
Microsoft-Decision-1.1 กับ Gemini Decision 1: ความได้เปรียบสองคะแนนที่สร้างขึ้นเกือบทั้งหมดจากแบบทดสอบเพียงชุดเดียว
- Orcaใหม่OrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 ต่อ 1 ล้านโทเค็น · 184 tok/s
- tencentใหม่Tencent: Hy4 Flash2026-11-16$0.02 / $0.07 ต่อ 1 ล้านโทเค็น · 223 tok/s
- Googleใหม่Google: Gemini 4 Carbon2026-11-10$2.00 / $10.00 ต่อ 1 ล้านโทเค็น · 87 tok/s
- Anthropicใหม่Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 ต่อ 1 ล้านโทเค็น · 96 tok/s
- orcaใหม่Orca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 ต่อ 1 ล้านโทเค็น · 90 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 131 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 ต่อ 1 ล้านโทเค็น · 77 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 ต่อ 1 ล้านโทเค็น · 94 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 114 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 94 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 41 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 · 209 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929ความฉลาด
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 ต่อ 1 ล้านโทเค็น · 111 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733ความฉลาด
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 ต่อ 1 ล้านโทเค็น · 311 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740ความฉลาด
เมื่อวาง Microsoft-Decision-1.1 และ Gemini Decision 1 ไว้เคียงกันบน Artificial Analysis Decision Index v2.1 ช่องว่างดูเหมือนเป็นคำตัดสิน: 67.78 เทียบกับ 65.98 โดยโมเดลของ Microsoft ยังเร็วเกือบสองเท่าที่ 123 มิลลิวินาทีต่องาน เทียบกับ 211 มิลลิวินาที และมีค่าใช้จ่ายน้อยกว่าครึ่งหนึ่งที่ 139.64 ดอลลาร์ต่อล้านงาน เทียบกับ 344.90 ดอลลาร์ เมื่อแยกคะแนนรวมออกมา คำตัดสินกลับเล็กลงและแปลกขึ้น ข้อได้เปรียบทั้งหมดของ Microsoft-Decision-1.1 มาจากองค์ประกอบเดียวที่มีน้ำหนัก 10% ของดัชนี และการตัดสินใจระดับกระบวนการหนึ่งเรื่องวิธีคิดค่าบริการเอกสาร ในองค์ประกอบด้านความรู้สององค์ประกอบ โมเดลของ Google ชนะ — องค์ประกอบหนึ่งมากกว่าหกจุด โดยมีความแม่นยำดิบเกือบสองเท่า
การแบ่งแยกนั้นคือการเปรียบเทียบทั้งหมด และมันตัดสินได้มากกว่าตำแหน่งบนตารางอันดับ Gemini Decision 1 อ่านได้ 262,144 โทเคน และรับเสียง วิดีโอ และ PDF; Microsoft-Decision-1.1 อ่านได้ 32,768 และรับข้อความ JSON และรูปภาพ โมเดลของ Google ยอมรับเมื่อมันไม่รู้ที่ 49.6% ในการทดสอบ Omniscience; ของ Microsoft อยู่ที่ 49.4% ในการทดสอบการกำหนดเส้นทาง ของ Microsoft นำอยู่สิบสองจุดครึ่ง ถ้าการตัดสินใจของคุณคือ "คำขอนี้ต้องใช้เครื่องมือใดในห้าตัวนี้" คำตอบไม่ได้ใกล้เคียงกันเลย ถ้าการตัดสินใจของคุณคือ "ข้อกำหนดนี้ในสัญญา 90 หน้านี้เป็นความจริงหรือไม่" คำตอบจะพลิก และมันพลิกเพราะหน้าต่างบริบท ไม่ใช่เพราะโมเดล
ทั้งคู่เป็นผู้ทำคะแนน และพวกเขาเป็นผู้ทำคะแนนในรูปแบบเดียวกัน
API ทั้งสองมาบรรจบกันที่ primitive แทบจะเหมือนกัน ทำให้การเปรียบเทียบนั้นสะอาดเป็นพิเศษ แต่ละตัวรับอินพุตที่ใช้ร่วมกัน ชุดคำถามที่มีชนิดข้อมูลกำกับ และคืนคำตอบที่มีชนิดข้อมูลหนึ่งรายการต่อคำถามหนึ่งข้อ พร้อมความน่าจะเป็นกำกับไว้ ทั้งสองไม่เขียนข้อความแม้แต่คำเดียว
• ประเภทคำถาม — ทั้งสองมีคำถามสามประเภทเดียวกัน: ความน่าจะเป็นแบบใช่/ไม่ใช่, การเลือกจากชุดตัวเลือกที่กำหนดตายตัวพร้อมความน่าจะเป็นต่อตัวเลือก, และตำแหน่งบนมาตรวัดแบบมีลำดับ Microsoft เรียกอันแรกว่า noul ส่วน Google ก็เรียกมันว่า noul ซึ่งไม่ใช่เรื่องบังเอิญเท่าใดนัก แต่เป็นการที่หมวดหมู่หนึ่งลงเอยด้วยคำศัพท์เดียวกัน
โทเค็นเอาต์พุต — เป็นศูนย์ทั้งสองค่าในการเรียกทุกครั้ง การคิดค่าบริการคิดตามอินพุตเท่านั้น ราคาโทเค็นที่คุณเห็นจึงเป็นราคาทั้งหมด
• การให้คะแนนแบบขนาน — ทั้งคู่ประเมินทุกคำถามเทียบกับอินพุตที่ใช้ร่วมกันอย่างอิสระ ดังนั้นคำถามจึงมองไม่เห็นกัน และการเพิ่มคำถามข้อที่สิบจะไม่เปลี่ยนเก้าข้อแรก
• ขนาดคำขอ — Google ระบุว่า 1 ถึง 1,000 คำถามต่อการเรียกหนึ่งครั้ง คำถามแบบตัวเลือกมี 2 ถึง 255 ตัวเลือก คำถามแบบให้คะแนนมี 2 ถึง 255 ระดับ Microsoft ระบุว่า "คำถามที่ระบุประเภทตั้งแต่หนึ่งข้อขึ้นไป" โดยไม่มีเพดาน และโพสต์เปิดตัวของบริษัทอธิบายถึงคำขอที่บรรจุ "คำถามหลายร้อยข้อ"
• อินพุตภาพ — ตอนนี้ทั้งสองรองรับแล้ว Microsoft เพิ่มเข้ามาใน 1.1; Google มีตั้งแต่เปิดตัว พร้อมกับเสียงและวิดีโอ ซึ่ง Microsoft ระบุชัดว่าไม่รองรับ
• เอนด์พอยต์ — นี่คือจุดที่ทั้งสองแตกต่างกันในเชิงกายภาพ Gemini Decision 1 เข้าถึงได้เฉพาะผ่าน Decisions API ของ Google บน Gemini Developer API v1beta ส่วน Microsoft-Decision-1.1 ถูก deploy เป็นรีซอร์สของ Foundry และตอบกลับที่ /providers/microsoft/v1/systemone บนรีซอร์สดังกล่าว
คอมโพสิตที่ถูกแยกองค์ประกอบ
คะแนนนำในดัชนี 1.8 จุดซึ่งอยู่ในองค์ประกอบเดียวที่มีน้ำหนัก 10% ไม่ใช่ผลจากความคลาดเคลื่อนจากการปัดเศษ แต่เป็นข้อกล่าวอ้างที่แคบกว่ามากเมื่อเทียบกับ “โมเดลที่ดีกว่า” นี่คือการแยกองค์ประกอบแบบเต็มของทั้งสองรายการ ตามที่ Artificial Analysis เผยแพร่ เมื่ออ่านวันที่ 19 พฤศจิกายน 2026:
• ดัชนีโดยรวม — Microsoft-Decision-1.1 67.78 เทียบกับ Gemini Decision 1 65.98
• ดัชนีความแม่นยำ (ดัชนีที่สร้างใหม่โดยใช้เฉพาะความแม่นยำ ตัดความมั่นใจออก) — 48.45 เทียบกับ 45.53 ดังนั้น Microsoft ยังนำในด้านความถูกต้องเช่นกัน เพียงแต่นำน้อยกว่า
• When2Call น้ำหนัก 10% — 95.08 เทียบกับ 80.50 ช่องว่าง 14.6 คะแนน และเป็นที่มาของการขึ้นนำ
• AA-Paperclip น้ำหนัก 30% — คะแนน Decision Score 58.67 เทียบกับ 56.83 และ 36.8% เทียบกับ 33.0% ของเอกสารที่ถูกต้องสมบูรณ์
• EvalSafe-O*NET-AA, 15% — 88.85 เทียบกับ 87.05 โดยมีความแม่นยำดิบ 83.4% เทียบกับ 82.0%
• AA-Omniscience-Decision v1.1, 15% — 60.46 เทียบกับ 66.28 โดยมีความแม่นยำดิบ 33.2% เทียบกับ 44.8% และอัตราการไม่สร้างข้อมูลเท็จ 49.4% เทียบกับ 49.6%
• HLE-MultiChoice v1.1, 15% — 46.11 เทียบกับ 48.71 โดยมีความแม่นยำดิบ 6.29% เทียบกับ 13.16% และอัตราการไม่สร้างข้อมูลเท็จ 38.4% เทียบกับ 35.8%
• AA-Symmetry, 15% — 75.72 เทียบกับ 70.47 โดยมีอัตราการผ่านการปรับถ้อยคำใหม่ที่ 47.5% เทียบกับ 38.3%
มีสองประเด็นที่ตามมาจากรายการนั้น ประเด็นแรกคือช่องว่างเดี่ยวที่ใหญ่ที่สุดอยู่ในองค์ประกอบที่มีน้ำหนักน้อยที่สุด — When2Call มีส่วนสนับสนุน 9.5 คะแนนจากมาตรฐาน 100 คะแนน ดังนั้นความแตกต่าง 14.6 คะแนนตรงจุดนั้นจึงมีค่าเท่ากับประมาณ 1.5 คะแนนดัชนี ซึ่งเป็นส่วนใหญ่ของผลต่างรวม 1.8 คะแนน ประเด็นที่สองคือความได้เปรียบด้านความรู้ของ Gemini Decision 1 นั้นใหญ่จริง: 44.8% เทียบกับ 33.2% ในความแม่นยำดิบของ Omniscience ไม่ใช่สัญญาณรบกวน และนี่คือเหตุผลที่โมเดลของ Google มีดัชนีความแม่นยำสูงกว่าที่คะแนนคอมโพสิตบ่งชี้
กล่าวอีกนัยหนึ่ง Microsoft ไม่ได้ทำคะแนนได้เหนือกว่า Google ในทุกด้าน แต่ทำคะแนนได้เหนือกว่า Google อย่างชัดเจนในการทดสอบเพียงข้อเดียวที่ถามว่าโมเดลรู้หรือไม่ว่าจะเรียกใช้เครื่องมือเมื่อใด และทำคะแนนได้พอ ๆ กันในด้านอื่น ๆ โดยแพ้ในการทดสอบความรู้และชนะในการทดสอบความสอดคล้อง

ความแตกต่างของหน้าต่างบริบทมีต้นทุนที่แท้จริงอย่างไร
หน้าต่าง 262,144 โทเคนคือตัวเลขที่ตัดสินภาระงานจริง และเป็นช่องว่าง 8 เท่า: Gemini Decision 1 อ่านได้มากกว่า Microsoft-Decision-1.1 ถึงแปดเท่า เอกสารของ Google ใช้งบประมาณนี้ในลักษณะเฉพาะ — หน้าต่างครอบคลุมอินพุตที่ใช้ร่วมกันและคำถามทั้งหมดรวมกัน ดังนั้นสัญญายาวฉบับเดียวพร้อมคำถามรูบริกสองร้อยข้อจึงต้องแข่งขันกันเพื่อ 262K เดียวกัน
เพดาน 32K ของ Microsoft มีผลกระทบอันดับสองที่ปรากฏในคอลัมน์ต้นทุน AA-Paperclip คิดค่าเอกสารครั้งเดียวสำหรับทุกคำถามของเอกสารนั้น และให้คำตอบได้ 15 คำตอบต่อเอกสาร โมเดลที่ไม่สามารถรองรับเอกสารทั้งหมดในการเรียกครั้งเดียวต้องประมวลผลทีละส่วน ซึ่งทำให้จำนวนครั้งในการเรียกเพิ่มขึ้นเป็นทวีคูณ Microsoft-Decision-1.1 อยู่ที่ 386 ดอลลาร์ต่อล้านงานบน Paperclip เทียบกับ Gemini Decision 1 ที่ 946 ดอลลาร์ แต่การจัดอันดับต้นทุนรวมต่องานนั้นอธิบายได้ด้วยราคาโทเค็นอยู่แล้ว ไม่ใช่จากการจัดการเอกสาร
ยังมีกลไกที่สามที่ควรค่าแก่การกล่าวถึง เพราะเป็นสิ่งที่ผู้ซื้อมองข้าม: อินพุตที่ซ้ำกันจะถูกนับเต็มจำนวนทั้งสองฝั่ง API Decisions ของ Google ระบุชัดเจนว่าไม่รองรับ context caching, Batch, Flex หรือ Priority inference ดังนั้น rubric ที่ส่งไปพร้อมกับทุกคำขอจึงถูกคิดเงินทุกครั้งที่ส่ง เอกสารของ Microsoft-Decision-1.1 ก็ไม่มีเรื่อง caching เช่นกัน ผู้ขายทั้งสองรายไม่ได้เสนอส่วนลดสำหรับการถามคำถามเดิม 200 ข้อซ้ำล้านครั้ง ซึ่งเป็นภาระงานแบบที่หมวดหมู่นี้ออกแบบมาเพื่อรองรับโดยเฉพาะ
การกำหนดราคา พร้อมกับดัก SKU
Microsoft ระบุราคาอินพุตสามอัตรา — $0.042 ต่อล้านโทเค็นใน Global Standard, $0.046 ใน US Data Zone, $0.05 ใน EU และ APAC Data Zone — และไม่มีราคาเอาต์พุต Google ระบุหนึ่งอัตรา: $0.10 ต่อล้านโทเค็นอินพุต เมื่อดูที่ตัวเลขหลัก Microsoft ถูกกว่า 58% เมื่อวัดต้นทุนตลอดทั้งดัชนี Microsoft ถูกกว่า 60% — $139.64 เทียบกับ $345.41 ต่อล้านงาน — เพราะยังใช้โทเค็นต่องานน้อยกว่าในองค์ประกอบส่วนใหญ่
แต่อัตรา $0.042 เป็นอัตราระดับโลก และเวิร์กโหลดที่ตั้งอยู่ใน EU บน data-zone SKU จ่าย $0.05 ซึ่งทำให้ช่องว่างแคบลงเหลือ 50% ตัวเลขทั้งสองไม่รวมต้นทุนของการเรียกใช้งานรอบ ๆ โมเดลตัดสินใจ ซึ่งสำหรับไปป์ไลน์โปรดักชันส่วนใหญ่มีมูลค่ามากกว่าการเรียกให้คะแนนเสียอีก — โมเดลที่ร่างคำตอบตัวเลือก โมเดลที่เขียนรูบริก โมเดลที่จัดการกับส่วนที่ผู้ให้คะแนนงดให้คะแนน ค่าใช้จ่ายส่วนนั้นคือจุดที่การกำหนดเส้นทางประหยัดเงินได้จริง และเป็นส่วนที่ OrcaRouter ครอบคลุม: คีย์เดียวที่ใช้ได้กับโมเดลกว่า 200 โมเดล ในราคาตามรายการของผู้ให้บริการโดยมีมาร์กอัป 0% ดังนั้นการเปลี่ยนแปลงราคาของผู้ขายในฝั่ง generative จึงมีผลในวันเดียวกัน และ fusion หรือ routing DSL สามารถวางตัวร่างราคาถูกไว้หลังผู้ตัดสินราคาแพง โดยไม่ต้องผสานรวมครั้งที่สอง

อันไหนที่คุณจะนำไปใช้งานจริง
ภาระงานสามรูปแบบ คำตอบที่แตกต่างกันสามแบบ และไม่มีคำตอบใดเลยที่เป็น "ดัชนีที่สูงกว่า"
• การกำหนดเส้นทาง การคัดกรอง และการเลือกเครื่องมือ — Microsoft-Decision-1.1 คะแนน 95.08 บน When2Call เทียบกับ 80.50 เป็นช่องว่างขององค์ประกอบเดียวที่ใหญ่ที่สุดบนกระดานคะแนน และการกำหนดเส้นทางก็เป็นภาระงานที่ Microsoft สร้างโมเดลนี้ขึ้นมาเพื่อรองรับ ค่ามัธยฐาน 123 ms ก็สำคัญในที่นี้เช่นกัน: เราเตอร์อยู่ในเส้นทางของคำขอ และความต่างระหว่าง 123 ms กับ 211 ms คือความต่างระหว่างขั้นตอนที่ไม่มีใครสังเกตเห็น กับขั้นตอนที่งบประมาณความหน่วงต้องแบกรับ
• การสกัดเอกสารและการให้คะแนนตามเกณฑ์รูบริกบนอินพุตยาว — การตัดสินใจเลือก Gemini ข้อ 1 หากการเรียกครั้งเดียวต้องอ่านสัญญายาว 90 หน้า plus คำถามเกี่ยวกับสัญญานั้น เพดาน 32K ของ Microsoft ก็ล้มเหลวอย่างชัดเจน และประสิทธิภาพของ When2Call ไม่ว่าจะดีเพียงใดก็ไม่อาจกู้คืนการเรียกที่ไม่เคยเกิดขึ้นได้ ความแม่นยำ Omniscience 44.8% และความแม่นยำ HLE 13.2% ของ Google ตอกย้ำข้อสรุปเดียวกันจากอีกมุมหนึ่ง: มันรู้มากขึ้น และอ่านได้มากขึ้น
• การคัดกรองปริมาณมากที่ค่าใช้จ่ายเป็นตัวชี้ขาด — ไม่ใช่ทั้งสองตัว และนี่คือคำตอบที่ตรงไปตรงมา Celeris-1.1 Decision ได้คะแนน 62.0 ที่ $14 ต่อล้านงาน; Decider v1.3 ได้คะแนน 70.4 ที่ $68 ทั้งสองตัวชนะ Microsoft-Decision-1.1 ในด้านต้นทุนต่องาน และหนึ่งในนั้นชนะในด้านดัชนี หากงานตัดสินใจของคุณมีต้นทุนต่ำและทำซ้ำ ๆ ตัวเลือกจากผู้ให้บริการไฮเปอร์สเกลเลอร์กลับเป็นตัวเลือกที่แพง
มีข้อควรระวังหนึ่งข้อที่ใช้กับทั้งสาม: ช่องว่าง 1.8 จุดและแถวการปรับเทียบมาจากดัชนีที่ปรับน้ำหนักของตัวเองใหม่เมื่อวันที่ 8 พฤศจิกายน 2026 โดยลด Omniscience และ HLE จาก 25% ต่อรายการลงเหลือ 15% และเพิ่มองค์ประกอบด้านเอกสาร 30% การปรับน้ำหนักใหม่สามารถขยับอันดับนี้ได้มากกว่าการเปิดตัวโมเดลหนึ่งครั้ง มองการเปรียบเทียบนี้เป็นข้อมูลปัจจุบันที่ระบุวันที่ ไม่ใช่ข้อมูลถาวร

จุดที่โมเดลทั้งสองจะแยกจากกันต่อไป
Microsoft-Decision-1.1 เป็นความพยายามครั้งที่สองบนฐานใหม่ — Gemma 4 26B A4B แทน Qwen3.5-9B — พร้อมเอนจินการอนุมานแบบกำหนดเองและจุดขายด้านการจัดเส้นทาง ส่วน Gemini Decision 1 เป็นรายการแรกของ Google ที่ผูกกับพื้นผิว API เดียวและ model ID เดียว วิถีของทั้งสองชี้ไปคนละทาง: Microsoft กำลังวนพัฒนาบนโมเดลฐานและสแตกการให้บริการ ขณะที่ Google กำลังวนพัฒนาบนรูปแบบอินพุตและงบประมาณคอนเท็กซ์
สิ่งนี้หมายความอย่างไรสำหรับการตัดสินใจที่ต้องทำในเดือนนี้ — มันไม่หวือหวาอะไร ตรวจสอบว่าอินพุตที่ยาวที่สุดของคุณใส่ได้ใน 32K หรือไม่ ก่อนที่คุณจะอ่านตัวเลข benchmark สักตัว เพราะข้อจำกัดนั้นตัดโมเดลหนึ่งในสองตัวนี้ออกไปเลย ถ้าใส่ได้ ให้รันตัวอย่างที่มีป้ายกำกับ 20 ตัวอย่างของคุณเองผ่านทั้งสองโมเดล และเปรียบเทียบการกระจายความมั่นใจแทนที่จะเปรียบเทียบคำตอบ top-1 — ตัวให้คะแนนที่คุณตั้งเกณฑ์ไม่ได้ ก็คือตัวให้คะแนนที่คุณนำไปใช้งานไม่ได้ และทั้งสองตัวห่างกันไม่เกิน 0.2 คะแนนในด้าน non-hallucination ซึ่งเป็นแถวที่กำหนดว่าการงดตอบจะทำงานกับข้อมูลของคุณเหมือนกับที่มันทำบนชุดทดสอบสาธารณะหรือไม่
การเปรียบเทียบในบทความนี้1
ตรวจพบจากบทความนี้ · เบนช์มาร์ก: Artificial Analysis · อัปเดตทุกวัน
