Gemini Decision 1 vs Microsoft-Decision-1: Två hyperscaler-poängsättare, fyra poäng ifrån varandra

De två största molnleverantörerna säljer nu båda en modell som svarar med en sannolikhet i stället för en mening, och ingen av dem berättar hur väl den fungerar. Microsoft-Decision-1 blev allmänt tillgänglig på Microsoft Foundry den 8 oktober 2026: en Qwen3.5-9B-bas eftertränad av Microsoft, text som indata, 32,768 token kontext, kalibrerade fördelningar som utdata, vikterna distribueras inte. Gemini Decision 1 lanserades den 11 november 2026 i Gemini Developer API: text, bild, video, ljud och PDF som indata, 262,144 token kontext, upp till 1 000 typade frågor per begäran, $0.10 per miljon indatatoken, vikterna distribueras inte heller. Båda levereras med ett metodavsnitt och ingen resultattabell, vilket gör ett enda oberoende instrument till den enda platsen där de kan jämföras – Artificial Analysis, där de ligger fyra poäng ifrån varandra, på nionde och tionde plats av arton.

Fyra poäng är inte det intressanta gapet. Det intressanta gapet är att i den utvärdering som de flesta beslutsmodeller faktiskt köps in för ligger de två bara fem poäng ifrån varandra, samtidigt som båda ligger nära botten av fältet, och modellen som vinner den totala rankingen gör det på ett helt annat ställe.

Vad var och en ställer framför dig

Förfrågningsstrukturerna är tillräckligt lika för att en klient skriven för den ena ska kunna anpassas till den andra på en eftermiddag, och tillräckligt olika för att valet oftast görs innan någon benchmark läses.

• Indata — Gemini Decision 1 tar emot text, bild, video, ljud och PDF, upp till 100 MB inline per förfrågan och 15 MB per extern URL. Microsoft-Decision-1 tar emot text, serialiserad till 32 768 token. Ett skannat formulär eller en samtalsinspelning är inbyggd indata för den ena och ett förbearbetningsjobb för den andra.

• Kontext — 262 144 tokens för Gemini Decision 1, delade mellan indatan och varje fråga. 32 768 för Microsoft-Decision-1, där indatan plus alternativuppsättningen förbrukar dem och ingen genereringsbudget att dra av eftersom det inte finns någon generering.

• Frågeformat — Gemini Decision 1 formaliserar tre: ja/nej begränsat till 0,01–0,99, val bland 2 till 255 namngivna alternativ samt poäng över 2 till 255 ordnade nivåer som returnerar en sannolikhetsviktad förväntad nivå. Microsoft-Decision-1 täcker ja/nej, flerval, betygssättning, klassificering och poängsättning enligt bedömningsmatris och stöder uttryckligen avstå-alternativ som ”kan inte avgöra” inom alternativmängden.

• Batchning inom en och samma förfrågan — upp till 1 000 oberoende frågor för Gemini Decision 1, var och en isolerad från de övriga, alla mot en enda debiterad läsning av den gemensamma indatan. Microsoft-Decision-1:s publicerade kontrakt är ett tillstånd och dess frågeuppsättning per anrop, så bredden kommer från att gruppera frågor snarare än från ett dokumenterat tak per förfrågan.

• Pris — 0,10 USD per miljon indatatoken för Gemini Decision 1, utan utdataavgift eftersom utdata är noll token. Resultattavlan registrerar 345 USD per miljon uppgifter för den, och 143 USD per miljon uppgifter för Microsoft-Decision-1 enligt det indatapris den följer.

• Åtkomst — Gemini Developer API endast i v1beta, med en kostnadsfri nivå på 200 förfrågningar per minut och 10 000 per dag, obegränsade dagliga förfrågningar från Tier 2, och ingen Vertex AI-listning i dokumentationen som Google levererade. Microsoft-Decision-1 som en Foundry-distribution under Direct from Azure-portföljen, med serverlösa alternativ och alternativ för enhetlig slutpunkt, standard-SKU, Azure-autentisering och en faktureringsväg, batchinferens inaktiverad, och ingen väg för nedladdning av vikter eller finjustering.

Åtkomstlinjen är där upphandlingsbeslut fattas snarare än tekniska beslut. Om din organisation köper via ett Azure-åtagande är Microsoft-Decision-1 en faktura som du redan vet hur du ska betala. Om den köper via Google Cloud är Gemini Decision 1 för närvarande inte det – den enda dokumenterade vägen är en Gemini API-nyckel, vilket är en annan budgetpost och, för vissa företag, en annan godkännandeprocess.

Resultattavlan, komponent för komponent

Artificial Analysis Decision Index poängsätter varje utvärdering som träffsäkerhet minus Brier-straffet för den konfidens som är kopplad till svaret, viktat över sex komponenter. Så här fördelar de två modellerna dem:

• AA-Paperclip, 30 % vikt – Gemini Decision 1 56,8 mot Microsoft-Decision-1 51,8. Båda är svaga. Andelen godkända dokument vid allt-eller-inget-krav är 33 % för Gemini Decision 1 och 20,9 % för Microsoft-Decision-1, jämfört med 63 % för fältets ledare. Ingen av hyperscaler-modellerna extraherar på ett tillförlitligt sätt femton fakta från ett kompakt dokument.

• EvalSafe-O*NET-AA, 15 % — 87,1 mot 86,8. I praktiken identiska, och båda ligger nära toppen av ett tätt samlat fält.

• When2Call, 10 % — 80,5 mot 88,0. Microsoft-Decision-1 vinner den här tydligt och ligger nära ledarna; Gemini Decision 1 är fjortonde av arton.

• AA-Omniscience-Decision v1.1, 15% — 66,3 mot 54,9. Gemini Decision 1 tar förstaplatsen i fältet; dess icke-hallucineringsfrekvens på 49,6 % är orsaken. Microsoft-Decision-1 rapporterar 21,7 % icke-hallucinering här, vilket är siffran som borde oroa alla som planerar att sätta ett tröskelvärde för dess avståenden.

• HLE-MultiChoice v1.1, 15 % — 48,7 mot 39,4. Första plats mot elfte. Rå noggrannhet är 13,2 % mot 8,6 %, och icke-hallucinering 35,7 % mot 15,1 %.

• AA-Symmetry v1.1, 15% — 70,5 mot 70,4. Dött lopp, båda i mitten av tabellen, med samma svar vid omordning och negation i 38,3 % respektive 51,7 % av frågefamiljerna.

Det sammanvägda resultatet hamnar på 65,98 och 62,07, på nionde respektive tionde plats. Läser man delkomponenterna framträder profilen för varje produkt. Microsoft-Decision-1 är en gedigen poängsättare för verktygsanrop och arbetsplatsomdöme, men dess kunskaps- och avståendebeteende är svagt. Gemini Decision 1 är det motsatta: de bästa kunskaps- och avståendepoängen på resultattavlan, kombinerat med extrahering i mitten av tabellen och dålig särskiljning vid verktygsval.

Det de har gemensamt är det man bör vara misstänksam mot.

Ingen av leverantörerna publicerar en benchmarktabell. Microsoft-Decision-1:s modellkort beskriver dess metodik – offentliga och community-baserade beslutsbenchmarker, interna holdout-set, noggrannhet och kalibreringsfel, varierad alternativordning, parade statistiska tester – och hävdar att modellen "presterar i nivå med ledande beslutsmodeller och före andra öppna beslutsmodeller som utvärderats med samma metodik". Det finns ingen tabell under den meningen. Gemini Decision 1:s versionsinformation tillkännager modellen och länkar till API-dokumentationen, som listar funktioner som stöds och inte stöds och inte anger någon noggrannhetssiffra alls.

Detta spelar roll eftersom en beslutsmodells hela gränssnitt är ett tal som din kod förgrenar sig på. En chattmodell som är några poäng svagare producerar sämre prosa; en scorer som är felkalibrerad dirigerar tyst 8 % av dina ärenden till fel kö, och ingenting i svaret talar om det för dig. Två leverantörer i framkanten släppte produkter vars centrala påstående – att sannolikheten betyder vad den säger – hävdas i löptext och mäts endast av en tredje part.

Tredjeparten mäter, till sitt försvar, båda med samma instrument, vilket är anledningen till att den här jämförelsen överhuvudtaget är möjlig. Men en utvärderingstavla är en utvärderingstavla, dess största komponent består till 45 % av privata data, och den har poängsatt beslutsmodeller i bara några veckor. Betrakta 66 och 62 som den första externa avläsningen, inte som fastställd förmåga.

Vilken ska man sätta bakom din tröskel

Välj Microsoft-Decision-1 när beslutet är ett verktygsanrop eller en bedömning av ett arbetsplatsdokument, när indata är text som bekvämt får plats inom 32K tokens, och när driftsättningsspärren är ett Azure-avtal med enhetlig fakturering och ett Responsible AI-paket kopplat. Dess 88,0 på When2Call och 86,8 på EvalSafe-O*NET är verkliga styrkor, och dess explicita alternativ för att avstå låter dig utforma en "kan inte avgöra"-utväg i alternativuppsättningen i stället för att eftermontera en.

Välj Gemini Decision 1 när indata är lång, multimodal eller delas mellan många frågor, när kunskapsfrågor och kontroll av hallucinationer är det centrala, och när du är beredd att betala för kontext. Dess förstaplats i båda kunskapskomponenterna och dess icke-hallucineringsgrad på 49,6 % på AA-Omniscience är skälen att välja den framför den billigare Microsoft-modellen, och dess dokumentgodkännandegrad på 33 % är skälet att inte välja den för extraktionsarbete.

Välj ingen av dem för extrahering i volym. Båda hyperscaler-poängsättarna ligger i den nedre halvan av den 30-procentviktade dokumentkomponenten, och modellerna som leder där – en 27B multimodal modell från Nace.AI och en 421M encoder från Convai Innovations som du kan finjustera själv – kostar mindre per uppgift och kan, i fallet med öppna vikter, tränas på dina egna dokument.

Resten av pipelinen behöver inte vara gisslan för detta

OrcaRouter har ingen av modellerna. Båda är endpoints som endast hanterar sannolikheter – en på Gemini Developer API, en på Foundry – och ingen av dem är ett chat-completions-mål, så vi listar dem inte. Det katalogen däremot har är TypeSafe:s typesafe/jev-1.14, en beslutsmodell på 66,23 i samma index, vilket är ett rimligt tredje alternativ om du vill göra scoring-anropet med samma nyckel som allt annat.

Anropet som omger bedömaren är där en router förtjänar sin plats, och det är den halva som dessa två produkter medvetet inte hanterar. Något måste skriva de bedömningskriterier som bedömaren betygsätter mot, sammanfatta det 60-sidiga dokumentet ner till 32K tokens, eller ta fram det kandidatsvar som rangordnas – och det något är en generativ modell vars pris och kvalitet förändras varannan vecka. Det anropet går över en enda slutpunkt med fler än 200 modeller på leverantörens listpris som skickas vidare med 0 % påslag, med automatisk failover när en leverantör försämras och ett routing-DSL om du vill att flera modeller ska komponera ett svar. Håll skrivhalvan portabel så förblir bedömningsbeslutet reversibelt, vilket är värt mer än fyra indexpoäng när båda leverantörerna reviderar i kvartalstakt.

Vad du ska titta på

Tre signaler skulle förändra rangordningen, och ingen har kommit. En Microsoft-benchmarktabell med kalibreringskurvor skulle låta dess Azure-kunder sätta tröskelvärden utifrån evidens; kortet erbjuder för närvarande en metodik och ett påstående. En Vertex AI-listning för Gemini Decision 1 skulle flytta det från ett API-nyckelköp till ett köp via molnavtal och helt förändra upphandlingsjämförelsen. Och en andra oberoende panel som poängsätter båda modellerna skulle säga oss om gapet på fyra punkter är signal eller brus från en topplista som är tre veckor gammal.

Fram till dess är den försvarbara tolkningen följande: Gemini Decision 1 är den bättre modellen på de två komponenterna där konsten är att veta när man ska avstå, Microsoft-Decision-1 är den bättre på verktygsval och marginellt billigare, och båda ligger i mitten på den dokumentutvinning som de flesta arbetsbelastningar för företagsbeslut faktiskt består av. Kör 200 av dina egna märkta poster genom var och en innan någon av siffrorna får avgöra något.