Ett genererat titelkort med rubriken "MAI Decision 1 vs Microsoft Decision 1" och underrubriken "samma produktlinje, sex indexpunkter isär", uppdelat i två rundade paneler kring en "vs"-skiva. Den vänstra panelen, "Microsoft-Decision-1.1", har underraden "GA 17 november 2026" och raderna "67,78 beslutsindex", "123 ms per uppgift", "bilder och text" och "Gemma 4-bas"; den högra panelen, "Microsoft-Decision-1", har "GA 8 oktober 2026", "62,07 beslutsindex", "274 ms per uppgift", "endast text" och "Qwen3.5-bas". En sidfot lyder "Båda anges till /bin/bash.042 per miljon indatatokens." OrcaRouter-logotypen är komponerad i den vita remsan under konstverket.
Guides & Insights

MAI Decision 1 vs Microsoft Decision 1: Samma produktlinje, sex poängs skillnad

Författare

jinhao.song

Publiceringsdatum

Senaste modellerna · 20Visa alla modeller →
Benchmarks: Artificial Analysis · uppdateras dagligen
Tillbaka till alla inlägg

Den här jämförelsen innehåller en fälla, och fällan är premissen. MAI Decision 1 och Microsoft Decision 1 är inte två konkurrerande modeller. De tillhör samma Microsoft-produktlinje, med en version mellan sig: modellen som Ignite-bevakningen kallade MAI Decision 1 är Microsoft-Decision-1.1, och Microsoft-Decision-1 är oktoberutgåvan som den ersätter. Den användbara jämförelsen är alltså inte "vilken leverantör som vinner" – den är "vad fem veckor och en ny basmodell har gett, och om uppgraderingen är värd en migrering för alla som redan är i produktion på den äldre slutpunkten". Det korta svaret: sex indexpoäng, halverad latens, bildinmatning och en prislista som inte rörde sig.

Namngivning, avgjort en gång

Etiketten till vänster i den här jämförelsen kommer från keynotebevakning, inte från Microsoft. Leverantörens egna strängar är "Decision 1.1" i Ignite-lanseringsinlägget och "Microsoft-Decision-1.1" på Foundry-bloggen och modellkortet; MAI-prefixet följde med MAI Code 2 och MAI Cyber 2 Flash genom samma tredjepartsartiklar och blev kvar. Så den här sidan jämför version 1.1 mot version 1 av en och samma produktlinje, och den intressanta frågan är inte vilken leverantör som vinner utan vad fem veckor och en annan basmodell förändrade.

Version 1 har inte dragits tillbaka. Den finns fortfarande med i Foundry och betygsätts fortfarande på den oberoende resultattavlan, vilket är anledningen till att de två namnen fortsätter att dyka upp sida vid sida i jämförelsetabeller — ibland som konkurrenter från olika företag, vilket de inte är.

Sex veckor, två modeller, ett pris

Version 1 blev allmänt tillgänglig (GA) den 8 oktober 2026: en textbaserad post-träning av A​libaba's Qw​en3.5-9B, kalibrerade sannolikheter över en fast uppsättning alternativ, ett tak på 32 768 token, inga vikter och inga publicerade benchmark-siffror. Version 1.1 lanserades den 17 november med en Gemma 4 26B-A4B-bas, bildinmatning och en fullständig prestandaredogörelse – medan prislistan förblev exakt där den var, på $0.042 per miljon token.

• Basmodell — Qw​en3.5-9B, tät, 9B totalt jämfört med Gemma 4 26B-A4B, mixture-of-experts med cirka 4B aktiva; båda eftertränade internt

• Modalitet – endast text vs text, JSON och PNG/JPEG-bilder, upp till 8 per fråga

• Maximal indata – 32 768 tokens vs 32 768 tokens, oförändrat

• Frågetyper — ja/nej, flerval, skattning, klassificering, bedömningsmall kontra samma uppsättning, exponerade som tre typade primitiver (noul, choice, score)

• Pris — $0.042/M tokens Global Standard, $0.05 EU och APAC vs identisk

• Uppmätt latens – 274,25 ms per uppgift jämfört med 123,25 ms per uppgift, Artificial Analysis

• Uppmätt kostnad – 142,56 USD per miljon uppgifter jämfört med 139,64 USD per miljon uppgifter, Artificial Analysis

• Decision Index v2.1 — 62,07 vs 67,78

• Vikter – inga, endast värdbaserade i Foundry vs inga, endast värdbaserade i Foundry

Den enda post som inte ändrades är den som de flesta team budgeterar utifrån, och den som ändrades mest är den som ingen marknadsför: latensen halverades samtidigt som priset per token låg kvar, eftersom den nya basen är en gles modell som utför betydligt mindre arbete per anrop.

A generated two-column comparison scoreboard titled 'MAI Decision 1 vs Microsoft Decision 1 — the scoreboard'. The Microsoft-Decision-1.1 column reads Decision Index 67.78, Latency 123 ms, Base model Gemma 4 26B-A4B, Images up to 8 per question, Brier score 0.160, Price $0.042 per M tokens; the Microsoft-Decision-1 column reads 62.07, 274 ms, Qwen3.5-9B, text only, 0.197 and $0.042 per M tokens. The footer reads 'Index, latency and Brier per Artificial Analysis v2.1, 18 November 2026; price per Microsoft Foundry.' The OrcaRouter logo is composited in the white strip below the artwork.

Vad de sex punkterna består av

Det sammansatta gapet på 5,71 är inte jämnt fördelat, och ojämnheten talar om vilka arbetsbelastningar uppgraderingen byggdes för. I de sex ingående utvärderingarna från Artificial Analysis, när man läser resultattavlan den 18 november 2026:

• When2Call-verktygsanrop – 95,1 på 1.1 jämfört med 87,9 på version 1, en ökning med 7,1 punkter och den som spelar roll för agenters guardrails

• EvalSafe-O*NET arbetsplatsbedömning — 88,8 mot 86,8

AA-symmetri, beslutsinvarians vid omformulering — 75,7 mot 70,4

• AA-Paperclip dokumentbeslut — 58,7 mot 51,8, den största absoluta ökningen

• AA-Omniscience, kunskap och hallucination — 60,5 mot 54,9

• HLE flervalsresonemang — 46,1 mot 39,4

Varje delpoäng förbättrades, vilket är ovanligt och gör det sammanvägda resultatet trovärdigt; ett sammansatt mått som stiger i en utvärdering och sjunker i två är vanligtvis en artefakt från viktningen. Invariansförbättringen är den tysta som är värd att uppmärksamma. Symmetri mäter huruvida ett beslut överlever att dess alternativ ordnas om eller att frågan formuleras om – exakt det felmönster som Microsofts egen dokumentation varnar för, och exakt den egenskap som avgör huruvida en tröskel du justerat i staging fortfarande utlöses i produktion. Att gå från 70 till 76 på det är en större operativ förändring än att gå från 62 till 68 på huvudmåttet.

Kalibreringen förbättrades i samma riktning. Brier-poängen, som mäter den kvadrerade skillnaden mellan en angiven sannolikhet och sanningen, sjönk från 0,1965 till 0,1604 – lägre är bättre. Träffsäkerheten för det valda alternativet steg från 40,6 till 48,5. Båda siffrorna är Artificial Analysis-mätningar på deras egna uppgifter, inte Microsofts, vilket är skälet att vikta dem: Microsofts egen formulering vid lanseringen av 1.1 är en poäng på 68, "sex poäng upp från vår första modell", och den oberoende panelen landar inom en halv poäng från det på 67,78 med en ökning på 5,71 poäng. För en gångs skull är leverantören och granskaren i stort sett överens.

A screenshot of the Artificial Analysis Decision Index v2.1 leaderboard page, the independent board from which the 67.78 and 62.07 composites, the six constituent evaluation scores, the accuracy figures and the Brier scores in this comparison are taken.

Där den äldre modellen fortfarande är rätt val

Det finns tre försvarbara skäl att stanna kvar på Microsoft-Decision-1, och inget av dem är prestanda.

Det första är en fryst utvärdering. Om du kalibrerade trösklar mot version 1 på dina egna märkta data – och det borde du ha gjort – så ogiltigförklarar en ändring av basmodellen det arbetet. En tät 9B-modell eftertränad för poängsättning och en 26B MoE eftertränad för poängsättning misslyckas inte på samma ställen, och dokumentationen för 1.1 säger uttryckligen att kalibrering är starkast på välbekanta uppgiftstyper och kan förskjutas med formuleringar. Omtrimning är en verklig kostnad, och den landar på teamet, inte på leverantören.

Det andra är språktäckning. Version 1 hade en efterträningsberättelse på 25 språk på en Qw​en-bas med väl över 200 språk tillgängliga. Version 1.1 har en berättelse på 25+ språk på en Gemma-bas dokumenterad till 35+. Tjugofem plus är inte tjugofem, och om du kör en flerspråkig kö är det ärliga draget att testa i stället för att anta att siffran har ökat.

Den tredje är utformningen av ditt beroende. Båda versionerna är enbart värdbaserade, från en enda leverantör, med en prislista och ett enda regelverk för hastighetsbegränsning. Att uppgradera ändrar din feldomän utan att minska den. Om du redan har lagt slutpunkten bakom din egen reservlösning kostar det dig latens och noggrannhet att stanna kvar på 1, men inte tillgänglighet; om du inte har det ger en uppgradering dig en snabbare modell bakom samma enda felpunkt.

Kör de två sida vid sida innan du committar

Själva migreringen är liten, vilket är det trevliga. Slutpunktens form är oförändrad – ett tillstånd plus typade frågor till beslutsrouten på en Foundry-resurs – och driftsättningen är en modellversionsändring snarare än en integrationsomskrivning. Det som ändras är allt nedströms om svaret: sannolikheterna, trösklarna och delpoängen ovan.

Kör båda. Skicka samma märkta batch till båda driftsättningarna, jämför träffsäkerheten för valt alternativ vid den tröskel du faktiskt använder, och titta särskilt på svansarna – fallen där version 1 returnerade 0.55 och version 1.1 returnerar 0.88 är de som tyst kommer att ändra din eskaleringsfrekvens. Symmetrivinsten tyder på att 1.1 bör vara mer stabil vid omordning av alternativ; verifiera det på dina egna promptar i stället för att lita på siffran.

Att domaren och det som bedöms körs på en och samma nyckel är det upplägg de flesta team till slut vill ha, och ingen av Decision-modellerna kan ge dig det: båda är hostade slutpunkter som bara finns i Foundry, så routern framför dem är din egen kod. Vad routern däremot kan göra är att tillhandahålla kontroller. Gemma 4 26B A4B — basversionen som 1.1 eftertränades från — dirigeras via OrcaRouter till $0.25 per miljon indatatoken och $2.90 per miljon utdatatoken, och Jev 1.14, den beslutsmodell som Microsoft benchmarkar sig mot, till $0.042 per miljon in och ut. Ingen av dem återger 1.1:s kalibrerade svar. Båda talar om för dig om en allmän modell på dina egna data ligger inom några få punkter från beslutsmodellen, vilket är frågan som avgör om du behöver en sådan överhuvudtaget.

A screenshot of the OrcaRouter model page for obsidian/gemma-4-26B-A4B, showing the OrcaRouter navigation, the model name obsidian/gemma-4-26B-A4B with Vision, Tools, JSON and Reasoning tags, a 2026-07-02 date, a description noting a mixture-of-experts build of Gemma 4 with 26B total parameters, about 4B active per token and a 262K-token context window, and pricing of $0.25 per million input tokens and $2.90 per million output tokens.

Versionsfrågan, besvarad

Om du väljer i dag och inte har några gamla tröskelvärden att försvara bör du välja 1.1. Den är snabbare i en oberoende mätning med en faktor 2,2, något billigare per uppgift, bättre kalibrerad, bättre på att styra verktygsanrop och den enda av de två som läser en skärmbild. Prislistan är identisk, så uppgraderingen är gratis i marginalen.

Om du redan är i produktion på version 1 är uppgraderingen värd att göra och inte brådskande på det sätt som en säkerhetsuppdatering är brådskande. Avsätt tid för omtrimningen, håll den gamla driftsättningen vid liv tills de nya tröskelvärdena håller på livetrafik, och se symmetriförbättringen som anledningen att förvänta dig färre överraskningar snarare än som ett löfte om att det inte kommer att bli några.

Vad den här jämförelsen inte är, är ett val mellan leverantörer. Båda namnen pekar på Microsofts beslutslinje, fem veckor och en basmodell ifrån varandra, till samma $0.042 per miljon tokens. Den intressanta frågan har aldrig varit vilken som vinner; den är om den andra är tillräckligt mycket bättre för att betala för en omkalibrering. På en oberoende resultattavla är den det.