ScaleDown Classify против Microsoft-Decision-1: один публикует цифры, другой публикует методику

ScaleDown Classify и Microsoft-Decision-1 — это два закрытых, хостируемых варианта в этом сравнении. Ни один из них не поставляется с весами, ни один нельзя скачать, и оба построены на одной и той же посылке: решение — какая категория, какой вариант, что именно из этого — следует считывать из вероятностей модели, а не выписывать текстом с помощью цикла генерации. Microsoft-Decision-1 общедоступна на Microsoft Foundry с 8 октября 2026 года как плотный декодер на 9 миллиардов параметров, дообученный Microsoft, с поддержкой 25 языков и контекстом в 32 768 токенов. ScaleDown Classify — это хостируемый движок рубрик стоимостью $0,05 за миллион входных токенов и $0 за миллион выходных токенов, с ограничением ввода в 1 млн токенов и потолком в двадцать меток. Разделяет их не функциональность. А то, что каждая компания готова публиковать о своей собственной модели, — и они выбрали противоположные половины.

Инверсия раскрытия

Документация Foundry для Microsoft-Decision-1 описывает его оценку с необычайной детализацией. Публичные и общественные бенчмарки для принятия решений, а также закрытые внутренние наборы. Метрики, включая точность и ошибку калибровки. Порядок вариантов варьировался. Парные статистические тесты. Идентичный стенд для каждой модели, с которой он сравнивается. А затем сообщается, что модель «показывает результаты на уровне ведущих моделей принятия решений и опережает другие открытые модели принятия решений, оценённые по той же методологии» — и не приводит ни одной цифры. Ни показателя точности, ни ошибки калибровки, ни таблицы по отдельным бенчмаркам.

Что Microsoft действительно публикует, так это список ограничений, и он хорош. Оценки меняются в зависимости от формулировки и порядка вариантов. Плохо сформулированный вопрос всё равно получает оценку. Калибровка наиболее сильна на знакомых типах задач. Объяснения не выдаются. К названным сильным сторонам модели относятся рассуждение, применение правил и устойчивость к форматированию промптов; к названным слабым сторонам — знания в специализированных предметных областях и качество работы на неанглийском.

ScaleDown Classify представляет собой зеркальное отражение этой политики. Его документация подробно описывает на операционном уровне, как составить запрос, — рубрика описывается как важнейшая часть запроса на классификацию, формулируется как прямой вопрос с ответом «да/нет», избегает отрицаний и сохраняется непересекающейся, чтобы вероятностная масса не распределялась непредсказуемым образом, — а в маркетинговых материалах вендора содержатся заявления о точности и стоимости, включая модель примерно с половиной миллиарда параметров, достигающую 91,7% на простой задаче классификации против 88,6% у модели с 72 миллиардами параметров. Ни одно из этих утверждений не подкреплено описанной методологией, и у ScaleDown Classify нет опубликованной ожидаемой ошибки калибровки ни на одном публичном тестовом стенде.

Итак, выбор — между вендором, который рассказывает, как он измерял, а не что обнаружил, и вендором, который рассказывает, что обнаружил, а не как измерял. Ни то, ни другое не является полным раскрытием информации, и ни к одному из них не следует относиться как к таковому.

Языки: один публикует количество, другой не публикует ничего.

Microsoft-Decision-1 перечисляет 25 поддерживаемых языков и прямо заявляет, что охват, качество и калибровка «могут различаться в зависимости от языка», называя неанглийские и особенно низкоресурсные языки областями недостаточной эффективности. Это полезное раскрытие информации: оно говорит вам, что модель многоязычна, примерно насколько она многоязычна и где ей не стоит доверять.

Документация ScaleDown по Classify не публикует список языков. Ни в справочнике API не указано, с какими языками работает оценивание по рубрикам, ни то, одинаково ли ведёт себя формулировка рубрик на языке, отличном от английского; а рекомендации по рубрикам — формулируйте рубрику как прямой вопрос с ответом «да/нет», избегайте отрицаний — написаны так, что неявно предполагают англоязычного пользователя, составляющего рубрики на английском. Для классификатора, который на практике будет нацелен на международные тикеты поддержки, это тот пробел, который нужно закрыть до того, как вы примете окончательное решение, и этот пробел способна закрыть только ваша собственная оценка.

Если вам нужен документированный языковой охват, это сравнение на этом заканчивается, и Microsoft побеждает автоматически. Если вы работаете только с английским, количество не играет роли, а всё остальное в решении касается длины ввода и пороговых значений.

Контекст: 32 768 токенов против миллиона

Microsoft описывает один вызов объёмом до 32 768 токенов. ScaleDown документирует ограничение входных данных в 1M токенов и утверждает, что калибровка по каждому чанку идентична независимо от того, отправляется ли чанк отдельно или в составе пакета из пятидесяти чанков, при этом общий профиль тарифицируется один раз за запрос. По чистой цифре это тридцатикратное различие, и это самый крупный единичный разрыв между двумя продуктами.

Что это даёт — не пропускную способность, а ответ на вопрос, нужен ли вам слой разбиения на фрагменты. Ветка поддержки, тикет с его историей, короткий извлечённый фрагмент: всё это умещается в 32k с запасом под схему вопроса, и на таком размере две модели примерно эквивалентны. Полный контракт, многостраничный документ политики, длинный извлечённый контекст или отсканированная форма: ничто из этого не умещается в 32k, а путь документа в Classify — base64 JPEG, PNG, TIFF или PDF, одно- или многостраничный, с извлечённым текстом, возвращаемым в поле ocr_text — означает, что документ можно подать как байты, а не как предварительно обработанный текст.

Оба показателя — собственные данные вендоров. Утверждение ScaleDown о миллионе токенов не получило независимого подтверждения, а сторонние каталожные записи для этой модели указывают длину контекста как «не применимо», а не воспроизводят это число, что является ограничением каталога, а не противоречием.

Пояснения: один отказывается, другой берёт двойную плату

Microsoft-Decision-1 не выдаёт пояснений, и на странице модели это указано как ограничение, а не как осознанный выбор при проектировании. ScaleDown Classify возвращает пояснение к своей основной метке в виде одного предложения, и в документации тщательно уточняется, что это за предложение: оно генерируется после того, как основная метка уже зафиксирована, поэтому объясняет принятое решение, а не ставит его под сомнение; оно имеет свободную форму и повторно отправляет метки и рубрики при двукратном расходе оплачиваемых входных токенов. Оно доступно только для запросов с одной меткой и одним текстовым или документальным вводом — запросы с несколькими метками и пакетные запросы никогда его не возвращают.

Для очереди ручной проверки это предложение часто становится разницей между тем, примет ли проверяющий классификацию или переделает её, поэтому удвоенную надбавку легко оправдать на той доле трафика, которая доходит до человека. Для автоматизированного конвейера оно — мёртвый груз в счёте, и его следует отключить.

Оба закрыты, и это меняет то, что вы можете проверить.

• Веса — ни те, ни другие их не поставляют; ScaleDown предлагает корпоративный селф-хостинг и лицензирование по запросу, а на странице Microsoft вообще не описано никакого пути дообучения

• Максимум вариантов — ScaleDown: 20 меток на запрос, 16 в режиме нескольких меток, оцениваются независимо; максимум набора вариантов для Microsoft-Decision-1 не указан на странице модели

• Пакетный вывод — ScaleDown описывает до 50 фрагментов на запрос с использованием общего профиля меток; на странице Microsoft пакетный вывод указан как отключённый

• Раскрытие условий оплаты — тариф Classify указан: $0,05 за миллион входных токенов и $0 за миллион выходных токенов; тариф Foundry за токен не указан на странице модели

• Структура цены — Classify умножается на количество ваших меток в режиме нескольких меток и удваивается при включённом режиме рассуждений; тариф Foundry рассчитывается за токен без опубликованного множителя за метки

• Пустой ответ — Classify возвращает победителя, даже если ничего не подходит, поэтому порог задаёте вы; согласно заявленному поведению Microsoft, плохо сформулированный вопрос всё равно возвращает оценку

Последствия того, что оба закрыты, в обоих случаях одинаковы: вы не можете изучить артефакт, поэтому единственная доступная вам проверка — поведенческая. Это делает отложенный набор ваших собственных размеченных данных обязательным и превращает стоимость смены провайдера в повторный запуск этой оценки, а не в изменение кода.

Где OrcaRouter находится в конвейере, построенном на любом из

Ни одной из этих моделей нет в нашем каталоге, и ничто здесь не является заявлением о доступности — обе представляют собой структурированные эндпоинты скоринга, а не цели chat-completions, и слой маршрутизации — это не то, что нужно любой из них. Мы предоставляем слой над ними: более 200 генеративных моделей за одним OpenAI-совместимым ключом, которые создают черновик, оцениваемый классификатором,по списочной цене провайдера с наценкой 0%, с DSL маршрутизации для объединения нескольких моделей в один вызов и автоматическим переключением при сбое, когда путь обслуживания деградирует. Если модель принятия решений определяет, что вашему слою генерации разрешено выпускать, то именно в слое генерации живёт риск простоя, и именно эту половину способен консолидировать один ключ.

Какой выбрать?

Выбирайте Microsoft-Decision-1, если вам нужен документированный языковой охват, если вы уже внутри Azure или если соответствие требованиям крупного поставщика для ваших закупок важнее опубликованного показателя точности. Смиритесь с тем, что оценивать его вам придётся полностью на собственных данных, потому что Microsoft решила не давать вам ничего другого.

Выбирайте ScaleDown Classify, если ваши входные данные превышают 32k токенов, если вы хотите, чтобы этап извлечения был встроен в вызов классификации, или если вам нужна рубрика для каждой метки, которую можно переписывать без переобучения чего-либо. Примите тот факт, что аргумент о точности принадлежит самому поставщику и не был воспроизведён, что ни один показатель калибровки не опубликован и что вам придётся самостоятельно задавать порог уверенности и метку для всех остальных случаев.

Измерение, которое решило бы этот вопрос — обе модели на идентичных входных данных, одинаковый порядок вариантов, одинаковый перебор порогов, проведённое кем-то незаинтересованным — не было опубликовано ни одним из поставщиков. Пока один из них не проведёт его, честная интерпретация такова: Microsoft — более безопасный выбор по умолчанию, а ScaleDown — более мощный инструмент.

Подобные сравнения также выявляют режимы отказа: документированные инциденты с ИИ и сбои агентов, стоящие за моделями этого класса, собраны в архиве инцидентов ИИ OrcaRouter, где каждая запись содержит собственные источники, степень серьёзности, оценку достоверности и флаг оспаривания.