ScaleDown Classify vs Microsoft-Decision-1: Den ena publicerar siffror, den andra publicerar metod

ScaleDown Classify och Microsoft-Decision-1 är de två slutna, värdbaserade alternativen i den här jämförelsen. Ingen av dem levererar vikter, ingen av dem är något man laddar ner, och båda bygger på samma premiss: att ett beslut – vilken kategori, vilket alternativ, vilken av dessa – bör läsas ut ur en modells sannolikheter snarare än skrivas ut som text av en genereringsloop. Microsoft-Decision-1 har varit allmänt tillgänglig på Microsoft Foundry sedan den 8 oktober 2026 som en dense-avkodare med 9 miljarder parametrar, eftertränad av Microsoft, med stöd för 25 språk och en kontext på 32 768 token. ScaleDown Classify är en värdbaserad rubric-motor till $0,05 per miljon indatatoken och $0 per miljon utdatatoken, med en indatagräns på 1M token och ett tak på tjugo etiketter. Det som skiljer dem åt är inte förmåga. Det är vad varje företag är villigt att publicera om sin egen modell, och de har valt motsatta halvor.

Avslöjandeinversionen

Microsoft-Decision-1:s Foundry-dokumentation beskriver utvärderingen av den i ovanlig detalj. Offentliga och gemenskapsbaserade beslutsbenchmarkar plus undanhållna interna set. Mått inklusive noggrannhet och kalibreringsfel. Ordningen på alternativen varierades. Parade statistiska tester. En identisk testrigg för varje modell som den jämförs med. Och sedan rapporterar den att modellen "presterar i nivå med ledande beslutsmodeller och före andra öppna beslutsmodeller som utvärderats med samma metodik" – och skriver inte ut några siffror alls. Ingen noggrannhetssiffra, inget kalibreringsfel, ingen tabell per benchmark.

Det Microsoft faktiskt publicerar är en lista över begränsningar, och det är en bra sådan. Poäng varierar med formulering och ordningsföljd för alternativ. En dåligt formulerad fråga ger fortfarande en poäng. Kalibreringen är starkast för välbekanta uppgiftstyper. Inga förklaringar ges. Modellens angivna styrkor är resonemang, regeltillämpning och robusthet mot promptformatering; dess angivna svagheter är specialiserad domänkunskap och prestanda på andra språk än engelska.

ScaleDown Classify kör spegelbilden av den policyn. Dess dokumentation går in på operativa detaljer om hur man skriver en begäran – bedömningsmallen beskrivs som den viktigaste delen av en klassificeringsbegäran, formulerad som en direkt ja/nej-fråga, undviker negationer, hålls icke-överlappande så att sannolikhetsmassan inte delas upp oförutsägbart – och leverantörens marknadsföring innehåller noggrannhets- och kostnadsanspråk, inklusive en modell med ungefär en halv miljard parametrar som når 91,7 % på en enkel klassificeringsuppgift mot 88,6 % för en modell med 72 miljarder parametrar. Inget av detta är kopplat till en beskriven metodik, och ScaleDown Classify har inget publicerat förväntat kalibreringsfel på någon offentlig testplattform.

Så valet står mellan en leverantör som berättar hur den mätte och inte vad den kom fram till, och en leverantör som berättar vad den kom fram till och inte hur den mätte. Ingen av dem är en fullständig redogörelse, och ingen av dem bör behandlas som en.

Språk: det ena publicerar ett antal, det andra publicerar ingenting

Microsoft-Decision-1 listar 25 språk som stöds och säger klart att täckning, kvalitet och kalibrering "kan variera mellan språk", och nämner icke-engelska och särskilt lågresursspråk som områden där den presterar sämre. Det är en användbar upplysning: den talar om att modellen är flerspråkig, den talar om ungefär hur flerspråkig den är, och den talar om var man inte ska lita på den.

Dokumentationen för ScaleDown's Classify publicerar ingen språklista. Ingenting i API-referensen anger vilka språk poängsättningen av bedömningskriterierna hanterar, eller huruvida formuleringar av bedömningskriterier på ett icke-engelskt språk beter sig på samma sätt, och vägledningen för bedömningskriterier – formulera dem som en direkt ja/nej-fråga, undvik negationer – är skriven på ett sätt som implicit förutsätter en engelsktalande anropare som skriver bedömningskriterier på engelska. För en klassificerare som i praktiken kommer att riktas mot internationella supportärenden är det gapet att täppa igen innan du går vidare, och det är ett gap som bara din egen utvärdering kan täppa igen.

Om du behöver en dokumenterad språktäckning slutar jämförelsen här och Microsoft vinner per automatik. Om du endast använder engelska är antalet inte en faktor och resten av beslutet handlar om inmatningslängd och tröskelvärden.

Kontext: 32 768 tokens mot en miljon

Microsoft dokumenterar ett enda anrop på upp till 32 768 token. ScaleDown dokumenterar en inmatningsgräns på 1M token och anger att kalibrering per chunk är identisk oavsett om en chunk skickas ensam eller som en del av en batch med femtio chunkar, med den delade profilen fakturerad en gång per begäran. På den råa siffran är det en trettiofaldig skillnad och det är den största enskilda klyftan mellan de två produkterna.

Det man får är inte genomströmning – det är huruvida man behöver ett chunkningslager. En supporttråd, ett ärende med dess historik, en kort hämtad passage: allt detta ryms inom 32k med utrymme för ett frågeschema, och de två modellerna är ungefär likvärdiga vid den storleken. Ett fullständigt avtal, ett flersidigt policydokument, en lång hämtad kontext eller ett skannat formulär: inget av detta ryms i 32k, och Classifys dokumentväg – base64 JPEG, PNG, TIFF eller PDF, enkel- eller flersidig, med den extraherade texten returnerad i ett ocr_text-fält – innebär att dokumentet kan skickas in som bytes i stället för som förbearbetad text.

Båda siffrorna är leverantörernas egna. ScaleDowns påstående om en miljon tokens har inte bekräftats oberoende, och katalogposter från tredje part för modellen anger kontextlängden som ej tillämplig i stället för att upprepa siffran, vilket är en begränsning i katalogen snarare än en motsägelse.

Förklaringar: en vägrar, en tar dubbelt betalt

Microsoft-Decision-1 ger inga förklaringar, och modellsidan listar det som en begränsning snarare än som ett designval. ScaleDown Classify returnerar en förklaring på en mening av sin toppetikett, och dokumentationen är noga med vad den meningen är: den genereras efter att toppetiketten har fastställts, så den förklarar beslutet i stället för att ifrågasätta det, den är fritt formulerad, och den skickar om etiketterna och bedömningskriterierna vid 2x fakturerade indatatoken. Den är endast tillgänglig för förfrågningar med en enda etikett med en enda text- eller dokumentinmatning – förfrågningar med flera etiketter och batchförfrågningar returnerar den aldrig.

För en mänsklig granskningskö är den meningen ofta skillnaden mellan att en granskare accepterar en klassificering och att en granskare gör om den, vilket gör 2x-tillägget lätt att motivera för den andel av trafiken som når en människa. För en automatiserad pipeline är den dödvikt på fakturan, och den bör vara avstängd.

Båda är stängda, och det förändrar vad du kan testa

• Vikter— ingen av dem levererar dem; ScaleDown erbjuder självhostning för företag och licensiering på begäran, Microsofts sida dokumenterar ingen väg för finjustering alls

• Tak för antal alternativ — ScaleDown 20 etiketter per begäran, 16 i fleretikettsläge, poängsätts oberoende av varandra; taket för Microsoft-Decision-1:s alternativuppsättning anges inte på modellsidan

• Batchinferens — ScaleDown dokumenterar upp till 50 chunkar per begäran mot en delad etikettprofil; Microsofts sida anger batchinferens som inaktiverad

• Faktureringsinformation — Classifys taxa anges till $0.05 per miljon indatatoken och $0 per miljon utdatatoken; Foundrys taxa per token anges inte på modellsidan

• Prisstruktur — Klassificering multipliceras med antalet etiketter i multilabel-läge och fördubblas när resonemang är aktiverat; Foundry-priset är per token utan någon publicerad etikettmultiplikator

• Tomt svar — Klassificering returnerar en vinnare även när inget passar, så du skriver tröskeln; Microsofts angivna beteende är att en dåligt formulerad fråga fortfarande returnerar en poäng

Konsekvensen av att båda är stängda är densamma i båda fallen: du kan inte inspektera artefakten, så din enda verifiering är beteendebaserad. Det gör en undanhållen uppsättning av dina egna märkta data obligatorisk, och det gör kostnaden för att byta leverantör till en omkörning av den utvärderingen i stället för en kodändring.

Var OrcaRouter ligger i en pipeline byggd på antingen

Ingen av dessa modeller finns i vår katalog, och inget här är en tillgänglighetsutfästelse – båda är strukturerade poängsättningsslutpunkter snarare än mål för chattkompletteringar, och ett routningslager är inte vad någon av dem behöver. Det vi tillhandahåller är lagret ovanför dem: de över 200 generativa modellerna bakom en OpenAI-kompatibel nyckel som producerar det utkast som klassificeraren bedömer, till leverantörens listpris vidarebefordrat med 0 % påslag, med ett routnings-DSL för att komponera flera modeller till ett anrop och automatisk redundansväxling när en betjäningsväg försämras. Om en beslutsmodell avgör vad ditt genereringslager får leverera, då är genereringslagret där din drifttidsrisk ligger, och det är den halvan en nyckel kan konsolidera.

Vilken ska man välja?

Välj Microsoft-Decision-1 om du behöver en dokumenterad språktäckning, om du redan finns i Azure, eller om en stor leverantörs regelefterlevnad betyder mer för din upphandling än en publicerad träffsäkerhetssiffra. Acceptera att du kommer att utvärdera den helt och hållet på dina egna data, eftersom Microsoft har valt att inte ge dig något annat.

Välj ScaleDown Classify om dina indata överstiger 32k tokens, om du vill att extraktionssteget infogas i klassificeringsanropet, eller om du vill ha en bedömningsmall per etikett som du kan skriva om utan att träna om något. Acceptera att noggrannhetsargumentet är leverantörens eget och inte reproducerat, att inget kalibreringsvärde publiceras, och att du kommer att skriva din egen konfidenströskel och en uppsamlingsetikett.

Mätningen som skulle avgöra detta – båda modellerna på identiska indata, samma ordning på alternativen, samma tröskelvärdessvep, utförd av någon utan egenintresse – har inte publicerats av någon av leverantörerna. Fram till dess att en av dem kör den är den ärliga tolkningen att Microsoft är det säkrare standardvalet och ScaleDown det mer kapabla instrumentet.

Jämförelser som denna är också där felmoderna visar sig: de dokumenterade AI-incidenterna och agentfelen bakom modeller i denna klass samlas i the OrcaRouter AI Incident Archive, där varje post har sina egna källor, allvarlighetsgrad, konfidensgrad och omtvistad flagga.