
Microsoft-Decision-1.1 กับ Microsoft Decision 1: การอัปเกรดที่ตัวเลขหนึ่งถอยหลัง
- 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
ตัวเลขที่เผยแพร่ทุกตัวของ Microsoft-Decision-1.1 ดีกว่าตัวเลขของ Microsoft-Decision-1 ยกเว้นตัวเดียว และส่วนที่น่าสนใจคือข้อยกเว้นนั้น บน Artificial Analysis Decision Index v2.1 โมเดลใหม่ได้คะแนน 67.78 เทียบกับ 62.07 เร็วขึ้น 2.2 เท่า โดยใช้ 123 มิลลิวินาทีต่องาน เทียบกับ 274 มิลลิวินาที และเลือกไม่ตอบได้น่าเชื่อถือกว่ามาก — อัตราการไม่สร้างข้อมูลเท็จ 49.4% บน AA-Omniscience-Decision เทียบกับ 21.7% อย่างไรก็ตาม ในคำถามที่โมเดลเก่าตอบถูก โมเดลใหม่ตอบถูกได้น้อยกว่า: ความแม่นยำดิบ 6.29% บน HLE-MultiChoice v1.1 เทียบกับ 8.64% และตอบคำถาม AA-Symmetry อย่างสอดคล้องกัน 47.5% เทียบกับ 51.7% Microsoft-Decision-1.1 ไม่ใช่รุ่นที่ดีกว่าอย่างเบ็ดเสร็จเมื่อเทียบกับ Microsoft-Decision-1 แต่เป็นรุ่นที่ปรับคาลิเบรตแตกต่างออกไป และทิศทางของการแลกเปลี่ยนนั้นคือสิ่งที่การตัดสินใจย้ายโมเดลขึ้นอยู่กับ
สองโมเดลนี้เปิดตัวห่างกันหกสัปดาห์ Microsoft-Decision-1 เปิดให้ใช้งานทั่วไปเมื่อวันที่ 8 ตุลาคม 2026 ในฐานะตัวให้คะแนนแบบข้อความล้วนที่ผ่านการฝึกต่อยอด (post-trained) จาก Qwen3.5-9B ส่วน Microsoft-Decision-1.1 เปิดตัวเมื่อวันที่ 17 พฤศจิกายน 2026 ในงาน Ignite บนฐาน Gemma 4 26B A4B ซึ่งเป็นฐานแบบ mixture-of-experts ที่ Microsoft อธิบายว่ามีพารามิเตอร์ที่ใช้งานจริง (active parameters) มากพอสำหรับการตัดสินใจ ขณะเดียวกันก็ยังเล็กพอที่จะให้บริการบนฮาร์ดแวร์ A100, H100/200 และ GB200/300 ราคาเดียวกัน เพดาน 32K เท่ากัน คำถามสามประเภทเดียวกัน แต่แบ็กโบนต่างกัน ระดับความหน่วงต่างกัน และชุดจุดแข็งที่แตกต่างกันอย่างวัดผลได้
การเปลี่ยนแปลงโมเดลพื้นฐานคือการเปิดตัว
เวอร์ชัน 1 เป็นโมเดลหนาแน่นขนาด 9 พันล้านพารามิเตอร์ เวอร์ชัน 1.1 เป็น mixture of experts ขนาด 26 พันล้านพารามิเตอร์ โดยมีพารามิเตอร์ที่ใช้งานจริงประมาณ 4 พันล้านต่อโทเคน หากอ่านคำต่อท้าย A4B แบบที่ Google ใช้กับตระกูล Gemma นั่นไม่ใช่การเทรนใหม่แบบเพิ่มทีละน้อย แต่เป็นสถาปัตยกรรมที่แตกต่างออกไป เป็นตระกูลที่แตกต่าง และเป็นชุดลักษณะการให้บริการที่แตกต่าง โพสต์เปิดตัวของ Microsoft ระบุชัดเจนว่าการสลับครั้งนี้เป็นการตัดสินใจด้านต้นทุนและความสามารถ และจับคู่กับเอนจินการอนุมานแบบกำหนดเองที่สร้างขึ้นสำหรับการให้คะแนนมากกว่าการสร้างทีละโทเคน
สิ่งที่การแลกเปลี่ยนได้มา ตามลำดับที่ผู้ซื้อจะสังเกตเห็น:
• ความหน่วง — จาก 274.25 ms ลดลงเหลือ 123.25 ms ต่องาน โดยวัดจากทั้งดัชนี สำหรับคอมโพเนนต์เดี่ยวที่เร็วที่สุดอย่าง When2Call โมเดลใหม่มีค่าเฉลี่ย 94 ms เทียบกับ 230 ms ของโมเดลเก่า
• การสอบเทียบ — Decision Score ซึ่งเป็นความแม่นยำที่ได้รับการปรับด้วยบทลงโทษ Brier เพิ่มขึ้นในองค์ประกอบการตัดสินใจทั้งห้าองค์ประกอบ Omniscience เพิ่มจาก 54.89 เป็น 60.46, HLE จาก 39.42 เป็น 46.11, Paperclip จาก 51.82 เป็น 58.67, EvalSafe จาก 86.82 เป็น 88.85, When2Call จาก 87.95 เป็น 95.08
• พฤติกรรมการปฏิเสธ — การไม่สร้างข้อมูลเท็จบน Omniscience เพิ่มขึ้นมากกว่าสองเท่า จาก 21.74% เป็น 49.40% บน HLE เพิ่มจาก 15.05% เป็น 38.36% สำหรับโมเดลที่จุดประสงค์ทั้งหมดคือการถูกนำไปใช้กับเกณฑ์ตัดสิน นี่คือการเปลี่ยนแปลงที่สำคัญที่สุดในรายการ
• รูปแบบข้อมูล (Modality) — รูปภาพรวมกับข้อความและ JSON เป็นอินพุตที่ยอมรับได้ เสียงและวิดีโอยังคงถูกปฏิเสธ และโมเดลยังคงไม่สร้างคำอธิบาย ไม่มีเหตุผลประกอบ และไม่มีโทเค็นเอาต์พุต
• บริบท — คงเดิมที่ 32,768 โทเค็น ไม่มีอะไรในส่วนนี้เปลี่ยนแปลง และนั่นเป็นสิ่งที่ควรกล่าวอย่างตรงไปตรงมา เพราะ "1.1" ชวนให้สันนิษฐานว่าทุกอย่างดีขึ้นแล้ว
1.1 แย่กว่าตรงไหน และเหตุใดกรอบการนำเสนอของ Microsoft เองจึงคาดการณ์สิ่งนี้
การถดถอยเหล่านั้นไม่ได้เกิดขึ้นแบบสุ่ม แต่กระจุกตัวอยู่ที่สององค์ประกอบที่ขอให้โมเดลรู้บางสิ่งมากกว่าจะตัดสินใจบางสิ่ง
บน HLE-MultiChoice v1.1 ความแม่นยำดิบลดลงจาก 8.64% เหลือ 6.29% — คิดเป็นการลดลงสัมพัทธ์ 27% ในสัดส่วนของคำถามยากที่ตอบได้ถูกต้อง Decision Score ยังคงเพิ่มขึ้นจาก 39.42 เป็น 46.11 เพราะความมั่นใจของโมเดลต่อคำตอบที่มันให้กลายเป็นสิ่งที่สอดคล้องกับว่าคำตอบเหล่านั้นถูกต้องหรือไม่ดีขึ้นมาก พูดอีกนัยหนึ่งคือ มันแย่ลงในการเดาและดีขึ้นมากในการรู้ว่าตัวเองกำลังเดา คะแนนรวมให้รางวัลกับอย่างหลังและแทบไม่สนใจอย่างแรก
ใน AA-Symmetry ภาพกลับละเอียดอ่อนกว่าและไม่ค่อยน่าชมนัก Symmetry วัดว่าคำถามเดียวกันเมื่อเขียนใหม่ — สลับลำดับตัวเลือก สลับป้ายกำกับ พลิกคำถามใช่/ไม่ใช่ — ให้คำตอบเดียวกันด้วยความน่าจะเป็นเท่ากันหรือไม่ เวอร์ชัน 1 ผ่าน 51.7% ของการเขียนใหม่ในระดับที่ผ่านทั้งหมด ส่วนเวอร์ชัน 1.1 ผ่าน 47.5% คะแนนSymmetry ของมันก็ยังดีขึ้น จาก 70.42 เป็น 75.72 เพราะเมื่อมันคลาดเคลื่อน ตอนนี้มันคลาดเคลื่อนน้อยลง การรันที่สมบูรณ์แบบมีน้อยลง ความคลาดเคลื่อนก็เล็กลง นั่นเป็นรูปร่างที่ปกป้องได้สำหรับตัวให้คะแนน แต่มันคือการถดถอยในคุณสมบัติข้อเดียวที่โมเดลตัดสินใจควรรับประกันไว้: ถ้อยคำไม่เปลี่ยนคำตอบ
ปาฐกถาหลักของ Microsoft พูดสิ่งที่ปกติแล้วเก็บเงียบไว้ออกมาดัง ๆ — โมเดลเหล่านี้ "ยังไม่ได้ถูกปรับแต่งอย่างชัดเจนสำหรับปัญหาที่ยากกว่า เช่น การวิจัยวิทยาศาสตร์พื้นฐานและงานแบบเอเจนต์ที่ต้องใช้ขอบเขตเวลายาวมาก" เพราะการปรับแต่งสำหรับความสามารถเหล่านั้นจะทำให้ราคาของทุกงาน Routine สูงขึ้น Decision 1.1 คือหน้าตาของนโยบายนั้นเมื่อถูกนำไปปฏิบัติ knowledge bench แย่ลงโดยเจตนา หรืออย่างน้อยก็โดยไม่มีใครคัดค้าน

สิ่งที่ยังไม่เปลี่ยน: การ์ดราคา และกำแพง 32K
ทั้งสองเวอร์ชันระบุราคา $0.042 ต่อล้านโทเค็นอินพุตบน Global Standard, $0.046 บน US Data Zone และ $0.05 สำหรับการปรับใช้ใน EU และ APAC Data Zone โดยคิดค่าเอาต์พุตเป็นศูนย์เนื่องจากไม่มีเอาต์พุต คำกล่าวของ Microsoft คือ "เร็วกว่าสองเท่าที่ต้นทุนเท่ากัน" และราคาต่อโทเค็นสนับสนุนสิ่งนี้อย่างแม่นยำ
ต้นทุนต่อภารกิจที่วัดได้กลับบอกอะไรที่ต่างออกไปเล็กน้อย เวอร์ชัน 1 อยู่ที่ $142.56 ต่อล้านภารกิจบนดัชนี ส่วนเวอร์ชัน 1.1 อยู่ที่ $139.64 ซึ่งเป็นการปรับปรุง 2% ไม่ใช่เพิ่มเป็นสองเท่า เหตุผลคือต้นทุนต่อภารกิจเท่ากับราคาโทเคนคูณกับอินพุตที่ใช้ไป และโมเดลใหม่ไม่ได้ใช้โทเคนเพียงครึ่งเดียว — มันตอบกลับในเวลาครึ่งเดียว หากข้อจำกัดของคุณคืองบเวลาตามนาฬิกา หรือขั้นตอนการจัดเส้นทางภายในเส้นทางคำขอ การอัปเกรดนี้ถือว่าใหญ่และชัดเจน หากข้อจำกัดของคุณคือค่าใช้จ่าย 1.1 ไม่ได้เปลี่ยนบิลของคุณ และ Microsoft ไม่เคยอ้างว่าจะเป็นเช่นนั้น
ตัวเลขอีกตัวที่ยังไม่เปลี่ยนแปลงคือเพดาน ทั้งสองโมเดลรองรับ 32,768 โทเคน และเอกสารของ Microsoft สำหรับ 1.1 กล่าวซ้ำถ้อยคำ "อินพุตสูงสุด 32K โทเคน" เกือบคำต่อคำจากหน้า v1 ไม่มีเอกสารระบุถึงการรองรับแคชสำหรับทั้งสองรุ่น ซึ่งหมายความว่ารูบริก 200 คำถามต้องจ่ายเต็มจำนวนในทุกการเรียกใช้ ทั้งสองเวอร์ชัน ในทุกระดับปริมาณการใช้งาน นั่นคือคันโยกที่ใหญ่ที่สุดเพียงหนึ่งเดียวต่อเศรษฐศาสตร์ของหมวดหมู่นี้ และทั้งสองรีลีสไม่ได้แตะต้องมันเลย

วิธีย้ายระบบโดยไม่ต้องเสี่ยงแบบเชื่อโดยไม่มีหลักประกัน
รูปแบบ API มีความเสถียรพอที่การย้ายระบบจะเป็นการตั้งค่าเป็นส่วนใหญ่ แต่ไม่ทั้งหมด Microsoft ระบุในเอกสารว่าการเรียก v1.1 เป็น state พร้อมแมปของคำถามที่มีชนิด — noul, choice, score — ที่ส่งไปยัง /providers/microsoft/v1/systemone บนรีซอร์ส Foundry โดยฟิลด์ model จะบรรจุชื่อ deployment ของคุณแทนชื่อโมเดล การตอบกลับจะสะท้อนโมเดลพื้นฐานกลับมา ดังนั้น deployment ที่ตั้งชื่อตามเวิร์กโหลดของคุณยังคงบอกได้ว่าเวอร์ชันใดเป็นผู้ตอบ
สามขั้นตอนที่ควรทำตามลำดับ แทนที่จะสลับชื่อการดีพลอยแล้วเฝ้าดูแดชบอร์ด:
1. บันทึกการกระจายความเชื่อมั่นของชุดข้อมูลที่ติดป้ายกำกับของคุณใหม่ ไม่ใช่ความแม่นยำ การเปลี่ยนจาก 21.7% เป็น 49.4% ในอัตราการไม่เกิด hallucination หมายความว่า 1.1 จะปฏิเสธคำถามในสัดส่วนที่มากขึ้นอย่างมีนัยสำคัญที่เกณฑ์เดียวกัน หากไปป์ไลน์ของคุณถือว่าคำตอบที่หายไปเป็นความล้มเหลวแบบเด็ดขาด แทนที่จะเป็นสัญญาณสำหรับการกำหนดเส้นทาง การอัปเกรดนี้จะดูเหมือนการถดถอยในโปรดักชัน ขณะที่ทุก benchmark ระบุว่าเป็นการปรับปรุง
2. ปรับเกณฑ์ใหม่ จุดตัดที่เลือกจากมาตรวัดความเชื่อมั่นของเวอร์ชัน 1 กำลังถูกนำไปใช้กับการแจกแจงที่เปลี่ยนไปแล้ว แนวทางของ Microsoft เองคือให้ตรวจสอบเกณฑ์กับตัวอย่างที่มีป้ายกำกับก่อนทำให้ด่านทำงานอัตโนมัติ ซึ่งเป็นคำแนะนำเดิมมาตลอด และตอนนี้กลายเป็นเรื่องสำคัญที่ขาดไม่ได้
3. ทดสอบ symmetry regression กับถ้อยคำของคุณเอง หากพรอมป์ต์ของคุณถูกสร้างจากเทมเพลตที่มีลำดับตัวเลือกแปรผัน — และพรอมป์ต์สำหรับการจัดเส้นทางส่วนใหญ่ก็เป็นเช่นนั้น — อัตราผ่านทั้งหมด 47.5% คือตัวเลขที่ควรกังวล ไม่ใช่คะแนนรวม ทำสำเนาคำถามของคุณยี่สิบข้อโดยสลับลำดับตัวเลือก แล้ววัดว่าค่า argmax เปลี่ยนแปลงบ่อยเพียงใด
สิ่งที่ทำให้ขั้นตอนที่สามนั้นมีต้นทุนต่ำคือการงดตัดสินใจยังมีที่ให้ไป โมเดลตัดสินใจที่ขอถอยจะมีประโยชน์ก็ต่อเมื่อสิ่งที่มันเลือกจะไม่ตอบนั้นมีใครตอบได้ และนั่นคือส่วนของไปป์ไลน์ที่ OrcaRouter รองรับ: คีย์เดียวใช้ได้กับโมเดลกว่า 200 โมเดล พร้อมการสลับไปใช้ระบบสำรองอัตโนมัติ ดังนั้นผลลัพธ์การเลือกที่มีความมั่นใจต่ำสามารถถูกกำหนดเส้นทางไปยังโมเดลทั่วไปแทนการเรียกคนมาดู และDSL การกำหนดเส้นทางสามารถประกอบทั้งสองส่วนเข้าด้วยกันเป็นลำดับการเรียกครั้งเดียว Gemma 4 26B A4B — โมเดลฐานภายใน Decision 1.1 — อยู่ในแคตตาล็อกของเราที่ $0.06 ต่ออินพุตหนึ่งล้านโทเค็น และ $0.33 ต่อเอาต์พุตหนึ่งล้านโทเค็น ในราคาตามรายการของผู้ให้บริการโดยบวกเพิ่ม 0% และส่งต่อราคานั้น ซึ่งทำให้การตรวจสอบความสมเหตุสมผลที่ถูกที่สุดเท่าที่เป็นไปได้สำหรับการตัดสินใจที่น่าสงสัยใด ๆ เป็นการเรียกไปยังแบ็กโบนของมันเองจริง ๆ

จะย้ายเลยหรือไม่
มีเหตุผลที่ควรคงอยู่กับ version 1 และเหตุผลนั้นแคบแต่มีจริง หากเวิร์กโหลดของคุณคือคำถามความรู้ยาก ๆ ที่คำตอบผิดแย่กว่าการไม่ตอบ — โปรไฟล์ HLE — version 1 ตอบคำถามเหล่านั้นได้มากกว่า หากพรอมป์ของคุณถูกทำเป็นเทมเพลตในลักษณะที่สลับลำดับตัวเลือก version 1 จะเสถียรกว่าภายใต้การเปลี่ยนถ้อยคำ และหากคุณปรับจูนเกณฑ์และตรวจสอบความถูกต้องกับข้อมูลโปรดักชันที่มีการติดป้ายกำกับแล้ว การกระจายความเชื่อมั่นแบบใหม่จะทำให้งานนั้นใช้ไม่ได้
สำหรับคนอื่น ๆ กรณีนี้ตรงไปตรงมา อัตราการประมวลผลเพิ่มขึ้นเป็นสองเท่าในราคาต่อโทเคนเดิม อัตราการผ่านเอกสารเพิ่มจาก 20.9% เป็น 36.8% การป้อนข้อมูลภาพที่ไม่เคยมีมาก่อน และโมเดลที่พูดว่า "ฉันไม่รู้" บ่อยขึ้นเป็นสองเท่าในสถานการณ์ที่การตัดสินใจผิดพลาดมีต้นทุนสูงพอดี คุณสมบัติเหล่านี้คือสิ่งที่ผู้คนซื้อเลเยอร์การตัดสินใจมาเพื่อให้ได้มา ส่วนเกณฑ์วัดความรู้ที่มันยอมสละไปนั้นไม่ใช่สิ่งที่ใคร ๆ ซื้อโมเดลนี้มาทำ
การย้ายระบบ สรุปสั้นๆ: ย้ายไป 1.1 เพื่อความหน่วงและการงดตอบ ปรับค่าเกณฑ์ใหม่ในสัปดาห์เดียวกัน และเก็บตัวเลขของเวอร์ชัน 1 ไว้ในลิ้นชัก เผื่อวันที่มีคนถามว่าทำไมโมเดลใหม่ถึงหยุดตอบคำถามที่โมเดลเก่าเคยตอบ
