Сгенерированная титульная карточка с заголовком «Один тест, большая часть преимущества», подзаголовком «Microsoft-Decision-1.1 vs Gemini Decision 1, Decision Index v2.1», с сеткой два на два из четырёх карточек с подписями «67.78 vs 65.98», «95.08 vs 80.50», «123 мс vs 211 мс» и «139.64 vs 344.90 доллара», подписью «на миллион задач, данные на 19 ноября 2026 г.» и двумя серыми столбчатыми блоками с подписями Microsoft и Gemini. Логотип OrcaRouter наложен в правом нижнем углу.
Guides & Insights

Microsoft-Decision-1.1 против Gemini Decision 1: преимущество в два балла, почти полностью построенное на одном тесте

Автор

jinhao.song

Дата публикации

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

Поставьте Microsoft-Decision-1.1 и Gemini Decision 1 рядом в Artificial Analysis Decision Index v2.1 — и разрыв выглядит как вердикт: 67,78 против 65,98, причём модель Microsoft ещё и почти вдвое быстрее — 123 мс на задачу против 211 мс, — и более чем вдвое дешевле: $139,64 за миллион задач против $344,90. Разложите композитный показатель на составляющие — и вердикт становится менее значительным и более странным. Всё преимущество Microsoft-Decision-1.1 проистекает из одного компонента, вес которого составляет 10% индекса, и одного решения на уровне процесса о том, как тарифицируется документ. По двум компонентам знаний побеждает модель Google — по одному из них с отрывом более шести пунктов и почти вдвое большей сырой точностью.

Эта разница и есть всё сравнение, и она решает больше, чем позиция в рейтинге. Gemini Decision 1 обрабатывает 262 144 токена и принимает аудио, видео и PDF; Microsoft-Decision-1.1 обрабатывает 32 768 и принимает текст, JSON и изображения. Модель Google признаёт незнание в 49,6% случаев на тесте Omniscience; модель Microsoft — в 49,4%. В тесте маршрутизации модель Microsoft опережает на двенадцать с половиной пунктов. Если ваше решение — «какой из этих пяти инструментов нужен для этого запроса», ответ совсем не близок. Если ваше решение — «верно ли это условие в этом 90-страничном договоре», ответ меняется, и меняется из-за контекстного окна, а не из-за модели.

Оба — бомбардиры, и они бомбардиры одного и того же склада.

Эти два API сошлись почти на одном и том же примитиве, что делает сравнение необычайно чистым. Каждый из них принимает общий вход, набор типизированных вопросов и возвращает один типизированный ответ на каждый вопрос с прикреплённой вероятностью. Ни один из них не пишет ни слова.

• Типы вопросов — оба предлагают одни и те же три: вероятность «да/нет», выбор из фиксированного набора с вероятностью для каждого варианта и позицию на упорядоченной шкале. Microsoft называет первый noul, Google также называет его noul, и это не столько совпадение, сколько категория, остановившаяся на определённой терминологии.

• Токены на выходе — ноль в обоих случаях, при каждом вызове. Оплата взимается только за входные токены, поэтому указанная цена за токен — это полная цена.

• Параллельная оценка — оба независимо оценивают каждый вопрос относительно общих входных данных, поэтому вопросы не видят друг друга, и добавление десятого не меняет первые девять.

• Размер запроса — Google документирует от 1 до 1000 вопросов на вызов, вопросы с выбором вариантов с 2–255 вариантами, вопросы с оценкой с 2–255 уровнями. Microsoft документирует «один или несколько типизированных вопросов» без верхнего предела, а в публикации о запуске говорится о запросах, содержащих «сотни вопросов».

Ввод изображений — теперь его принимают обе. Microsoft добавила его в версии 1.1; у Google он есть с самого запуска, вместе с аудио и видео, которые Microsoft явно не принимает.

• Конечные точки — именно здесь они физически расходятся. Gemini Decision 1 доступна только через Decisions API от Google в Gemini Developer API v1beta. Microsoft-Decision-1.1 развертывается как ресурс Foundry и отвечает по адресу /providers/microsoft/v1/systemone на этом ресурсе.

Композит, разложенный

Преимущество в индексе в 1,8 пункта, которое сосредоточено в одном компоненте с весом 10%, — это не артефакт округления, но и гораздо более узкое утверждение, чем «лучшая модель». Вот полная декомпозиция обеих записей в том виде, в каком её публикует Artificial Analysis, по состоянию на 19 ноября 2026 года:

• Общий индекс — Microsoft-Decision-1.1 67.78 против Gemini Decision 1 65.98

• Индекс точности (индекс, пересобранный только на основе точности, без учёта уверенности) — 48.45 против 45.53, так что Microsoft лидирует и по корректности, просто с меньшим отрывом

• When2Call, вес 10% — 95,08 против 80,50. Разрыв в 14,6 пункта и источник перевеса

• AA-Paperclip, вес 30% — 58,67 против 56,83 по Decision Score, и 36,8% против 33,0% документов полностью корректны

• EvalSafe-O*NET-AA, 15% — 88.85 против 87.05, при сырой точности 83.4% против 82.0%

• AA-Omniscience-Decision v1.1, 15% — 60.46 против 66.28, при сырой точности 33.2% против 44.8% и показателе отсутствия галлюцинаций 49.4% против 49.6%

• HLE-MultiChoice v1.1, 15% — 46.11 против 48.71, при этом необработанная точность 6.29% против 13.16%, а отсутствие галлюцинаций — 38.4% против 35.8%

• AA-Symmetry, 15% — 75,72 против 70,47, по доле успешных перефразирований — 47,5% против 38,3%

Из этого списка вытекают два вывода. Первый: largest single gap? Let's final. Need no English. "наибольший единичный разрыв приходится на компонент с наименьшим весом — When2Call даёт 9,5 балла по 100-балльной шкале, поэтому разница в 14,6 балла там эквивалентна примерно 1,5 пункта индекса, что составляет большую часть от 1,8 пункта в сумме. Второй: преимущество Gemini Decision 1 в знаниях действительно велико: 44,8% против 33,2% по сырой точности Omniscience — это не шум, и именно поэтому индекс точности модели Google выше, чем предполагает её композитный показатель." Good. Output only.

Иными словами, Microsoft не превзошла Google по всем показателям. Она убедительно превзошла Google в одном тесте, который проверяет, знает ли модель, когда вызывать инструмент, и примерно сравнялась с ней во всем остальном, проиграв тесты на знания и выиграв тест на согласованность.

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.

Во что на самом деле обходится разница в контекстном окне

Окно в 262 144 токена — это число, которое определяет реальные рабочие нагрузки, и это разрыв в 8 раз: Gemini Decision 1 читает в восемь раз больше, чем Microsoft-Decision-1.1. Документация Google расходует этот бюджет особым образом — окно охватывает общий ввод и все вопросы вместе, поэтому один длинный договор плюс двести вопросов по рубрикам конкурируют за одни и те же 262 тыс. токенов.

Потолок Microsoft в 32K имеет вторичный эффект, который проявляется в столбце затрат. AA-Paperclip начисляет плату за документ один раз для всех его вопросов и получает 15 ответов на документ. Модель, которая не может удержать документ в одном вызове, приходится применять по частям, что умножает число вызовов. Microsoft-Decision-1.1 обходится в $386 за миллион задач на Paperclip против $946 у Gemini Decision 1 — но рейтинг по общей стоимости за задачу уже объясняется ценой токенов, а не обработкой документов.

Есть третий механизм, который стоит назвать, потому что именно его покупатели упускают: повторяющийся ввод учитывается в полном объёме у обоих. Decisions API от Google явно не поддерживает кэширование контекста, Batch, Flex или Priority inference, поэтому рубрика, отправляемая с каждым запросом, оплачивается при каждом запросе. В документации Microsoft-Decision-1.1 тоже нет никакого описания кэширования. Ни один из поставщиков не предлагает скидку за то, что одни и те же 200 вопросов задаются миллион раз, а ведь именно на такую нагрузку и рассчитана эта категория.

Ценообразование, с ловушкой SKU

Microsoft указывает три входные ставки — {{1}}$0,042 за миллион{{/1}} в Global Standard, {{2}}$0,046{{/2}} в US Data Zone, {{3}}$0,05{{/3}} в EU and APAC Data Zone — и не указывает ставку за выходные токены. Google указывает одну: {{4}}$0,10 за миллион входных токенов{{/4}}. По заявленной цифре Microsoft {{5}}дешевле на 58%{{/5}}. По измеренной стоимости по всему индексу Microsoft {{6}}дешевле на 60%{{/6}} — {{7}}$139,64 против $345,41 за миллион задач{{/7}} — потому что она также потребляет меньше токенов на задачу в большинстве компонентов.

Но ставка $0.042 — это глобальная ставка, а рабочая нагрузка с резидентностью в ЕС на SKU с зоной данных платит $0.05, что сокращает разрыв до 50%. Ни одна из этих цифр не включает стоимость вызовов вокруг модели принятия решений, которые в большинстве продакшен-пайплайнов многократно превышают сам вызов оценки — модель, которая готовит черновики ответов-кандидатов, модель, которая пишет рубрику, модель, которая обрабатывает всё, по чему оценщик воздержался. Именно на этих расходах маршрутизация действительно экономит деньги, и это та часть, которую покрывает OrcaRouter: один ключ для более чем 200 моделей по прайс-листу провайдера с наценкой 0%, поэтому изменение цены вендора на генеративной половине применяется в тот же день, а fusion или DSL маршрутизации позволяют поставить дешёвого составителя черновиков за дорогим судьёй без второй интеграции.

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.

Какой из них вы бы действительно развернули

Три формы рабочей нагрузки, три разных ответа, и ни один из них не «более высокий индекс».

• Маршрутизация, гейтинг и выбор инструментов — Microsoft-Decision-1.1. Показатель 95.08 на When2Call против 80.50 — это самый большой разрыв по отдельному компоненту в таблице лидеров, а маршрутизация — та рабочая нагрузка, для которой Microsoft создавала модель. Медианное значение 123 мс здесь тоже важно: маршрутизатор находится на пути запроса, и разница между 123 мс и 211 мс — это разница между шагом, который никто не замечает, и шагом, который должен поглотить бюджет задержки.

• Извлечение информации из документов и оценка по рубрикам на длинных входных данных — решение Gemini 1. Если один вызов должен увидеть 90-страничный договор вместе с вопросами о нём, потолок Microsoft в 32K просто не справляется, и никакая производительность When2Call не спасёт вызов, которого никогда не было. Показатели точности Google — 44,8% в Omniscience и 13,2% в HLE — подкрепляют тот же вывод с другой стороны: система знает больше и может прочитать больше.

• Массовый скрининг, где решающую роль играет стоимость, — ни то, ни другое, и это честный ответ. Celeris-1.1 Decision набирает 62,0 при 14 долларах за миллион задач; Decider v1.3 набирает 70,4 при 68 долларах. Оба превосходят Microsoft-Decision-1.1 по стоимости за задачу, а один — по индексу. Если ваше решение дешевое и повторяющееся, варианты гиперскейлеров — это дорогие варианты.

Одна оговорка касается всех трёх: разрыв в 1,8 пункта и строки калибровки взяты из индекса, который 8 ноября 2026 года пересмотрел собственные веса, снизив долю Omniscience и HLE с 25% у каждого до 15% и введя 30%-й компонент по документам. Пересмотр весов может сдвинуть этот рейтинг сильнее, чем выпуск модели. Рассматривайте сравнение как актуальное на указанную дату, а не как постоянное.

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.

В чем две модели разойдутся дальше

Microsoft-Decision-1.1 — это вторая попытка на новой базе — {{1}}Gemma 4 26B A4B{{/1}} вместо {{2}}Qwen3.5-9B{{/2}} — с собственным движком вывода и питчем по маршрутизации. Gemini Decision 1 — первый проект Google в этой области, привязанный к единой поверхности API и единственному ID модели. Траектории указывают в противоположных направлениях: Microsoft итеративно улучшает базовую модель и стек обслуживания, Google — входные модальности и бюджет контекста.

То, что это значит для решения, принимаемого в этом месяце, звучит совсем не эффектно. Прежде чем смотреть хоть одну цифру бенчмарка, проверьте, помещается ли ваш самый длинный вход в 32K, потому что это ограничение сразу исключает одну из этих двух моделей. Если помещается, прогоните свои двадцать размеченных примеров через обе и сравните распределения уверенности, а не ответы top-1 — оценщик, для которого нельзя задать порог, это оценщик, который нельзя выпускать, а эти две модели различаются менее чем на 0,2 пункта по отсутствию галлюцинаций, и именно эта строка определяет, ведёт ли себя отказ от ответа на ваших данных так же, как на публичном тестовом наборе.

Сравнение в этой статье1

Определено по этой статье · Бенчмарки: Artificial Analysis · обновляется ежедневно

© 2026 OrcaRouter