и 7,6 балла. С этим не поспоришь.

Это предложение умалчивает о верхней половине таблицы, расположенной над ним. На той же странице Microsoft-Decision-1.1 занимает одиннадцатое место, и десять записей перед ним вовсе не безвестны:

• d1.2-ultra (Liquid AI) — 74,8, лидер таблицы, по цене $133 за миллион задач

• Drex Max v1.1 (Nace) — 72,6 за $103, и SubQ Snap 1.2 — 72,6 за $137

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

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

То, что вендор выбирает три названных конкурента, которые выгодно оттеняют его запуск, — не скандал; так делает каждый анонс запуска, а Microsoft необычно прямо говорит, что это именно те модели, которые она решила назвать. Самое интересное — это площадка. Проприетарный сторонний индекс — тот, чья редакция v2 вышла 8 ноября 2026 года, за девять дней до Ignite, и который на 45% построен на приватных наборах данных, — цитировался со сцены как авторитет для утверждения о собственной модели Microsoft. Это факт иного рода, чем скриншот вендорского бенчмарка, и это палка о двух концах: он повышает статус индекса и ставит индекс в положение, при котором избирательное цитирование теперь становится частью его репутации.

Что на самом деле изменилось между 1 и 1.1

Уберите слайд, и инженерия станет конкретной. Microsoft-Decision-1.1 — это не доработка октябрьской модели. Базовая модель сменилась с Alibaba Qwen3.5-9B, которую до сих пор указывает страница каталога v1, на Gemma 4 26B A4B. Microsoft описывает этот выбор в терминах затрат: достаточно активных параметров для суждений, достаточно мала, чтобы работать на парках A100, H100/200 и GB200/300. Собственный движок вывода, созданный для скоринга, а не для пошаговой генерации токенов, — вот что компания считает причиной задержки.

Возможность, которой не было в v1, — это ввод изображений. Microsoft-Decision-1.1 принимает текст, JSON или изображения — фотографии, скриншоты — и по-прежнему не принимает аудио, видео и любые формы сгенерированных объяснений. Названия типов вопросов не изменились: noul — вероятность для утверждения «да/нет», choice — одна метка из фиксированного набора с вероятностью для каждого варианта, score — позиция на упорядоченной шкале. Запрос отправляется по пути, который заканчивается на /providers/microsoft/v1/systemone, что является либо наименее понятным названием эндпоинта, выпущенным в этом квартале, либо подсказкой о том, какое место Microsoft отводит этой категории в стеке.

Контекст — это число, за которым стоит следить при миграции: Microsoft документирует «входные данные объёмом до 32K токенов», а Artificial Analysis фиксирует окно в 33k. В версии 1 было так же. Модели принятия решений, которая читает контракт объёмом 40 000 токенов, в этом релизе нет.

Три утверждения из поста о запуске, сверенные с табло

В собственном посте Microsoft приводятся три количественных утверждения, и независимые данные по каждому из них дают иной ответ.

• «Оценка 68» — значение индекса составляет 67,78. Это округление, а не инфляция, и это единственное утверждение, которое подтвердилось в точности.

• «Более чем в два раза быстрее» — версия 1 выполняет задачу за 274,25 мс, версия 1.1 — за 123,25 мс. Это в 2,23 раза быстрее, и благодаря этому новая модель занимает пятое место по скорости в таблице, а не двадцатое.

• «При той же стоимости» — верно на уровне токенов и вводит в заблуждение на практике. Обе версии указывают $0.042 за миллион входных токенов. Но измеренная стоимость на миллион задач составляет $139.64 для 1.1 против $142.56 для v1 — улучшение на 2%, а не сокращение вдвое. Та же цена, примерно тот же счёт, вдвое больше пропускной способности. Если ваше ограничение — задержка, а не расходы, обновление даёт большой выигрыш; если расходы, обновление почти ничего не меняет.

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.

Где композит перестаёт согласовываться с маркетингом

Сводный индекс Decision Index v2.1 — не загадка. Он состоит из шести взвешенных компонентов, и показатель 67.78 у Microsoft-Decision-1.1 воспроизводится из них: 30% AA-Paperclip, 15% EvalSafe-O*NET-AA, 10% When2Call, 15% AA-Omniscience-Decision v1.1, 15% HLE-MultiChoice v1.1, 15% AA-Symmetry. Умножьте и сложите — и вы получите ровно 67.78. Именно эта прозрачность делает субпоказатели читаемыми, а субпоказатели — это то, где история запуска становится интересной.

• When2Call — 95.08. Это тест маршрутизации, и это самый сильный показатель в наборе с большим отрывом. Позиционирование Microsoft звучит так: «маршрутизация моделей, интегрированная в ваши приложения», и именно по тому единственному компоненту, который измеряет именно это, модель находится почти на вершине таблицы.

• AA-Paperclip — 58,67 Decision Score, 36,8% документов получили идеальные ответы. Это компонент с весом 30%: 1 500 закрытых документов, в каждом по пять решений и десять фактов, оцениваются по принципу «всё или ничего». Версия 1 прошла 20,9%. Скачок на пятнадцать пунктов по доле документов с идеальными ответами — крупнейшее единичное инженерное улучшение в релизе, и именно поэтому сводный показатель изменился настолько сильно.

• HLE-MultiChoice v1.1 — Decision Score 46.11 при сырой точности 6.29% и 38.4% отсутствия галлюцинаций. Точность в шесть процентов в сложном тесте на знания — это не сильная сторона; Decision Score выглядит достойно только потому, что модель честно признаёт, что потерялась. В собственном посте Microsoft говорится, что эти модели «явно ещё не настроены на более сложные задачи», и именно эта строка — то место, где это признание проявляется публично.

• AA-Omniscience-Decision v1.1 — 60,46 при точности 33,2% и 49,4% отсутствия галлюцинаций. Версия 1 набрала 21,7% по показателю отсутствия галлюцинаций, так что модель научилась отказываться примерно вдвое надёжнее, одновременно прибавив два процентных пункта точности. Для модели принятия решений этот компромисс решает всё.

В совокупности профиль выглядит связно: это быстрый, хорошо откалиброванный роутер с неглубокой базой знаний. Это защитимый продукт. Но это не тот продукт, который подразумевает фраза из презентации.

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.

Цены — в тех единицах, которые реально используются в счёте.

Foundry указывает три входных тарифа для Microsoft-Decision-1.1 и вообще не указывает выходной тариф, поскольку модель не выдаёт выходных токенов: $0.042 за миллион входных токенов на Global Standard, $0.046 в US Data Zone и $0.05 при развёртывании в EU и APAC Data Zone. Выбирая SKU с привязкой к зоне данных, вы платите на 19% больше заявленной цифры за локальность. Именно здесь утверждение о «самой дешёвой решающей модели» незаметно подвергается первой корректировке.

Второй пункт — столбец стоимости за задачу, который получается, если умножить цену токена на то, сколько входных данных фактически потребляет задача. При $139,64 за миллион задач AA ставит Microsoft-Decision-1.1 на пятнадцатое место из двадцати пяти по стоимости — дешевле, чем Gemini Decision 1 за $344,90, но дороже, чем Celeris-1.1 Decision за $14 и Decider v1.3 за $68. Модель быстрая, а её цена — средняя. Это не самое выгодное предложение в своей категории, и Microsoft никогда не утверждала обратного.

В каком положении это оставляет команду, которая хочет это назвать

Маршрут от самой Microsoft — Foundry: разверните модель, затем отправьте состояние плюс карту типизированных вопросов к эндпоинту принятия решений. Корпоративным покупателям будет важно, что Microsoft уже использует его в качестве судьи внутри Foundry Evaluations и в качестве маршрутизатора в Copilot, где, по сообщению компании, одно и то же решение о маршрутизации принимается в 2,2 раза быстрее и при затратах в 4,4 раза ниже, чем у большой языковой модели, — заявленная вендором цифра по результатам собственного испытательного стенда Microsoft, не воспроизведённая за его пределами.

Стоит прямо сказать, что OrcaRouter предлагает, а что — нет. Мы не хостим Microsoft-Decision-1.1, Gemini Decision 1 или какой-либо эндпоинт для скоринга решений, потому что API, возвращающий только вероятности, не подходит в качестве цели для chat-completions, а делать вид, что это не так, — это как раз тот тип заявлений о доступности, который красиво звучит и ломается в продакшене. А предлагаем мы ту половину конвейера принятия решений, которая действительно генерирует, — и один взгляд на этот релиз на редкость буквален: Gemma 4 26B A4B — та самая базовая модель, которую дообучала Microsoft, есть в нашем каталоге по цене $0.06 за миллион входных и $0.33 за миллион выходных токенов, наряду с Jev 1.14 по цене $0.042, моделью, с которой сравнивают Microsoft-Decision-1.1. Если вы хотите увидеть, какая часть поведения при принятии решений приходится на базовую модель, а какая — на посттренинг, оба конца этого сравнения доступны с одного ключа, по прайс-листовой цене провайдера с 0% наценки, переданной напрямую.

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.

Что посмотреть дальше

Две вещи теперь можно проверить публично, чего нельзя было на прошлой неделе. Первая — продолжает ли Decision Index появляться на экранах ключевых докладов: бенчмарк становится закупочным документом в тот момент, когда вендоры начинают цитировать его под собственным логотипом, и следующий вендор, который это сделает, процитирует другую подборку из четырёх моделей. Вторая — удержит ли Microsoft-Decision-1.1 свою позицию в маршрутизации, когда табло расширится, — When2Call имеет вес 10% и обеспечивает большую часть преимущества модели над Gemini Decision 1, а значит, рутинный пересмотр индекса может сдвинуть этот рейтинг сильнее, чем любое обновление модели.

На данный момент точная формулировка уже, чем слайд, и полезнее: Microsoft выпустила модель принятия решений, которая вдвое быстрее предшественницы при той же цене за токен, заметно лучше откалибрована, теперь умеет читать изображения, по-прежнему ограничена 32K токенов, честна насчёт того, чего не знает, и занимает одиннадцатое место в единственном независимом рейтинге, который её оценивает. В основном докладе говорилось, что она превосходит Google и OpenAI. Так и есть. Просто она не превосходит всех.

© 2026 OrcaRouter