
MAI Decision 1 แท้จริงแล้วคือ Decision 1.1 — และพาดหัวข่าว 200x นั้นไม่ใช่ของ Microsoft
- Googleใหม่Google: Gemini 4 Carbon2026-11-10$2.00 / $10.00 ต่อ 1 ล้านโทเค็น · 90 tok/s
- Anthropicใหม่Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 ต่อ 1 ล้านโทเค็น · 97 tok/s
- orcaใหม่Orca: OrcaC2 1.02026-11-0711 tok/s
- Orcaใหม่OrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 ต่อ 1 ล้านโทเค็น · 87 tok/s
- Orcaใหม่OrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 134 tok/s
- Orcaใหม่OrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 ต่อ 1 ล้านโทเค็น · 86 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 124 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 67 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 43 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 · 192 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929ความฉลาด
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 ต่อ 1 ล้านโทเค็น · 130 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 · 135 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 · 182 tok/s
ตัวเลขสองตัวเกี่ยวกับ MAI Decision 1ที่แพร่กระจายไปทั่วเมื่อวันที่ 17 พฤศจิกายน 2026: ว่าเร็วกว่า 10 เท่าและถูกกว่า 200 เท่าเมื่อเทียบกับโมเดลทั่วไป ไม่มีตัวเลขใดปรากฏอยู่ในประกาศของ Microsoft เองเลย โมเดลที่ Microsoft เปิดตัวจริงที่ Ignite คือ Microsoft-Decision-1.1 และคำกล่าวอ้างที่บริษัทเผยแพร่คือเร็วกว่า 50 เท่าและถูกกว่า 79 เท่าเมื่อเทียบกับ GPT-Sol 6.1 — เทียบกับโมเดลเฉพาะที่ระบุชื่อ ในชุดทดสอบเฉพาะ ไม่ใช่เทียบกับ "โมเดลทั่วไป" ช่องว่างนี้คุ้มค่าที่จะขึ้นต้นด้วย เพราะมันคือความแตกต่างระหว่างอัตราส่วนทางการตลาดกับตัวเลขที่คุณตรวจสอบได้ นี่คือสิ่งที่เปิดตัว สิ่งที่ Microsoft บันทึกไว้ และสิ่งที่คณะกรรมการอิสระประเมินไว้
อย่างแรก ชื่อ
เอกสารของ Microsoft ไม่เคยใช้สตริง "MAI Decision 1" โพสต์ไลน์อัปของ Ignite เรียกโมเดลนี้ว่า Decision 1.1 บล็อกของ Foundry เรียกมันว่า Microsoft-Decision-1.1 และการ์ดโมเดลในแค็ตตาล็อก Foundry ก็ใช้ชื่อเดียวกัน ป้ายชื่อ "MAI Decision 1" มาจากการรายงานข่าวของบุคคลที่สามเกี่ยวกับการกล่าวปาฐกถา พร้อมกับ "MAI Code 2", "MAI Code 2 Flash" และ "MAI Cyber 2 Flash" — เป็นตระกูลเดียวกัน ที่ถูกเปลี่ยนชื่อโดยผู้สังเกตการณ์ ไม่ใช่โดยผู้จำหน่าย
สิ่งนั้นสำคัญด้วยเหตุผลเชิงปฏิบัติข้อหนึ่ง: Microsoft-Decision-1.1 ไม่ใช่โมเดลตัดสินใจรุ่นแรกที่ Microsoft เปิดตัว Microsoft-Decision-1 พร้อมใช้งานทั่วไปบน Foundry เมื่อวันที่ 8 ตุลาคม 2026 สร้างบน Alibaba's Qwen3.5-9B แบบข้อความเท่านั้น โดยไม่มีตัวเลข benchmark ที่เผยแพร่ ณ เวลาเปิดตัว สิ่งที่มาถึงในวันที่ 17 พฤศจิกายนคือเวอร์ชัน 1.1 ของสายผลิตภัณฑ์เดียวกัน พร้อมโมเดลฐานที่แตกต่างกัน อินพุตแบบหลายโหมด และข้อมูลด้านประสิทธิภาพที่ครบถ้วนกว่ามาก ให้ถือว่าสิ่งใดก็ตามที่คุณอ่านเกี่ยวกับ "MAI Decision 1" เป็นข้อมูลเกี่ยวกับ 1.1 เว้นแต่จะระบุไว้เป็นอย่างอื่น
จริงๆ แล้วในกล่องมีอะไร
โครงสร้างของสัญญาไม่เปลี่ยน และขอบเขตการใช้งานกว้างขึ้นอย่างมาก คุณส่งสถานะ — ข้อความหรือ JSON — พร้อมคำถามแบบระบุชนิดหนึ่งข้อหรือมากกว่า โดยแต่ละข้อมีชุดตัวเลือกคงที่ และคุณจะได้ความน่าจะเป็นกลับมาแทนข้อความร้อยเรียง มีการอธิบายชนิดคำถามพื้นฐานไว้สามแบบ: คำถามใช่/ไม่ใช่ ("noul" ใน API), การเลือกจากชุดที่ติดป้ายกำกับ และคะแนนบนระดับที่เรียงลำดับ ซึ่งค่าที่ส่งคืนเป็นค่าเฉลี่ยถ่วงน้ำหนักด้วยความน่าจะเป็นของดัชนีระดับ ทั้งหมดในการเรียกครั้งเดียว ผ่านครั้งเดียว ไม่มีลูปถอดรหัส
มีอะไรใหม่ใน 1.1:
• โมเดลพื้นฐาน — Gemma 4 26B-A4B ซึ่งเป็น mixture-of-experts แบบ open-weight ของ Google ที่ผ่านการ post-train โดย Microsoft เวอร์ชัน 1 ผ่านการ post-train บน Qwen3.5-9B
• อินพุต — ข้อความและรูปภาพ เวอร์ชัน 1 เป็นข้อความเท่านั้น
• การจัดการรูปภาพ — PNG หรือ JPEG, 280 ถึง 1,568 พิกเซลในแต่ละด้าน, สูงสุด 8 รูปภาพต่อคำถาม รวมถึงรูปภาพใด ๆ ที่อ้างอิงจากสถานะ, จำกัดที่ 645,120 พิกเซลที่ประมวลผลทั้งหมด บริการจะปรับขนาดเป็นขนาดการทำงานคงที่ ดังนั้นการอัปโหลดที่ใหญ่ขึ้นจะไม่ใช้โทเค็นเพิ่มขึ้น
• บริบท — 32,768 โทเค็นอินพุตสำหรับการรวมสถานะกับคำถาม ซึ่งเป็นเพดานเดียวกันกับเวอร์ชัน 1
• ภาษา — ฝึกและประเมินใน 25+ ภาษา เทียบกับ 35+ ภาษาที่โมเดลฐานรองรับโดยตรง Microsoft ระบุชัดเจนว่าความครอบคลุมของโมเดลฐานไม่ได้ยืนยันการปรับเทียบที่ผ่านการตรวจสอบแล้วในแต่ละภาษา
• การให้บริการ — ปลายทางสำหรับการตัดสินใจ (decision endpoint) ไม่ใช่การคอมพลีชันแชต (chat completion): คำขอจะถูกส่งไปที่ /providers/microsoft/v1/systemone บนทรัพยากร Foundry ของคุณ โดยระบุชื่อดีพลอยเมนต์ในฟิลด์ model Microsoft ระบุว่าปลายทางนี้ทำงานด้วยเอนจินอินเฟอเรนซ์แบบกำหนดเองที่เขียนขึ้นสำหรับงานด้านการตัดสินใจ ไม่ใช่สแตกสำหรับสร้างข้อความ
• ราคา — 0.042 ดอลลาร์ต่อล้านโทเคนใน Global Standard และ 0.05 ดอลลาร์ในโซนข้อมูล EU และ APAC เท่ากับเวอร์ชัน 1 และการเรียกตัดสินใจจะคิดค่าบริการตามโทเคนอินพุต เนื่องจากแทบไม่มีเอาต์พุตให้คิดค่าบริการได้
• ช่วงเวลาการฝึก — ตุลาคมถึงพฤศจิกายน 2026 ตามการ์ดโมเดล
• เวต — ไม่มี นี่คือโมเดลแบบโฮสต์ในกลุ่มผลิตภัณฑ์ "Direct from Azure" ของ Foundry ไม่มีการดาวน์โหลดและไม่มีเส้นทางสำหรับการปรับแต่งละเอียด
ข้อจำกัดต่างๆ ถูกระบุไว้อย่างตรงไปตรงมาไม่ต่างจากคุณสมบัติ และยังคงเป็นสิ่งที่กำหนดผลิตภัณฑ์ Microsoft-Decision-1.1 ไม่ได้มีไว้สำหรับการสร้างข้อความ การตอบคำถามแบบปลายเปิด การสนทนา การแปล หรือการสรุปความ และไม่ได้มีไว้สำหรับงานที่ต้องใช้ความรู้ซึ่งไม่มีอยู่ในข้อมูลนำเข้า โดยไม่สร้างเหตุผลรองรับ คำตอบมีค่าความน่าจะเป็นและไม่มีสิ่งใดที่คุณจะแสดงให้ผู้ใช้เป็นคำอธิบายได้ ซึ่งหมายความว่าการอธิบายเป็นหน้าที่ของคุณ และเกณฑ์ตัดสินเป็น決定ของคุณ: 0.7 ส่งต่อ, 0.95 ไม่ส่งต่อ และเส้นแบ่งนั้นถูกกำหนดโดยแอปพลิเคชัน ไม่ใช่ผู้จำหน่าย
ข้อกล่าวอ้างเรื่องความเร็วและต้นทุนทั้งสองข้อ และข้อใดที่ผ่านการตรวจสอบอย่างละเอียด
เวอร์ชันที่แพร่หลาย — “เร็วกว่า 10 เท่าและถูกกว่า 200 เท่าเมื่อเทียบกับโมเดลทั่วไป” — ไม่ได้ระบุว่าอ้างอิงถึงอะไร อัตราส่วนเมื่อเทียบกับโมเดลที่ไม่ระบุชื่อไม่สามารถทำซ้ำได้ และการเปรียบเทียบของ Microsoft ที่เผยแพร่แล้วสองรายการซึ่งระบุชื่อได้จริงนั้นกลับแคบกว่าและใหญ่กว่าในเวลาเดียวกัน
โพสต์ของ Ignite กล่าวว่า Decision 1.1 “เร็วกว่า 50 เท่าและถูกกว่า 79 เท่าเมื่อเทียบกับ GPT-Sol 6.1” โพสต์เปิดตัวของ Foundry กล่าวว่าโมเดลนี้ “เร็วกว่าโมเดลแรกของเรามากกว่าสองเท่า ด้วยต้นทุนเท่ากัน” และยกตัวอย่าง Copilot: การกำหนดเส้นทางระหว่าง Copilot กับ Cowork ด้วยความแม่นยำเท่ากับโมเดลภาษาขนาดใหญ่ เร็วกว่า 2.2 เท่าและถูกกว่า 4.4 เท่า นั่นคือการวัดโดยผู้ขายบนทราฟฟิกของ Microsoft เองและฮาร์เนสของ Microsoft เอง ตัวเลขเหล่านี้ไม่ได้ผิด แต่มีขอบเขตจำกัด ตัวเลข 50 เท่าและ 79 เท่าเป็นเรื่องเกี่ยวกับคู่แข่งรายหนึ่งในการตัดสินใจด้านการกำหนดเส้นทางประเภทหนึ่ง ไม่ได้เกี่ยวกับโมเดลสำหรับการตัดสินใจโดยทั่วไป
หนึ่งในข้อกล่าวอ้างนั้นสามารถตรวจสอบกับบุคคลที่สามได้ และ它也เป็นจริง Artificial Analysis วัด Decision 1.1 ได้ที่ 123.25 มิลลิวินาทีต่องานบน Decision Index v2.1 ของตน เทียบกับ 274.25 มิลลิวินาทีสำหรับ Microsoft-Decision-1 นั่นคือ 2.23 เท่า ซึ่งเป็นความหมายของคำว่า "เร็วกว่าสองเท่าขึ้นไป" ข้อกล่าวอ้างเรื่องต้นทุนก็ยังใช้ได้ ในรูปแบบที่อ่อนลง: AA คำนวณว่า 1.1 มีต้นทุน 139.64 ดอลลาร์ต่อล้านงาน เทียบกับ 142.56 ดอลลาร์สำหรับเวอร์ชัน 1 — ถูกกว่าประมาณ 2% ไม่ใช่ราคาเดียวกัน เพราะสองเวอร์ชันใช้จำนวนโทเคนต่องานต่างกัน แม้จะมีอัตราต่อโทเคนเท่ากันก็ตาม คำว่า "ในต้นทุนเดียวกัน" แม่นยำเมื่อพูดถึงรายการราคา และใจกว้างเกินไปเล็กน้อยเมื่อพูดถึงบิลจริง
มันอยู่ในอันดับใด และข้อกล่าวอ้างที่ Microsoft ทำขึ้นมีลักษณะอย่างไร
โพสต์เปิดตัวของ Microsoft ระบุว่า Decision 1.1 “ได้คะแนน 68 เพิ่มขึ้นหกคะแนนจากโมเดลแรกของเรา และนำหน้า Jev 1.14, Gemini Decision 1 ของ Google และ GPT-6 Luna (Decisions) ของ OpenAI” บน Artificial Analysis Decision Index v2.1 ที่อ่านเมื่อวันที่ 18 พฤศจิกายน 2026 ทุกส่วนของข้อความนั้นเป็นความจริง Decision 1.1 อยู่ที่ 67.78 Jev 1.14 อยู่ที่ 66.23 Gemini Decision 1 อยู่ที่ 65.98 GPT-6 Luna อยู่ที่ 60.25 เวอร์ชัน 1 อยู่ที่ 62.07 ดังนั้นการเพิ่มขึ้นหกคะแนนจึงเป็นเรื่องจริงเช่นกัน
สิ่งที่ประโยคไม่ได้บอกคือโมเดลนี้อยู่อันดับไหนในสนามทั้งหมด มันอยู่อันดับแปดบนตารางคะแนน ตามหลังผู้นำเดี่ยวอยู่เจ็ดคะแนน และนำหน้าโมเดลที่ Microsoft ระบุชื่ออยู่หนึ่งจุดห้า:
• 74.85 — d1.2-ultra (Liquid AI)
• 72.62 — Drex Max v1.1 (Nace.AI)
• 72.58 — SubQ Snap 1.2 (Subquadratic)
• 72.52 — GLiDE v1.2 (Fastino)
• 71.36 — Mammoth 27B (Base Labs)
• 70.41 — Decider v1.3 (Perplexity)
• 68.69 — d1.2 (Liquid AI)
• 67.78 — Microsoft-Decision-1.1

มีเจ็ดโมเดลที่ทำคะแนนได้สูงกว่า และผู้นำนำอยู่ 7.1 คะแนน ข้อกล่าวอ้างแยกต่างหากของ Microsoft — "ความแม่นยำเฉลี่ยสูงสุดในแปดโมเดลการตัดสินใจ" จากชุดทดสอบภายในของบริษัทเองที่มี 102 เบนช์มาร์กและ 385,000 คำถาม — เป็นถ้อยแถลงเกี่ยวกับสนามที่ Microsoft เลือกเอง ซึ่งเป็นเรื่องปกติที่ผู้จำหน่ายจะเผยแพร่ และเป็นเรื่องแย่หากอ่านเป็นการจัดอันดับ สนามอิสระมีโมเดลที่ถูกจัดอันดับถึงสิบแปดโมเดล และ Microsoft อยู่ในครึ่งบน
คะแนนย่อยให้ข้อมูลมากกว่าคะแนนรวม เพราะมันแสดงให้เห็นว่า post-training ได้อะไรมาบ้าง ในการประเมินองค์ประกอบทั้งหกของ AA นั้น Decision 1.1 ได้ 95.1 ในการเรียกเครื่องมือ When2Call, 88.8 ใน EvalSafe-O*NET, 75.7 ในด้านความสมมาตร, 58.7 ในการตัดสินใจเรื่องเอกสารของ AA-Paperclip, 60.5 ในด้านความรอบรู้ และ 46.1 ในแบบเลือกตอบ HLE ดัชนีความแม่นยำของมันคือ 48.45 เทียบกับ 40.59 ของเวอร์ชัน 1 และคะแนน Brier ซึ่งเป็นมาตรวัดการสอบเทียบและยิ่งต่ำยิ่งดี ดีขึ้นจาก 0.1965 เป็น 0.1604 การเปลี่ยนแปลงของ Brier นั้นเป็นตัวเลขที่มีความหมายที่สุดในการเปิดตัวครั้งนี้: มันบอกว่าความน่าจะเป็นเข้าใกล้ความจริงมากขึ้น ซึ่งเป็นคุณสมบัติเดียวที่ทำให้การตั้งเกณฑ์ให้โมเดลการตัดสินใจเป็นทางเลือกทางวิศวกรรมที่สมเหตุสมผล

การเปลี่ยนไปใช้โมเดลฐานคือเรื่องราวที่แท้จริง
เวอร์ชัน 1 เป็นการ post-train ของ Qwen3.5-9B ซึ่งเป็นโมเดล dense ขนาด 9B ส่วนเวอร์ชัน 1.1 เป็นการ post-train ของ Gemma 4 26B-A4B ซึ่งเป็น mixture-of-experts ที่มีพารามิเตอร์ที่ใช้งานจริงราว 4B คำอธิบายของ Microsoft เองเน้นเรื่องเศรษฐศาสตร์ของการให้บริการมากกว่าคุณภาพ โดยมีพารามิเตอร์ที่ใช้งานจริงมากพอสำหรับการตัดสินใจ และเล็กพอที่จะรันได้ทั่วฟลีต A100, H100/200 และ GB200/300 ด้วยเอนจินแบบกำหนดเองที่จัดเส้นทางคำขอข้ามกลุ่ม GPU โดยคำนึงถึงต้นทุนมากกว่าความหน่วงเพียงอย่างเดียว
ผลที่ตามมามีสามข้อ และเป็นสามข้อที่ทีมแพลตฟอร์มควรให้ความสำคัญ ข้อแรก MoE ที่มีพารามิเตอร์ทำงาน 4B มีต้นทุนต่ำในการให้บริการต่อการเรียกใช้หนึ่งครั้ง เพราะโมเดลส่วนใหญ่ไม่ได้ทำงานอยู่ตลอด — นั่นคือที่มาของ 123 ms ข้อสอง การสลับครั้งนี้รีเซ็ตเรื่องราวด้านภาษาและการคาลิเบรต: ฐานโมเดลเปลี่ยนไป ข้อกล่าวอ้างเรื่อง 25 ภาษานั้นเกี่ยวกับฐานใหม่ และการคาลิเบรตใด ๆ ที่คุณวัดบนเวอร์ชัน 1 ไม่สามารถนำมาใช้ต่อได้ ข้อสาม สิทธิ์การใช้งานบนฐานเป็นของ Google ขณะที่โมเดลที่ผ่านการฝึกหลัง (post-trained) เป็นของ Microsoft และให้บริการแบบโฮสต์เท่านั้น — ดังนั้นสายพันธุ์แบบ open-weight ไม่ได้ให้ประโยชน์ใด ๆ กับการดำเนินงาน คุณไม่สามารถดาวน์โหลดโมเดลนี้ได้ และการที่ฐานเป็นแบบเปิดก็ไม่ได้เปลี่ยนข้อเท็จจริงนั้น
ค่าโทรเป็นเท่าไร ในหน่วยที่คุณจ่ายจริง
ที่ราคา $0.042 ต่อโทเคนอินพุตล้านโทเคน การเรียกจัดเส้นทางหนึ่งครั้งที่มีทิกเก็ตขนาด 1,200 โทเคนและคำถามแบบสามตัวเลือกมีค่าใช้จ่ายประมาณ $0.00005 — ห้าในร้อยของเซนต์ การเรียกแบบนี้หนึ่งล้านครั้งมีค่าใช้จ่ายราว $50 ตามรายการราคา ค่าที่วัดได้ของ AA ที่ $139.64 ต่อล้านงานนั้นสูงกว่า เพราะงานของมันยาวกว่าทิกเก็ตช่วยเหลือ ซึ่งเป็นเครื่องเตือนใจที่มีประโยชน์ว่าราคาต่อโทเคนและต้นทุนต่องานเป็นหน่วยที่ต่างกัน และตัวหลังคือสิ่งที่ปรากฏในการตรวจทานงบประมาณ
การเปรียบเทียบที่ทำให้เห็นภาพเศรษฐศาสตร์ได้ชัดเจนคือการเทียบกับโมเดลทั่วไปที่ทำงานเดียวกันในโหมด JSON คุณต้องจ่ายสำหรับโทเค็นเอาต์พุตของมัน ซึ่งสำหรับคำตอบแบบมีโครงสร้างแล้วคือหลายสิบถึงหลายร้อยโทเค็นต่อการเรียก แทนที่จะเป็นศูนย์ และคุณต้องจ่ายสำหรับการให้เหตุผลที่มันทำก่อนตอบ นั่นคือช่องว่างที่ Microsoft กำลังอธิบายด้วย 79x และช่องว่างนั้นมีอยู่จริง แม้ว่าตัวคูณที่แน่นอนจะเป็นการเลือกฐานอ้างอิงของผู้ขายก็ตาม
จุดที่ยุ่งยากคือจุดเดียวกับที่มักเกิดขึ้นเสมอเมื่อใช้ผู้ให้บริการให้คะแนนแบบโฮสต์จากผู้ขายรายเดียว นั่นคือมีรายการราคาเดียว ขีดจำกัดอัตราเดียว และเรื่องราวภูมิภาคเดียว Foundry มีการติดตั้งใช้งานแบบ Global Standard และ Data Zone Standard โดยรูปแบบ Data Zone มีราคาสูงกว่า 19% ที่ $0.05 ต่อล้านโทเค็น หากปริมาณงานของคุณไวต่อเวลาตอบสนอง เอกสารแนะนำให้วางทรัพยากร Foundry ไว้ร่วมกับแอปพลิเคชันของคุณ ซึ่งเป็นคำแนะนำที่ตรงไปตรงมาและยังบอกคุณว่าโมเดลไม่ใช่เวทมนตร์ — มันเป็น MoE ขนาดเล็กที่อยู่หลังคิว
เข้าถึงได้โดยไม่ต้องสร้างสแต็กของคุณใหม่
ปลายทางสำหรับการตัดสินใจนั้นไม่ได้อยู่ในแคตตาล็อกของ OrcaRouter และรุ่นก่อนหน้าก็ไม่ได้อยู่เช่นกัน — Microsoft ส่งมอบโมเดลนี้ผ่าน Foundry และไม่มีที่อื่น สิ่งที่มีอยู่ในแคตตาล็อก ในราคาตามรายการของผู้ให้บริการโดยมีมาร์กอัป 0% ที่ส่งต่อ คือสองรายการที่คุณต้องใช้ในการประเมินราคาการตัดสินใจก่อนซื้อ Gemma 4 26B A4B เป็นฐานของ post-train และคิดราคาที่ $0.25 ต่อล้านโทเค็นอินพุต และ $2.90 ต่อล้านโทเค็นเอาต์พุต; เป็นฐานไม่ใช่ post-train จึงไม่ให้ค่าความน่าจะเป็นที่ปรับเทียบแล้วของ Decision 1.1 แต่มีสถาปัตยกรรมเดียวกันและเป็นพื้นราคาที่ตรงไปตรงมาสำหรับต้นทุนของโมเดลทั่วไปที่มีรูปร่างแบบนั้น Jev 1.14 ซึ่ง Microsoft ระบุชื่อและเอาชนะได้ 1.55 คะแนนบนกระดานจัดอันดับอิสระ คิดราคาที่ $0.042 ต่อล้านโทเค็นทั้งขาเข้าและขาออก
การผสมผสานนั้นมีประโยชน์สำหรับช่วงการประเมินมากกว่าช่วงการผลิต หากคุณกำลังตัดสินใจว่าโมเดลการตัดสินใจควรอยู่ในเส้นทางการกำหนดเส้นทางหรือไม่ คุณสามารถทดสอบประสิทธิภาพของปลายทางที่กำหนดเส้นทางได้ทั้งสองรายการบนตั๋วที่ติดป้ายกำกับของคุณเองผ่านคีย์เดียว โดยมีการสลับไปใช้ผู้ให้บริการรายอื่นโดยอัตโนมัติเมื่อเกิดความล้มเหลว ก่อนที่คุณจะเปิดใช้งานการปรับใช้ Azure เลยด้วยซ้ำ หากคำตอบคือใช่และตัวเลขสนับสนุน Decision 1.1 คุณจะปรับใช้ใน Foundry และเก็บเราเตอร์ไว้ด้านหน้า — ปลายทางเดียวสำหรับการเรียกใช้การตัดสินใจและการเรียกใช้แบบสร้างสรรค์เช่นเดียวกัน เพื่อให้ขีดจำกัดอัตราของโมเดลการตัดสินใจไม่กลายเป็นเหตุขัดข้องของแอปพลิเคชันของคุณ

ใครควรลงมือตอนนี้ และใครควรรออีกสองสัปดาห์
ย้ายมาเลยตอนนี้ หากคุณกำลังจ่ายเงินให้โมเดลทั่วไปเพื่อจำแนก ให้คะแนน หรือตัดสินผ่าน/ไม่ผ่านอยู่แล้ว และปริมาณงานของคุณสูงพอที่ต้นทุนต่อการเรียกใช้จะมองเห็นได้บนกราฟ ค่ามัธยฐาน 123 ms และราคา $0.042 ถือเป็นชัยชนะที่ชัดเจนเหนือโมเดลระดับแนวหน้าที่ทำงานตัดสินแบบเดียวกัน และอินพุตแบบหลายรูปแบบคือความแตกต่างระหว่างตัวให้คะแนนที่คุณชี้ไปที่ภาพหน้าจอได้กับตัวที่ทำไม่ได้
ระวังหากการตัดสินใจของคุณเกี่ยวข้องกับผู้คน — สินเชื่อ การจ้างงาน ที่อยู่อาศัย ประกันภัย การดูแลสุขภาพ กฎหมาย — เพราะการ์ดของ Microsoft เองระบุว่าไม่ควรใช้เป็นผู้ตัดสินใจแต่เพียงผู้เดียวในเรื่องเหล่านี้ และไม่มีสิ่งใดใน {{1}}1.1{{/1}} ที่เปลี่ยนแปลงข้อนั้น ระวังเช่นกันหากคุณต้องการการปรับเทียบ (calibration) ที่คุณสามารถใช้แก้ต่างได้: ค่า Brier ที่ 0.160 ของ {{2}}1.1{{/2}} เป็นการปรับปรุง ไม่ใช่การรับประกัน และเอกสารก็ระบุตรงไปตรงมาว่าคะแนนเปลี่ยนไปตามถ้อยคำและลำดับตัวเลือก ตรวจสอบความถูกต้องโดยใช้ป้ายกำกับของคุณเอง สุ่มลำดับตัวเลือก และกำหนดเกณฑ์โดยอิงกับต้นทุนของข้อผิดพลาดสองประเภท แทนที่จะอิงกับแผนภูมิของผู้ขาย
บทสรุปที่ตรงไปตรงมาของวันที่ 17 พฤศจิกายนนั้นเล็กกว่าและมีประโยชน์กว่าพาดหัวข่าวแบบ 200 เท่า: Microsoft เปิดตัวตัวให้คะแนนการตัดสินใจที่เร็วขึ้น รองรับหลายรูปแบบ และปรับเทียบได้ดีขึ้น ในราคาที่ทำให้การตัดสินใจต่อคำขอเป็นเรื่องที่จับต้องได้ และมันดีพอที่จะอยู่ในครึ่งบนของสนามเปรียบเทียบอิสระ มากกว่าจะอยู่อันดับต้น ๆ ของสนามนั้น โมเดลมีอยู่จริง อัตราส่วนในทวีตไม่จริง
