
Microsoft-Decision-1.1 против Microsoft Decision 1: обновление, в котором одно число пошло назад
- OrcaНОВИНКАOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 за 1 млн токенов · 184 tok/s
- tencentНОВИНКАTencent: Hy4 Flash2026-11-16$0.02 / $0.07 за 1 млн токенов · 223 tok/s
- GoogleНОВИНКАGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 за 1 млн токенов · 87 tok/s
- AnthropicНОВИНКАAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 за 1 млн токенов · 96 tok/s
- orcaНОВИНКАOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 за 1 млн токенов · 90 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 за 1 млн токенов · 131 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 за 1 млн токенов · 77 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 за 1 млн токенов · 94 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 за 1 млн токенов · 114 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 за 1 млн токенов · 69 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 за 1 млн токенов · 94 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 за 1 млн токенов · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Интеллект
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 за 1 млн токенов · 209 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Интеллект
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 за 1 млн токенов · 111 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Интеллект
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 за 1 млн токенов · 311 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Интеллект
Каждый опубликованный показатель для {{1}}Microsoft-Decision-1.1{{/1}} лучше показателя для {{2}}Microsoft-Decision-1{{/2}}, кроме одного, и именно это исключение — самое интересное. В {{3}}Artificial Analysis Decision Index v2.1{{/3}} новая модель набирает {{4}}67,78{{/4}} против {{5}}62,07{{/5}}, работает в {{6}}2,2 раза{{/6}} быстрее — {{7}}123 мс{{/7}} на задачу против {{8}}274 мс{{/8}} — и гораздо надёжнее воздерживается от ответа: {{9}}49,4%{{/9}} отсутствия галлюцинаций в {{10}}AA-Omniscience-Decision{{/10}} против {{11}}21,7%{{/11}}. Однако на вопросах, которые старая модель решала правильно, новая даёт меньше правильных ответов: {{12}}6,29%{{/12}} сырой точности в {{13}}HLE-MultiChoice v1.1{{/13}} против {{14}}8,64%{{/14}}, и {{15}}47,5%{{/15}} вопросов {{16}}AA-Symmetry{{/16}}, на которые даны согласованные ответы, против {{17}}51,7%{{/17}}. {{18}}Microsoft-Decision-1.1{{/18}} не является строго лучшей версией {{19}}Microsoft-Decision-1{{/19}}. Это модель с иной калибровкой, и именно от направления этого компромисса зависит решение о миграции.
Две модели разделяют шесть недель. Microsoft-Decision-1 достигла общей доступности 8 октября 2026 года как текстовый скорер, прошедший посттренировку на основе Qwen3.5-9B. Microsoft-Decision-1.1 появилась 17 ноября 2026 года на Ignite на базе Gemma 4 26B A4B — mixture-of-experts-основы, которую Microsoft описывает как имеющую достаточно активных параметров для суждений, но при этом достаточно компактную для обслуживания на оборудовании A100, H100/200 и GB200/300. Та же цена. Тот же потолок в 32K. Те же три типа вопросов. Другая основа, другой класс задержки и измеримо другой набор сильных сторон.
Изменение базовой модели — это релиз.
Версия 1 была плотной моделью с 9 млрд параметров. Версия 1.1 — это смесь экспертов с 26 млрд параметров и примерно 4 млрд активных параметров на токен, если интерпретировать суффикс A4B так, как Google использует его в линейке Gemma. Это не инкрементальное переобучение; это другая архитектура, другое семейство и другой набор характеристик обслуживания. В сообщении Microsoft о запуске прямо говорится, что замена была решением, продиктованным стоимостью и уровнем интеллекта, и сопровождается специальным движком инференса, созданным для скоринга, а не для генерации токен за токеном.
Что дал обмен — в том порядке, в котором это заметил бы покупатель:
• Задержка — с 274,25 мс до 123,25 мс на задачу, измеренная по всему индексу. На самом быстром отдельном компоненте, When2Call, новая модель в среднем показывает 94 мс против 230 мс у старой модели.
• Калибровка — Decision Score, то есть точность с применённым штрафом Бриера, вырос по всем пяти компонентам решений. Omniscience: с 54,89 до 60,46; HLE: с 39,42 до 46,11; Paperclip: с 51,82 до 58,67; EvalSafe: с 86,82 до 88,85; When2Call: с 87,95 до 95,08.
• Поведение при отказах — отсутствие галлюцинаций на Omniscience более чем удвоилось: с 21,74% до 49,40%. На HLE оно выросло с 15,05% до 38,36%. Для модели, единственное предназначение которой — проходить пороговую оценку, это самое существенное изменение в списке.
• Модальность — изображения теперь принимаются на вход наряду с текстом и JSON. Аудио и видео по-прежнему отклоняются, а модель по-прежнему не выдаёт ни объяснений, ни обоснований, ни выходных токенов.
• Контекст — без изменений, 32,768 токенов. Здесь ничего не сдвинулось, и это стоит прямо сказать, потому что «1.1» наводит на мысль, что всё улучшилось.
Где 1.1 хуже и почему собственная подача Microsoft предсказывает это
Регрессии не случайны. Они сосредоточены на двух компонентах, которые требуют от модели что-то знать, а не решать.
На HLE-MultiChoice v1.1 сырая точность упала с 8.64% до 6.29% — относительное снижение на 27% по доле сложных вопросов, на которые были даны правильные ответы. Decision Score всё же вырос с 39.42 до 46.11, потому что уверенность модели в тех ответах, которые она давала, стала гораздо лучше соответствовать тому, были ли эти ответы правильными. Иными словами, она стала хуже угадывать и намного лучше понимать, что угадывает. Составная метрика вознаграждает второе и почти не замечает первого.
В случае AA-Symmetry картина тоньше и менее лестна. Symmetry измеряет, даёт ли один и тот же вопрос, переформулированный — варианты переставлены, метки заменены, ответ да/нет инвертирован — тот же ответ с той же вероятностью. Версия 1 прошла 51,7% переформулировок на уровне полного прохождения; версия 1.1 проходит 47,5%. Её показатель Symmetry тем не менее улучшился, с 70,42 до 75,72, потому что, когда она всё же дрейфует, теперь дрейфует меньше. Меньше идеальных прогонов, меньше промахов. Это защитимая форма для скорера, но это регрессия в одном свойстве, которое модель принятия решений должна гарантировать: формулировка не меняет ответ.
Ключевая речь Microsoft проговорила вслух то, о чём обычно принято замалчивать: эти модели «явно ещё не настроены для более сложных задач, таких как фундаментальные научные исследования и агентная работа с очень длинным горизонтом», потому что настройка под эти возможности повысила бы стоимость каждой рутинной задачи. Решение 1.1 — это то, как такая политика выглядит при исполнении. Результаты knowledge bench ухудшились намеренно, или по крайней мере без возражений.

Что не изменилось: карточка цены и стена 32K
В обеих версиях указано $0.042 за миллион входных токенов в Global Standard, $0.046 в US Data Zone и $0.05 в развертываниях EU and APAC Data Zone, при этом плата за выход не взимается, поскольку выхода нет. Формулировка Microsoft — «более чем вдвое быстрее при той же стоимости», и цена за токен точно это подтверждает.
Измеренная стоимость выполнения задачи говорит о несколько другом. Версия 1 в индексе показывает $142,56 за миллион задач; версия 1.1 — $139,64. Улучшение на 2%, а не удвоение. Причина в том, что стоимость выполнения задачи — это цена токена, умноженная на потреблённый ввод, а новая модель не потребляет вдвое меньше токенов — она отвечает вдвое быстрее. Если ваше ограничение — бюджет по реальному времени или этап маршрутизации внутри пути запроса, обновление большое и очевидное. Если ваше ограничение — расходы, 1.1 не меняет ваш счёт, и Microsoft никогда не утверждала обратного.
Другое неизменное число — это потолок. Обе модели читают 32 768 токенов, а документация Microsoft для 1.1 почти дословно повторяет формулировку «входные данные до 32K токенов» со страницы v1. Для обеих версий не задокументирована поддержка кэширования, а значит, рубрика из 200 вопросов оплачивается полностью при каждом вызове, в обеих версиях, на каждом уровне объёма. Это самый крупный рычаг в экономике этой категории, и ни один из выпусков его не затрагивает.

Как мигрировать без слепой веры
Форма API достаточно стабильна, поэтому миграция в основном сводится к конфигурации, но не полностью. Microsoft описывает вызов v1.1 как state вместе с картой типизированных вопросов — noul, choice, score — который отправляется на /providers/microsoft/v1/systemone в ресурсе Foundry, где поле model содержит имя вашего развертывания, а не имя модели. Ответ возвращает базовую модель, поэтому развертывание, названное по вашей рабочей нагрузке, все равно может сообщить, какая версия ответила.
Три шага, которые стоит выполнить по порядку, вместо того чтобы подменять имя развёртывания и следить за дашбордом:
1. Заново зафиксируйте распределение уверенности вашего размеченного набора, а не его точность. Сдвиг с 21,7% до 49,4% негаллюцинаций означает, что 1.1 будет отклонять существенно большую долю вопросов при том же пороге. Если ваш конвейер рассматривает отсутствующий ответ как жёсткий сбой, а не как сигнал маршрутизации, это обновление будет выглядеть как регресс в продакшене, хотя каждый бенчмарк говорит, что это улучшение.
2. Перенастройте порог. Отсечка, выбранная по шкале уверенности версии 1, применяется к распределению, которое сместилось. Сама Microsoft рекомендует проверять пороги на размеченных примерах, прежде чем автоматизировать гейт, — это всё тот же совет, что и всегда, но теперь он критически важен.
3. Проверьте регрессию симметрии на собственных формулировках. Если ваши промпты генерируются из шаблонов с переменным порядком вариантов — а большинство промптов маршрутизации именно так и устроены — то тревожиться стоит о показателе 47,5% полностью пройденных, а не о композитной метрике. Продублируйте двадцать своих вопросов с переупорядоченными вариантами и измерьте, как часто смещается argmax.
Третий шаг обходится дёшево потому, что отказу есть куда переадресоваться. Модель принятия решений, которая отказывается от ответа, полезна только в том случае, если то, от чего она уклоняется, способно ответить, и именно эту часть конвейера обеспечивает OrcaRouter: один ключ для более чем 200 моделей с автоматическим переключением при сбоях, поэтому результат выбора с низкой уверенностью может быть направлен в универсальную модель вместо вызова человека, и DSL маршрутизации позволяет объединить их в одну последовательность вызовов. Gemma 4 26B A4B — базовая модель внутри Decision 1.1 — представлена в нашем каталоге по цене $0.06 за миллион входных токенов и $0.33 за миллион выходных токенов, по прейскурантной цене провайдера с переданной нулевой наценкой, что делает самую дешёвую возможную проверку на адекватность любого подозрительного решения фактическим вызовом его собственной базовой модели.

Стоит ли вообще переезжать
Есть аргумент в пользу того, чтобы остаться на версии 1, и он узкий, но реальный. Если ваша рабочая нагрузка — это сложные вопросы на знания, где неправильный ответ хуже отсутствия ответа (профиль HLE), версия 1 отвечала на большее число таких вопросов. Если ваши промпты построены по шаблонам, которые меняют порядок вариантов, версия 1 была более устойчивой при переформулировании. И если вы уже настроили порог и проверили его на размеченных производственных данных, новое распределение уверенности обесценивает эту работу.
Для всех остальных всё очевидно. Вдвое большая пропускная способность при той же цене за токен, доля успешно прошедших документов, выросшая с 20,9% до 36,8%, ввод изображений, которого раньше не было, и модель, которая вдвое чаще говорит «Я не знаю» именно в тех ситуациях, где ошибочное обязательство обходится дорого. Именно за такие свойства и покупают слой принятия решений. Тест на знания, от которого она отказалась, — это не то, ради чего кто-либо покупал эту модель.
Миграция в одной строке: переходите на 1.1 ради задержки и отказа от ответа, на той же неделе перенастройте пороги и держите показатели версии 1 в ящике стола на случай, когда кто-нибудь спросит, почему новая модель перестала отвечать на вопрос, который раньше брала на себя старая.
