การ์ดชื่อเรื่องที่สร้างขึ้นซึ่งมีหัวเรื่องว่า 'MAI Decision 1 vs Microsoft Decision 1' พร้อมคำบรรยายใต้หัวเรื่องว่า 'ไลน์ผลิตภัณฑ์เดียวกัน ห่างกัน 6 จุดดัชนี' แบ่งออกเป็นสองแผงมุมโค้งรอบวงกลม 'vs' แผงซ้าย 'Microsoft-Decision-1.1' มีบรรทัดย่อย 'GA 17 พฤศจิกายน 2026' และแถว 'ดัชนีการตัดสินใจ 67.78', '123 มิลลิวินาทีต่องาน', 'รูปภาพและข้อความ' และ 'Gemma 4 base'; แผงขวา 'Microsoft-Decision-1' มี 'GA 8 ตุลาคม 2026', 'ดัชนีการตัดสินใจ 62.07', '274 มิลลิวินาทีต่องาน', 'ข้อความเท่านั้น' และ 'Qwen3.5 base' ส่วนท้ายระบุว่า 'ทั้งสองมีราคาอยู่ที่ /bin/bash.042 ต่อโทเค็นอินพุตหนึ่งล้านโทเค็น' โลโก้ OrcaRouter ถูกซ้อนทับอยู่ในแถบสีขาวใต้ภาพ
Guides & Insights

MAI Decision 1 เทียบกับ Microsoft Decision 1: สายผลิตภัณฑ์เดียวกัน ต่างกันหกคะแนน

ผู้เขียน

jinhao.song

วันที่เผยแพร่

โมเดลล่าสุด · 20ดูโมเดลทั้งหมด →
เบนช์มาร์ก: Artificial Analysis · อัปเดตทุกวัน
กลับไปยังโพสต์ทั้งหมด

การเปรียบเทียบนี้มีกับดักอยู่ และกับดักนั้นคือสมมติฐานตั้งต้น MAI Decision 1 กับ Microsoft Decision 1ไม่ใช่โมเดลสองตัวที่แข่งขันกัน พวกมันคือผลิตภัณฑ์สายเดียวกันของ Microsoft ต่างกันแค่หนึ่งเวอร์ชัน: โมเดลที่เนื้อหาข่าว Ignite เรียกว่า MAI Decision 1 คือ Microsoft-Decision-1.1 และ Microsoft-Decision-1 คือรุ่นที่เปิดตัวในเดือนตุลาคมซึ่งมันเข้าแทนที่ ดังนั้นการเปรียบเทียบที่มีประโยชน์ไม่ใช่ "ผู้ขายรายไหนชนะ" — แต่คือ "ห้าสัปดาห์กับฐานโมเดลใหม่ให้อะไรบ้าง และการอัปเกรดคุ้มค่ากับการย้ายระบบสำหรับใครก็ตามที่ใช้งานจริงบนปลายทางเวอร์ชันเก่าอยู่แล้วหรือไม่" คำตอบสั้น ๆ: หกคะแนนดัชนี เวลาแฝงครึ่งหนึ่ง รองรับอินพุตรูปภาพ และรายการราคาที่ไม่ขยับ

การตั้งชื่อ ที่ตัดสินใจเพียงครั้งเดียว

ป้ายกำกับทางซ้ายของการเปรียบเทียบนี้มาจากการรายงานข่าวงาน keynote ไม่ได้มาจาก Microsoft สตริงของผู้ขายเองคือ "Decision 1.1" ในโพสต์รายการผลิตภัณฑ์ Ignite และ "Microsoft-Decision-1.1" บนบล็อก Foundry และการ์ดโมเดล; คำนำหน้า MAI ถูกใช้ไปพร้อมกับ MAI Code 2 และ MAI Cyber 2 Flash ผ่านบทความของบุคคลที่สามชุดเดียวกันจนติดเป็นที่ใช้กัน ดังนั้นหน้านี้จึงเปรียบเทียบเวอร์ชัน 1.1 กับเวอร์ชัน 1 ของผลิตภัณฑ์หนึ่งไลน์ และคำถามที่น่าสนใจไม่ใช่ผู้ขายรายใดชนะ แต่คือห้าสัปดาห์และโมเดลฐานที่แตกต่างกันเปลี่ยนอะไรไปบ้าง

Version 1 ยังไม่ถูกถอนออก ยังคงแสดงอยู่ใน Foundry และยังคงได้รับการให้คะแนนบนบอร์ดอิสระ ซึ่งเป็นเหตุผลว่าทำไมชื่อทั้งสองจึงปรากฏเคียงข้างกันในตารางเปรียบเทียบอยู่เสมอ — บางครั้งในฐานะคู่แข่งจากบริษัทที่แตกต่างกัน ซึ่งแท้จริงแล้วไม่ใช่เช่นนั้น

หกสัปดาห์ สองรุ่น ราคาเดียว

เวอร์ชัน 1 เปิดให้ใช้งานทั่วไป (GA) เมื่อวันที่ 8 ตุลาคม 2026: เป็นการโพสต์เทรนแบบข้อความล้วนของ Qwen3.5-9B จาก Alibaba โดยมีความน่าจะเป็นที่ปรับเทียบแล้วบนชุดตัวเลือกแบบคงที่ เพดาน 32,768 โทเค็น ไม่มีเวตโมเดล และไม่มีตัวเลข benchmark ที่เผยแพร่ เวอร์ชัน 1.1 เปิดตัวเมื่อวันที่ 17 พฤศจิกายน ด้วยฐาน Gemma 4 26B-A4B รองรับอินพุตภาพ และข้อมูลประสิทธิภาพแบบครบถ้วน — ในขณะที่รายการราคายังคงอยู่ที่เดิมทุกประการ ในราคา $0.042 ต่อล้านโทเค็น

• โมเดลฐาน — Qw​en3.5-9B แบบ dense ขนาดรวม 9B เทียบกับ Gemma 4 26B-A4B แบบ mixture-of-experts ที่มีพารามิเตอร์ทำงานประมาณ 4B; ทั้งสองผ่านการทำ post-training ภายในองค์กร

• รูปแบบข้อมูล — ข้อความเท่านั้น เทียบกับข้อความ JSON และรูปภาพ PNG/JPEG สูงสุด 8 รายการต่อคำถาม

• ขีดจำกัดอินพุต — 32,768 โทเค็น เทียบกับ 32,768 โทเค็น ไม่เปลี่ยนแปลง

• ประเภทคำถาม — ใช่/ไม่ใช่, ตัวเลือกหลายข้อ, การให้คะแนน, การจำแนกประเภท, รูบริกเทียบกับชุดเดียวกัน เปิดให้ใช้งานเป็นพรีมิทีฟที่มีชนิดสามตัว (noul, choice, score)

• ราคา — $0.042/ล้านโทเคน มาตรฐานระดับโลก, $0.05 สหภาพยุโรปและ APAC เทียบกับแบบเดียวกัน

• ความหน่วงที่วัดได้ — 274.25 ms ต่องาน เทียบกับ 123.25 ms ต่องาน, Artificial Analysis

• ต้นทุนที่วัดได้ — $142.56 ต่อหนึ่งล้านงาน เทียบกับ $139.64 ต่อหนึ่งล้านงาน, Artificial Analysis

• ดัชนีการตัดสินใจ v2.1 — 62.07 เทียบกับ 67.78

• ค่าน้ำหนัก — ไม่มี, โฮสต์ใน Foundry เท่านั้น เทียบกับ ไม่มี, โฮสต์ใน Foundry เท่านั้น

รายการเดียวที่ไม่เปลี่ยนคือรายการที่ทีมส่วนใหญ่วางงบประมาณเผื่อไว้ และรายการที่เปลี่ยนไปมากที่สุดคือรายการที่ไม่มีใครโฆษณา: ความหน่วงลดลงครึ่งหนึ่ง ขณะที่ราคาต่อโทเคนยังคงเท่าเดิม เพราะฐานใหม่เป็นโมเดลแบบ sparse ที่ทำงานต่อการเรียกแต่ละครั้งน้อยลงมาก

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.

จุดทั้งหกทำมาจากอะไร

ช่องว่างของคะแนนรวมที่ 5.71 ไม่ได้กระจายอย่างเท่าเทียม และความไม่สม่ำเสมอนี้บอกคุณว่าการอัปเกรดถูกสร้างมาเพื่องานประเภทใด ในหกการประเมินองค์ประกอบของ Artificial Analysis เมื่ออ่านกระดานคะแนน ณ วันที่ 18 พฤศจิกายน 2026:

• การเรียกใช้เครื่องมือของ When2Call — 95.1 บน 1.1 เทียบกับ 87.9 บนเวอร์ชัน 1 เพิ่มขึ้น 7.1 จุด และเป็นค่าที่สำคัญสำหรับ guardrails ของเอเจนต์

• การตัดสินใจในสถานที่ทำงานของ EvalSafe-O*NET — 88.8 เทียบกับ 86.8

• AA-Symmetry, ความไม่แปรเปลี่ยนของการตัดสินใจเมื่อเปลี่ยนถ้อยคำ — 75.7 เทียบกับ 70.4

• การตัดสินใจด้านเอกสารของ AA-Paperclip — 58.7 เทียบกับ 51.8 ซึ่งเป็นการเพิ่มขึ้นแบบสัมบูรณ์ที่มากที่สุด

• AA-Omniscience ความรู้และการฮัลลูซิเนชัน — 60.5 เทียบกับ 54.9

• การให้เหตุผลแบบปรนัยของ HLE — 46.1 เทียบกับ 39.4

คะแนนย่อยทุกตัวดีขึ้น ซึ่งเป็นเรื่องที่พบได้ไม่บ่อยและทำให้คะแนนรวมน่าเชื่อถือ คอมโพสิตที่เพิ่มขึ้นในการประเมินหนึ่งแต่ลดลงในอีกสองรายการมักเป็นอาร์ติแฟกต์ของการถ่วงน้ำหนัก กำไรจากความไม่แปรเปลี่ยนคือสิ่งที่เงียบที่สุดซึ่งควรค่าแก่การตั้งข้อสังเกต สมมาตรวัดว่าการตัดสินใจหนึ่งจะอยู่รอดได้หรือไม่เมื่อตัวเลือกถูกจัดลำดับใหม่หรือคำถามถูกเรียบเรียงใหม่ ซึ่งเป็นโหมดความล้มเหลวที่เอกสารของ Microsoft เองเตือนไว้พอดี และเป็นคุณสมบัติที่ตัดสินว่าเกณฑ์ที่คุณปรับจูนในสเตจจิงจะยังทริกเกอร์ในโปรดักชันหรือไม่ การขยับจาก 70 เป็น 76 ในด้านนั้นเป็นการเปลี่ยนแปลงเชิงปฏิบัติการที่ใหญ่กว่าการขยับจาก 62 เป็น 68 ในคะแนนพาดหัว

ความแม่นยำของการปรับเทียบ (calibration) ดีขึ้นในทิศทางเดียวกัน คะแนน Brier ซึ่งวัดช่องว่างกำลังสองระหว่างความน่าจะเป็นที่ระบุไว้กับความจริง ลดลงจาก 0.1965 เหลือ 0.1604 — ยิ่งต่ำยิ่งดี ความแม่นยำของตัวเลือกที่เลือกเพิ่มขึ้นจาก 40.6 เป็น 48.5 ตัวเลขทั้งสองนี้เป็นการวัดของ Artificial Analysis บนงานของตัวเอง ไม่ใช่ของ Microsoft ซึ่งเป็นเหตุผลที่ควรให้น้ำหนักกับมัน กรอบการเปิดตัวของ Microsoft เองสำหรับ 1.1 คือคะแนน 68 “เพิ่มขึ้นหกคะแนนจากโมเดลแรกของเรา” และบอร์ดอิสระให้ผลต่างกันไม่ถึงครึ่งคะแนนที่ 67.78 โดยเพิ่มขึ้น 5.71 คะแนน เป็นครั้งที่ผู้ขายและผู้ตรวจสอบเห็นพ้องกันในวงกว้าง

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.

ในกรณีที่โมเดลรุ่นเก่ายังเป็นตัวเลือกที่เหมาะสม

มีเหตุผลที่ปกป้องได้สามประการในการคงอยู่กับ Microsoft-Decision-1 และไม่มีข้อใดเลยที่เป็นเรื่องประสิทธิภาพ

ประการแรกคือการประเมินแบบ frozen หากคุณปรับคาลิเบรตเกณฑ์เทียบกับเวอร์ชัน 1 บนข้อมูลที่คุณติดป้ายกำกับเอง — และคุณควรทำเช่นนั้น — การเปลี่ยนโมเดลฐานจะทำให้งานนั้นใช้ไม่ได้ โมเดล dense 9B ที่ผ่าน post-training สำหรับการให้คะแนนกับโมเดล MoE 26B ที่ผ่าน post-training สำหรับการให้คะแนนไม่ได้ล้มเหลวในจุดเดียวกัน และเอกสารของ 1.1 ระบุชัดว่าการคาลิเบรตจะแม่นยำที่สุดกับประเภทงานที่คุ้นเคยและอาจเปลี่ยนไปตามถ้อยคำ การปรับแต่งใหม่มีต้นทุนจริง และต้นทุนนั้นตกอยู่ที่ทีม ไม่ใช่ผู้ขาย

ข้อที่สองคือความครอบคลุมด้านภาษา เวอร์ชัน 1 มีเรื่องราว post-training สำหรับ 25 ภาษา บนฐาน Qw​en ที่มีภาษาพร้อมใช้มากกว่า 200 ภาษา เวอร์ชัน 1.1 มีเรื่องราวสำหรับ 25+ ภาษา บนฐาน Gemma ที่มีเอกสารระบุไว้ 35+ ภาษา 25+ ไม่เท่ากับ 25 และหากคุณดูแลคิวแบบหลายภาษา สิ่งที่ซื่อตรงคือการทดสอบ ไม่ใช่การสันนิษฐานว่าตัวเลขเพิ่มขึ้นแล้ว

ข้อที่สามคือรูปร่างของ dependency ของคุณ ทั้งสองเวอร์ชันเป็นแบบโฮสต์เท่านั้น ผู้ขายรายเดียว ราคาเดียว และระบบจำกัดอัตราเดียว การอัปเกรดจะเปลี่ยน failure domain ของคุณโดยไม่ได้ทำให้เล็กลง หากคุณห่อ endpoint ไว้หลัง fallback ของคุณเองแล้ว การอยู่กับ 1 ทำให้คุณเสีย latency และความแม่นยำ แต่ไม่เสีย availability; หากคุณยังไม่ได้ทำ การอัปเกรดจะทำให้คุณได้โมเดลที่เร็วกว่าโดยยังอยู่หลังจุดล้มเหลวจุดเดียวเดิม

รันทั้งสองแบบเคียงข้างกันก่อนที่คุณจะคอมมิต

การย้ายระบบครั้งนี้มีขนาดเล็ก ซึ่งเป็นส่วนที่น่าพอใจ รูปร่างของ endpoint ไม่เปลี่ยนแปลง — state พร้อมคำถามที่ระบุชนิดข้อมูลไปยัง decision route บนทรัพยากร Foundry — และการ deploy เป็นการเปลี่ยนเวอร์ชันโมเดล ไม่ใช่การเขียน integration ใหม่ สิ่งที่เปลี่ยนคือทุกอย่างที่อยู่ปลายน้ำจากการตอบกลับ ได้แก่ ความน่าจะเป็น ค่า threshold และคะแนนย่อยข้างต้น

ดังนั้นให้รันทั้งสองตัว ส่งแบตช์ที่ติดป้ายกำกับชุดเดียวกันไปยังทั้งสองดีพลอยเมนต์ เปรียบเทียบความแม่นยำในการเลือกตัวเลือกที่เกณฑ์ที่คุณใช้จริง และดูที่ส่วนปลายโดยเฉพาะ — กรณีที่เวอร์ชัน 1 คืนค่า 0.55 และเวอร์ชัน 1.1 คืนค่า 0.88 คือกรณีที่จะเปลี่ยนอัตราการยกระดับของคุณอย่างเงียบ ๆ ผลได้จากความสมมาตรบ่งชี้ว่า 1.1 ควรเสถียรกว่าภายใต้การสลับลำดับตัวเลือก; ตรวจสอบสิ่งนั้นกับพรอมต์ของคุณเองแทนการเชื่อตัวเลข

การให้ผู้ตัดสินและสิ่งที่ถูกตัดสินอยู่บนคีย์เดียวกันคือรูปแบบการตั้งค่าที่ทีมส่วนใหญ่ลงเอยด้วยการต้องการ และโมเดล Decision ทั้งสองแบบก็ให้สิ่งนั้นกับคุณไม่ได้: ทั้งคู่เป็นปลายทางโฮสต์เฉพาะใน Foundry ดังนั้นเราเตอร์ที่อยู่ข้างหน้าพวกมันคือโค้ดของคุณเอง สิ่งที่เราเตอร์ทำได้ในระหว่างนี้คือจัดหาการควบคุมGemma 4 26B A4B — เวอร์ชันฐานที่ใช้ post-train เพื่อสร้าง 1.1 — ให้บริการผ่าน OrcaRouter ในราคา$0.25 ต่อหนึ่งล้านโทเค็นอินพุต และ $2.90 ต่อหนึ่งล้านโทเค็นเอาต์พุต และ Jev 1.14 ซึ่งเป็นโมเดล Decision ที่ Microsoft ใช้เป็นเกณฑ์เปรียบเทียบตัวเอง ในราคา $0.042 ต่อหนึ่งล้านโทเค็นทั้งอินพุตและเอาต์พุต ทั้งคู่ไม่ได้ให้คำตอบที่ปรับเทียบแล้วเหมือน 1.1 ทั้งคู่บอกคุณว่าโมเดลทั่วไปบนข้อมูลของคุณเองจะเข้าใกล้โมเดล Decision ภายในไม่กี่จุดหรือไม่ ซึ่งเป็นคำถามที่ตัดสินว่าคุณจำเป็นต้องมีโมเดลนั้นเลยหรือไม่

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.

ตอบคำถามเรื่องเวอร์ชันแล้ว

หากคุณกำลังเลือกวันนี้และไม่มีเกณฑ์เดิมที่ต้องรักษาไว้ ให้เลือก 1.1 จากการวัดอิสระ มันเร็วกว่า 2.2 เท่า ต้นทุนต่องานถูกกว่าเล็กน้อย ปรับเทียบได้ดีกว่า ตัดสินใจได้ดีกว่าว่าจะเรียกใช้เครื่องมือหรือไม่ และเป็นเพียงตัวเดียวในสองตัวที่อ่านภาพหน้าจอได้ รายการราคาเหมือนกัน ดังนั้นการอัปเกรดจึงไม่มีค่าใช้จ่ายเพิ่ม

หากคุณใช้งานเวอร์ชัน 1 ในระบบโปรดักชันอยู่แล้ว การอัปเกรดนี้คุ้มค่าที่จะทำ และไม่เร่งด่วนแบบเดียวกับที่แพตช์ความปลอดภัยเร่งด่วน จัดสรรเวลาและงบประมาณสำหรับการปรับแต่งใหม่ โดยให้การติดตั้งใช้งานเดิมยังทำงานอยู่จนกว่าเกณฑ์ใหม่จะยืนยันได้บนทราฟฟิกจริง และมองว่าการปรับสมมาตรให้ดีขึ้นเป็นเหตุผลที่ทำให้คาดหวังว่าจะเจอเรื่องไม่คาดคิดน้อยลง ไม่ใช่เป็นคำสัญญาว่าจะไม่มีเรื่องไม่คาดคิดเลย

สิ่งที่การเปรียบเทียบนี้ไม่ใช่ คือการเลือกหว่างผู้ขาย ทั้งสองชื่อชี้ไปที่เส้นตัดสินใจของ Microsoft โดยห่างกันห้าสัปดาห์และโมเดลพื้นฐานหนึ่งรุ่น ในราคาเดียวกันที่ $0.042 ต่อล้านโทเค็น คำถามที่น่าสนใจไม่เคยเป็นว่าเจ้าตัวไหนชนะ แต่เป็นว่าเจ้าตัวที่สองดีขึ้นพอที่จะคุ้มกับการจ่ายเพื่อปรับเทียบใหม่หรือไม่ บนคณะกรรมการอิสระ คำตอบคือใช่

© 2026 OrcaRouter

สำหรับผู้ให้บริการ

ให้บริการแพลตฟอร์มการอนุมานอยู่หรือไม่ นำโมเดลของคุณขึ้น OrcaRouter

[email protected]

เข้าร่วมคอมมูนิตี้ของเรา

Discord[email protected]XLinkedInGitHubYouTube