Gemini Decision 1 กับ Microsoft-Decision-1: ผู้ให้คะแนนระดับไฮเปอร์สเกลเลอร์สองราย ห่างกันสี่คะแนน
- Googleใหม่Google: Gemini 4 Carbon2026-11-10$2.00 / $10.00 ต่อ 1 ล้านโทเค็น · 202 tok/s
- Anthropicใหม่Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 ต่อ 1 ล้านโทเค็น · 99 tok/s
- orcaใหม่Orca: OrcaC2 1.02026-11-0727 tok/s
- Orcaใหม่OrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 ต่อ 1 ล้านโทเค็น · 120 tok/s
- Orcaใหม่OrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 229 tok/s
- Orcaใหม่OrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 ต่อ 1 ล้านโทเค็น · 42 tok/s
- Orcaใหม่OrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 128 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 58 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 98 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 40 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447ความฉลาด
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 127 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929ความฉลาด
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 ต่อ 1 ล้านโทเค็น · 106 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733ความฉลาด
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740ความฉลาด
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 ต่อ 1 ล้านโทเค็น · 65 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955ความฉลาด
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855ความฉลาด
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 ต่อ 1 ล้านโทเค็น · 392 tok/s
ผู้ให้บริการคลาวด์รายใหญ่ที่สุดสองรายตอนนี้ต่างก็ขายโมเดลที่ตอบกลับด้วยความน่าจะเป็นแทนที่จะเป็นประโยค และทั้งคู่ก็ไม่ยอมบอกว่ามันทำงานได้ดีแค่ไหน Microsoft-Decision-1 เปิดให้ใช้งานทั่วไปบน Microsoft Foundry เมื่อวันที่ 8 ตุลาคม 2026: เป็นฐาน Qwen3.5-9B ที่ Microsoft นำมาฝึกต่อ (post-trained) รับข้อความเข้า ให้บริบท 32,768 โทเคน ส่งออกเป็นการแจกแจงที่ปรับเทียบแล้ว และไม่แจกจ่ายน้ำหนักโมเดล Gemini Decision 1 เปิดให้ใช้งานเมื่อวันที่ 11 พฤศจิกายน 2026 บน Gemini Developer API: รับข้อความ รูปภาพ วิดีโอ เสียง และ PDF เข้า มีบริบท 262,144 โทเคน รองรับคำถามที่มีการระบุชนิดได้ถึง 1,000 ข้อต่อคำขอ ราคา $0.10 ต่อโทเคนอินพุตหนึ่งล้านโทเคน และไม่แจกจ่ายน้ำหนักโมเดลเช่นกัน ทั้งสองมาพร้อมส่วนระเบียบวิธีวิจัยและไม่มีตารางผลลัพธ์ ซึ่งทำให้เครื่องมือวัดอิสระเพียงหนึ่งเดียวเป็นที่เดียวที่สามารถเปรียบเทียบกันได้ — Artificial Analysis ซึ่งทั้งสองมีคะแนนห่างกันสี่คะแนน อยู่อันดับเก้าและสิบจากสิบแปด
สี่คะแนนไม่ใช่ส่วนต่างที่น่าสนใจ ส่วนต่างที่น่าสนใจคือ ในการประเมินที่โมเดลการตัดสินใจส่วนใหญ่ถูกซื้อไปใช้จริงนั้น สองตัวนี้ห่างกันเพียงห้าคะแนน ขณะที่ทั้งคู่อยู่ใกล้ท้ายกลุ่ม และโมเดลที่ชนะการจัดอันดับโดยรวมกลับทำได้ดีจากจุดอื่นโดยสิ้นเชิง
สิ่งที่แต่ละอย่างวางไว้ตรงหน้าคุณ
รูปร่างของคำขอใกล้เคียงกันมากพอที่ไคลเอนต์ที่เขียนขึ้นสำหรับตัวหนึ่งจะปรับให้ใช้กับอีกตัวได้ภายในบ่ายเดียว และแตกต่างกันมากพอที่โดยปกติการเลือกมักเกิดขึ้นก่อนจะมีการอ่านผลทดสอบประสิทธิภาพใด ๆ
• อินพุต — Gemini Decision 1 รับข้อความ รูปภาพ วิดีโอ เสียง และ PDF ได้สูงสุด 100 MB แบบอินไลน์ต่อคำขอ และ 15 MB ต่อ URL ภายนอก ส่วน Microsoft-Decision-1 รับเฉพาะข้อความที่แปลงเป็นโทเคนได้ 32,768 โทเคน ฟอร์มที่สแกนหรือไฟล์บันทึกการสนทนาจึงเป็นอินพุตโดยตรงสำหรับตัวหนึ่ง แต่เป็นงานประมวลผลล่วงหน้าสำหรับอีกตัว
• บริบท — 262,144 โทเคนสำหรับ Gemini Decision 1 ซึ่งใช้ร่วมกันระหว่างอินพุตและทุกคำถาม 32,768 สำหรับ Microsoft-Decision-1 โดยอินพุตพร้อมชุดตัวเลือกเป็นตัวใช้โทเคนดังกล่าว และไม่มีงบประมาณการสร้างให้หักลบเนื่องจากไม่มีการสร้าง
• รูปแบบคำถาม — Gemini Decision 1 กำหนดรูปแบบอย่างเป็นทางการไว้สามแบบ ได้แก่ ใช่/ไม่ใช่ ซึ่งจำกัดช่วงไว้ที่ 0.01–0.99 ตัวเลือกจากตัวเลือกที่ระบุชื่อได้ตั้งแต่ 2 ถึง 255 ตัวเลือก และการให้คะแนนจากระดับเรียงลำดับตั้งแต่ 2 ถึง 255 ระดับ ซึ่งให้ผลเป็นระดับคาดหวังถ่วงน้ำหนักด้วยความน่าจะเป็น ขณะที่ Microsoft-Decision-1 ครอบคลุมใช่/ไม่ใช่ ตัวเลือกหลายข้อ การให้คะแนน การจำแนกประเภท และการให้คะแนนตามเกณฑ์ rubric และรองรับตัวเลือกการงดตอบอย่างชัดเจน เช่น "cannot tell" ภายในชุดตัวเลือก
• การรวมคำถามเป็นชุดภายในคำขอเดียว — รองรับคำถามอิสระได้สูงสุด 1,000 ข้อสำหรับ Gemini Decision 1 โดยแต่ละข้อแยกจากกัน และทั้งหมดใช้การอ่านอินพุตที่แชร์ร่วมกันเพียงครั้งเดียวที่มีการเรียกเก็บเงิน สัญญาที่เผยแพร่ของ Microsoft-Decision-1 ระบุว่าหนึ่งการเรียกใช้จะรับหนึ่งสถานะและชุดคำถามของสถานะนั้น ดังนั้นความครอบคลุมจึงมาจากการจัดกลุ่มคำถาม มากกว่าจากเพดานต่อคำขอที่ระบุไว้ในเอกสาร
• ราคา — $0.10 ต่อล้านโทเค็นอินพุตสำหรับ Gemini Decision 1 โดยไม่มีค่าธรรมเนียมเอาต์พุตเนื่องจากเอาต์พุตเป็นศูนย์โทเค็น บอร์ดบันทึก $345 ต่อล้านงานสำหรับรายการนี้ และ $143 ต่อล้านงานสำหรับ Microsoft-Decision-1 ตามอัตราอินพุตที่ติดตาม
• การเข้าถึง — Gemini Developer API ที่ v1beta เท่านั้น โดยมีระดับฟรีที่ 200 คำขอต่อนาที และ 10,000 คำขอต่อวัน คำขอรายวันไม่จำกัดตั้งแต่ Tier 2 ขึ้นไป และไม่มีรายการ Vertex AI ในเอกสารที่ Google เผยแพร่ Microsoft-Decision-1 เป็นการปรับใช้ Foundry ภายใต้พอร์ตโฟลิโอ Direct from Azure โดยมีตัวเลือกแบบ serverless และ unified-endpoint, SKU มาตรฐาน, การรับรองความถูกต้องของ Azure และเส้นทางการเรียกเก็บเงินเส้นทางเดียว, ปิดใช้งานการอนุมานแบบแบตช์ และไม่มีเส้นทางการดาวน์โหลดน้ำหนักหรือการปรับแต่งละเอียด
ช่องทางการเข้าถึงคือจุดที่การตัดสินใจด้านการจัดซื้อเกิดขึ้น ไม่ใช่การตัดสินใจด้านเทคนิค หากองค์กรของคุณซื้อผ่านข้อผูกพัน Azure แล้ว Microsoft-Decision-1 ก็เป็นใบแจ้งหนี้ที่คุณรู้วิธีจ่ายอยู่แล้ว หากซื้อผ่าน Google Cloud ปัจจุบัน Gemini Decision 1 ยังไม่เป็นเช่นนั้น — ช่องทางเดียวที่มีการบันทึกไว้คือคีย์ Gemini API ซึ่งเป็นรายการงบประมาณคนละบรรทัด และสำหรับบางองค์กรแล้วเป็นกระบวนการอนุมัติที่แตกต่างออกไป
สกอร์บอร์ด ทีละองค์ประกอบ
Decision Index ของ Artificial Analysis ให้คะแนนแต่ละการประเมินเป็นความแม่นยำลบด้วยบทลงโทษแบบ Brier สำหรับความมั่นใจที่ผูกกับคำตอบ โดยถ่วงน้ำหนักในองค์ประกอบทั้งหก ต่อไปนี้คือวิธีที่โมเดลทั้งสองแบ่งองค์ประกอบเหล่านี้:
• AA-Paperclip น้ำหนัก 30% — Gemini Decision 1 ได้ 56.8 เทียบกับ Microsoft-Decision-1 ที่ 51.8 ทั้งสองตัวอ่อนแอ อัตราการผ่านเอกสารแบบได้ทั้งหมดหรือไม่ได้เลยอยู่ที่ 33% สำหรับ Gemini Decision 1 และ 20.9% สำหรับ Microsoft-Decision-1 เทียบกับ 63% ของผู้นำตลาด โมเดลจากผู้ให้บริการไฮเปอร์สเกลเลอร์ทั้งสองรายไม่สามารถสกัดข้อเท็จจริง 15 ข้อจากเอกสารที่มีข้อมูลหนาแน่นได้อย่างน่าเชื่อถือ
• EvalSafe-O*NET-AA, 15% — 87.1 เทียบกับ 86.8 ถือว่าแทบจะเหมือนกัน และทั้งคู่อยู่ในระดับใกล้จุดสูงสุดของกลุ่มที่กระจุกตัวกันอย่างแน่นหนา
• When2Call, 10% — 80.5 เทียบกับ 88.0 Microsoft-Decision-1 ชนะรายการนี้อย่างชัดเจนและอยู่ในอันดับใกล้กลุ่มผู้นำ; Gemini Decision 1 อยู่อันดับที่สิบสี่จากสิบแปด
• AA-Omniscience-Decision v1.1, 15% — 66.3 เทียบกับ 54.9 Gemini Decision 1 คว้าอันดับหนึ่งในกลุ่มนี้ โดยมีอัตราการไม่สร้างข้อมูลเท็จที่ 49.6% เป็นเหตุผล Microsoft-Decision-1 รายงานอัตราการไม่สร้างข้อมูลเท็จที่นี่ที่ 21.7% ซึ่งเป็นตัวเลขที่ควรทำให้ใครก็ตามที่วางแผนจะตั้งเกณฑ์การละเว้นการตอบของโมเดลนี้ต้องกังวล
• HLE-MultiChoice v1.1, 15%— 48.7 เทียบกับ 39.4 อันดับหนึ่งเทียบกับอันดับสิบเอ็ด ความแม่นยำดิบอยู่ที่ 13.2% เทียบกับ 8.6% และการไม่สร้างข้อมูลเท็จอยู่ที่ 35.7% เทียบกับ 15.1%
• AA-Symmetry v1.1, 15% — 70.5 ต่อ 70.4 เสมอกันสนิท ทั้งคู่อยู่กลางตาราง โดยให้คำตอบเดิมภายใต้การสลับลำดับและการปฏิเสธใน 38.3% และ 51.7% ของกลุ่มคำถามตามลำดับ
คะแนนคอมโพสิตอยู่ที่ 65.98 และ 62.07 เป็นอันดับที่เก้าและสิบ เมื่ออ่านองค์ประกอบต่าง ๆ แล้ว ลักษณะเฉพาะของแต่ละผลิตภัณฑ์ก็ชัดเจนขึ้น Microsoft-Decision-1 เป็นเครื่องมือให้คะแนนด้านการเรียกใช้เครื่องมือ (tool-call) และการตัดสินใจในที่ทำงานที่แข็งแรง แต่พฤติกรรมด้านความรู้และการละเว้นการตอบกลับ (abstention) อ่อน ส่วน Gemini Decision 1 ตรงกันข้าม: มีคะแนนด้านความรู้และการละเว้นการตอบกลับดีที่สุดบนตารางคะแนน ควบคู่กับความสามารถในการดึงข้อมูลระดับกลางตาราง และการแยกแยะการเลือกเครื่องมือที่แย่
สิ่งที่พวกเขามีร่วมกันคือสิ่งที่ควรระแวง
ไม่มีผู้จำหน่ายรายใดเผยแพร่ตาราง benchmark เลย การ์ดโมเดลของ Microsoft-Decision-1 อธิบายวิธีการของโมเดล — benchmark การตัดสินใจแบบสาธารณะและจากชุมชน ชุดข้อมูลภายในที่กันไว้ทดสอบ ความแม่นยำและความคลาดเคลื่อนของการปรับเทียบ การสลับลำดับตัวเลือก และการทดสอบทางสถิติแบบจับคู่ — พร้อมอ้างว่าโมเดล “ทำงานได้ทัดเทียมกับโมเดลการตัดสินใจชั้นนำ และนำหน้าโมเดลการตัดสินใจแบบเปิดอื่น ๆ ที่ประเมินด้วยวิธีการเดียวกัน” ไม่มีตารางอยู่ใต้ประโยคนั้น บันทึกประจำรุ่นของ Gemini Decision 1 ประกาศเปิดตัวโมเดลและลิงก์ไปยังเอกสารประกอบ API ซึ่งระบุความสามารถที่รองรับและไม่รองรับ โดยไม่มีตัวเลขความแม่นยำเลยแม้แต่ค่าเดียว
เรื่องนี้สำคัญเพราะอินเทอร์เฟซทั้งหมดของโมเดลตัดสินใจคือตัวเลขที่โค้ดของคุณใช้แยกสาขา โมเดลแชตที่อ่อนกว่าอยู่ไม่กี่จุดให้งานเขียนที่แย่ลง แต่ตัวให้คะแนนที่ปรับเทียบผิดจะส่งตั๋ว 8% ของคุณไปยังคิวผิดอย่างเงียบ ๆ และไม่มีอะไรในคำตอบที่บอกคุณได้ ผู้ขายระดับแนวหน้าสองรายออกผลิตภัณฑ์ที่ข้ออ้างหลัก — ว่าความน่าจะเป็นหมายความตามที่มันบอก — ถูกกล่าวอ้างในข้อความบรรยายและวัดโดยบุคคลที่สามเท่านั้น
บุคคลที่สามนี้ น่าชื่นชมตรงที่วัดทั้งสองอย่างด้วยเครื่องมือเดียวกัน ซึ่งเป็นเหตุผลว่าทำไมการเปรียบเทียบนี้จึงเป็นไปได้เลย แต่บอร์ดเดียวก็คือบอร์ดเดียว องค์ประกอบที่ใหญ่ที่สุดของมันคือข้อมูลส่วนตัวถึง 45% และมันเพิ่งให้คะแนนโมเดลการตัดสินใจมาได้เพียงไม่กี่สัปดาห์ ให้ถือว่า 66 และ 62 เป็นการวัดจากภายนอกครั้งแรก ไม่ใช่ความสามารถที่ตกผลึกแล้ว
จะเอาอันไหนไปวางไว้หลังธรณีประตูของคุณ
เลือก Microsoft-Decision-1 เมื่อการตัดสินใจเป็นการเรียกใช้เครื่องมือหรือการตัดสินเกี่ยวกับเอกสารในที่ทำงาน เมื่ออินพุตเป็นข้อความที่พอดีกับ 32K โทเค็นได้อย่างสบาย และเมื่อเงื่อนไขการติดตั้งใช้งานคือสัญญา Azure ที่มีการเรียกเก็บเงินแบบรวมและแนบแพ็กเกจ Responsible AI มาด้วย คะแนน 88.0 บน When2Call และ 86.8 บน EvalSafe-O*NET ถือเป็นจุดแข็งที่แท้จริง และตัวเลือกการงดตอบอย่างชัดเจนทำให้คุณออกแบบทางออกแบบ "cannot tell" ไว้ในชุดตัวเลือกได้ตั้งแต่แรก แทนที่จะต้องมาเติมทีหลัง
เลือก Gemini Decision 1 เมื่ออินพุตยาว เป็นมัลติโมดัล หรือถูกใช้ร่วมกันในหลายคำถาม เมื่อประเด็นสำคัญคือคำถามด้านความรู้และการควบคุมการสร้างข้อมูลเท็จ และเมื่อคุณพร้อมจ่ายสำหรับบริบท การได้อันดับหนึ่งในองค์ประกอบด้านความรู้ทั้งสองส่วนและอัตราการไม่สร้างข้อมูลเท็จ 49.6% บน AA-Omniscience คือเหตุผลที่ควรเลือกมันแทนโมเดล Microsoft ที่ถูกกว่า และอัตราการผ่านเอกสาร 33% คือเหตุผลที่ไม่ควรเลือกมันสำหรับงานสกัดข้อมูล
สำหรับการสกัดข้อมูลในปริมาณมาก ไม่ควรเลือกทั้งสองตัวนี้ ตัวให้คะแนนจากไฮเปอร์สเกลเลอร์ทั้งสองอยู่ในครึ่งล่างขององค์ประกอบด้านเอกสารที่มีน้ำหนัก 30% และโมเดลที่นำในส่วนนี้ — โมเดลมัลติโมดัลขนาด 27B จาก Nace.AI และเอนโคเดอร์ขนาด 421M จาก Convai Innovations ที่คุณปรับแต่งเองได้ — มีต้นทุนต่องานต่ำกว่า และในกรณีที่เป็นแบบ open-weight ก็สามารถเทรนด้วยเอกสารของคุณเองได้
ส่วนที่เหลือของไปป์ไลน์ไม่จำเป็นต้องตกเป็นตัวประกันของสิ่งนี้
OrcaRouter ไม่มีโมเดลทั้งสองตัว ทั้งสองเป็น endpoint ที่ให้เฉพาะค่าความน่าจะเป็น — ตัวหนึ่งอยู่บน Gemini Developer API อีกตัวอยู่บน Foundry — และทั้งคู่ไม่ใช่เป้าหมายแบบ chat-completions เราจึงไม่แสดงรายการไว้ สิ่งที่แคตตาล็อกมีคือ typesafe/jev-1.14 ของ TypeSafe ซึ่งเป็นโมเดลตัดสินใจที่ได้ 66.23 บนดัชนีเดียวกันนี้ และเป็นตัวเลือกที่สามที่สมเหตุสมผลหากคุณต้องการเรียกให้คะแนนด้วยคีย์เดียวกับอย่างอื่นทั้งหมด
การเรียกที่ล้อมรอบตัวให้คะแนนคือจุดที่เราเตอร์พิสูจน์คุณค่า และเป็นครึ่งหนึ่งที่ผลิตภัณฑ์ทั้งสองนี้จงใจไม่แตะต้อง ต้องมีบางสิ่งคอยเขียนรูบริกที่ตัวให้คะแนนใช้ประเมิน สรุปเอกสาร 60 หน้าให้เหลือ 32K tokens หรือร่างคำตอบที่กำลังถูกจัดอันดับ — และสิ่งนั้นคือโมเดลเชิงสร้างที่ราคาและคุณภาพเปลี่ยนทุกไม่กี่สัปดาห์ การเรียกนั้นให้บริการผ่าน endpoint เดียวที่มีโมเดลมากกว่า 200 โมเดลอยู่บนนั้นใน ราคาตามรายการของผู้ให้บริการที่ส่งต่อด้วยมาร์กอัป 0% พร้อมด้วย การ failover อัตโนมัติเมื่อผู้ให้บริการเสื่อมประสิทธิภาพ และ DSL สำหรับกำหนดเส้นทาง หากคุณต้องการให้หลายโมเดลประกอบกันเป็นคำตอบเดียว รักษาครึ่งงานเขียนให้พอร์ตได้ และการตัดสินใจให้คะแนนยังย้อนกลับได้ ซึ่งคุ้มค่ากว่าคะแนนดัชนีสี่คะแนนเมื่อผู้ขายทั้งสองปรับปรุงตามรอบไตรมาส
ดูอะไรดี
สัญญาณสามอย่างจะเปลี่ยนอันดับ และยังไม่มีสัญญาณใดเกิดขึ้นเลย ตาราง benchmark ของ Microsoft พร้อมเส้นโค้งการปรับเทียบจะช่วยให้ลูกค้า Azure กำหนดเกณฑ์จากหลักฐานได้ ส่วนการ์ดในตอนนี้เพียงเสนอระเบียบวิธีและคำกล่าวอ้างเท่านั้น การปรากฏรายการ Gemini Decision 1 บน Vertex AI จะเปลี่ยนจากการซื้อด้วยคีย์ API เป็นการซื้อผ่านสัญญาบริการคลาวด์ และเปลี่ยนการเปรียบเทียบการจัดซื้อทั้งหมด และคณะกรรมการอิสระชุดที่สองที่ให้คะแนนทั้งสองโมเดลจะบอกเราว่าช่องว่างสี่คะแนนนั้นเป็นสัญญาณหรือเป็นเพียงเสียงรบกวนจากตารางอันดับที่เก่าสามสัปดาห์
จนถึงตอนนั้น ข้อสรุปที่พอปกป้องได้คือ Gemini Decision 1 เป็นโมเดลที่ดีกว่าในสององค์ประกอบที่ทักษะสำคัญคือการรู้ว่าเมื่อใดควรปฏิเสธ Microsoft-Decision-1 เป็นตัวที่ดีกว่าในด้านการเลือกเครื่องมือและมีต้นทุนต่ำกว่าเล็กน้อย และทั้งสองอยู่ในระดับกลางในด้านการสกัดข้อมูลจากเอกสาร ซึ่งเป็นสิ่งที่งานตัดสินใจระดับองค์กรส่วนใหญ่จริง ๆ ประกอบด้วย จงนำรายการที่คุณติดป้ายกำกับเองจำนวน 200 รายการมาทดสอบกับแต่ละตัวก่อนที่ตัวเลขใดจะตัดสินอะไร
