
MAI Decision 1 เทียบกับ Microsoft Decision 1: สายผลิตภัณฑ์เดียวกัน ต่างกันหกคะแนน
- 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
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 — Qwen3.5-9B 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

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

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 Qwen 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

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
