การ์ดชื่อเรื่องที่สร้างขึ้นซึ่งมีหัวข้อว่า 'หนึ่งการทดสอบ นำอยู่เกือบทั้งหมด' คำโปรยว่า 'Microsoft-Decision-1.1 vs Gemini Decision 1, Decision Index v2.1' พร้อมตารางกริดแบบสองคูณสองของการ์ดป้ายสี่ใบที่ระบุว่า '67.78 vs 65.98', '95.08 vs 80.50', '123 ms vs 211 ms' และ '139.64 vs 344.90 ดอลลาร์' คำบรรยายภาพที่ระบุว่า 'ต่อหนึ่งล้านงาน อ่านเมื่อ 19 พฤศจิกายน 2026' และบล็อกแท่งสีเทาสองบล็อกที่ติดป้ายว่า Microsoft และ Gemini โลโก้ OrcaRouter ถูกนำมาซ้อนไว้ที่มุมขวาล่าง
Guides & Insights

Microsoft-Decision-1.1 กับ Gemini Decision 1: ความได้เปรียบสองคะแนนที่สร้างขึ้นเกือบทั้งหมดจากแบบทดสอบเพียงชุดเดียว

ผู้เขียน

jinhao.song

วันที่เผยแพร่

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

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

A generated two-column scoreboard headed 'Microsoft-Decision-1.1 vs Gemini Decision 1 — the scoreboard'. The Microsoft column reads Decision Index 67.78, When2Call 95.08, Omniscience accuracy 33.2%, HLE accuracy 6.29%, context 32,768 tokens and cost per million tasks $139.64. The Gemini column reads Decision Index 65.98, When2Call 80.50, Omniscience accuracy 44.8%, HLE accuracy 13.16%, context 262,144 tokens and cost per million tasks $344.90. A footer reads 'All figures per Artificial Analysis Decision Index v2.1, read 19 November 2026.' The OrcaRouter logo is composited in the bottom-right corner.

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

A screenshot of the OrcaRouter model page for google/gemma-4-26b-a4b-it, headed 'Gemma 4 26B A4B' with a 262K-token context badge and input modalities listed as text, image and video plus vision, tools, JSON and reasoning tags. The provider line reads Google, 2026-04-05, and the description identifies it as an instruction-tuned mixture-of-experts model from Google DeepMind with 25.28 total parameters and 3.8B active per token. Pricing reads $0.06 input and $0.33 output per million tokens, with zero data retention available and 76.0M tokens of usage.

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

A screenshot of the Artificial Analysis page for Gemini Decision 1, headed 'Release, Decision Index Score, Performance & Price'. The headline figures read a Decision Index at rank 14 of 25, 211 ms per task and $345 per million tasks. The comparison summary states the model is below average on the Decision Index and particularly expensive, slower than average, supports text and image input and carries a 262k-token context window, with a board median of 206 ms. Component rows for Decision Index, AA-Paperclip, EvalSafe-O*NET-AA, When2Call, AA-Omniscience-Decision v1.1 and HLE-MultiChoice v1.1 sit below.

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

© 2026 OrcaRouter

สำหรับผู้ให้บริการ

ให้บริการแพลตฟอร์มการอนุมานอยู่หรือไม่ นำโมเดลของคุณขึ้น OrcaRouter

[email protected]

เข้าร่วมคอมมูนิตี้ของเรา

Discord[email protected]XLinkedInGitHubYouTube