Gemini Decision 1 vs Microsoft-Decision-1: Hai bộ chấm điểm hyperscaler, chênh nhau bốn điểm

Hai nhà cung cấp đám mây lớn nhất hiện đều bán một mô hình trả lời bằng một xác suất thay vì một câu, và cả hai đều không cho bạn biết nó hoạt động tốt đến mức nào. Microsoft-Decision-1 đã chính thức khả dụng trên Microsoft Foundry vào ngày 8 tháng 10 năm 2026: một mô hình cơ sở Qwen3.5-9B được Microsoft huấn luyện hậu kỳ, đầu vào văn bản, ngữ cảnh 32.768 token, đầu ra là các phân phối đã hiệu chỉnh, không phân phối trọng số. Gemini Decision 1 đã ra mắt vào ngày 11 tháng 11 năm 2026 trên Gemini Developer API: đầu vào văn bản, hình ảnh, video, âm thanh và PDF, ngữ cảnh 262.144 token, tối đa 1.000 câu hỏi có kiểu mỗi yêu cầu, 0,10 USD mỗi triệu token đầu vào, cũng không phân phối trọng số. Cả hai đều có một mục phương pháp luận và không có bảng kết quả, khiến một công cụ độc lập trở thành nơi duy nhất có thể so sánh chúng — Artificial Analysis, nơi chúng cách nhau bốn điểm, đứng thứ chín và thứ mười trong số mười tám.

Bốn điểm không phải là khoảng cách đáng quan tâm. Khoảng cách đáng quan tâm nằm ở chỗ: trong bài đánh giá mà hầu hết các mô hình ra quyết định thực sự được mua để phục vụ, hai mô hình chỉ kém nhau năm điểm trong khi cả hai đều nằm gần cuối bảng, còn mô hình thắng xếp hạng tổng thể lại đạt được điều đó ở một nơi hoàn toàn khác.

Những gì mỗi thứ đặt trước mặt bạn

Cấu trúc yêu cầu đủ giống nhau đến mức một client viết cho bên này có thể thích nghi với bên kia trong một buổi chiều, và đủ khác biệt đến mức lựa chọn thường được đưa ra trước khi bất kỳ benchmark nào được đọc.

• Đầu vào — Gemini Decision 1 nhận văn bản, hình ảnh, video, âm thanh và PDF, tối đa 100 MB dạng nội tuyến cho mỗi yêu cầu và 15 MB cho mỗi URL bên ngoài. Microsoft-Decision-1 chỉ nhận văn bản, được tuần tự hóa thành 32.768 token. Một biểu mẫu quét hoặc bản ghi cuộc gọi là đầu vào nguyên bản đối với một bên và là tác vụ tiền xử lý đối với bên kia.

• Ngữ cảnh — 262.144 token cho Gemini Decision 1, được chia sẻ trên toàn bộ đầu vào và mọi câu hỏi. 32.768 cho Microsoft-Decision-1, với đầu vào cộng với tập lựa chọn tiêu tốn hết số đó và không có ngân sách sinh nào để trừ vì không có quá trình sinh.

• Các dạng câu hỏi — Gemini Decision 1 chính thức hóa ba dạng: có/không bị giới hạn trong khoảng 0,01–0,99, lựa chọn trên 2 đến 255 tùy chọn có tên, và điểm số trên 2 đến 255 mức có thứ tự trả về một mức kỳ vọng có trọng số theo xác suất. Microsoft-Decision-1 bao gồm có/không, trắc nghiệm, đánh giá xếp hạng, phân loại và chấm điểm theo rubric, đồng thời hỗ trợ rõ ràng các tùy chọn không trả lời như "không thể xác định" trong tập tùy chọn.

• Gộp lô trong một yêu cầu — tối đa 1.000 câu hỏi độc lập cho Gemini Decision 1, mỗi câu được tách biệt với các câu khác, tất cả đều dựa trên một lần đọc dữ liệu đầu vào dùng chung được tính phí. Hợp đồng đã công bố của Microsoft-Decision-1 là một trạng thái và bộ câu hỏi của nó cho mỗi lần gọi, vì vậy độ bao phủ đến từ việc nhóm các câu hỏi thay vì từ một mức trần được tài liệu hóa cho mỗi yêu cầu.

• Giá — $0.10 mỗi triệu token đầu vào đối với Gemini Decision 1, không tính phí đầu ra vì đầu ra là 0 token. Bảng ghi nhận $345 mỗi triệu tác vụ đối với nó và $143 mỗi triệu tác vụ đối với Microsoft-Decision-1 theo mức giá đầu vào mà bảng theo dõi.

• Truy cập — API Gemini Developer chỉ ở v1beta, với gói miễn phí 200 yêu cầu mỗi phút và 10.000 mỗi ngày, yêu cầu hàng ngày không giới hạn từ Tier 2, và không có danh mục Vertex AI trong tài liệu Google đã phát hành. Microsoft-Decision-1 dưới dạng triển khai Foundry thuộc danh mục Direct from Azure, với các tùy chọn serverless và endpoint hợp nhất, SKU tiêu chuẩn, xác thực Azure và một đường thanh toán, suy luận theo lô bị tắt, và không có đường tải trọng số hoặc tinh chỉnh.

Dòng truy cập là nơi các quyết định mua sắm được đưa ra chứ không phải các quyết định kỹ thuật. Nếu tổ chức của bạn mua qua một cam kết Azure, Microsoft-Decision-1 là một hóa đơn mà bạn đã biết cách thanh toán. Nếu tổ chức mua qua Google Cloud, Gemini Decision 1 hiện tại thì không phải vậy — cánh cửa duy nhất được ghi trong tài liệu là một khóa API Gemini, một dòng ngân sách khác và, với một số doanh nghiệp, là một quy trình phê duyệt khác.

Bảng điểm, từng thành phần một

Chỉ số Quyết định của Artificial Analysis chấm điểm mỗi đánh giá bằng độ chính xác trừ đi mức phạt Brier cho độ tin cậy gắn với câu trả lời, được tính trọng số trên sáu thành phần. Đây là cách hai mô hình phân chia các thành phần đó:

• AA-Paperclip, trọng số 30% — Gemini Decision 1 đạt 56,8 so với 51,8 của Microsoft-Decision-1. Cả hai đều yếu. Tỷ lệ vượt qua tài liệu theo kiểu được ăn cả ngã về không là 33% đối với Gemini Decision 1 và 20,9% đối với Microsoft-Decision-1, so với 63% của mô hình dẫn đầu. Không mô hình hyperscaler nào trong hai mô hình này trích xuất được mười lăm dữ kiện từ một tài liệu dày đặc một cách đáng tin cậy.

• EvalSafe-O*NET-AA, 15% — 87,1 so với 86,8. Thực tế là giống hệt nhau, và cả hai đều nằm gần vị trí dẫn đầu trong một nhóm có điểm số rất sát nhau.

• When2Call, 10% — 80.5 so với 88.0. Microsoft-Decision-1 thắng rõ ràng ở hạng mục này và nằm trong nhóm dẫn đầu; Gemini Decision 1 đứng thứ mười bốn trong tổng số mười tám.

• AA-Omniscience-Decision v1.1, 15% — 66,3 so với 54,9. Gemini Decision 1 đứng đầu trong lĩnh vực; tỷ lệ không ảo giác 49,6% của nó chính là lý do. Microsoft-Decision-1 báo cáo tỷ lệ không ảo giác 21,7% ở đây, và đây là con số khiến bất kỳ ai có kế hoạch đặt ngưỡng cho các lần từ chối trả lời của nó phải lo lắng.

• HLE-MultiChoice v1.1, 15% — 48,7 so với 39,4. Hạng nhất so với hạng mười một. Độ chính xác thô là 13,2% so với 8,6%, và tỷ lệ không ảo giác là 35,7% so với 15,1%.

• AA-Symmetry v1.1, 15% — 70,5 so với 70,4. Bất phân thắng bại, cả hai đều ở giữa bảng xếp hạng, giữ nguyên cùng một câu trả lời khi đảo thứ tự và phủ định ở 38,3% và 51,7% các nhóm câu hỏi tương ứng.

Điểm tổng hợp đạt 65,98 và 62,07, lần lượt đứng thứ chín và thứ mười. Đọc các thành phần, hình thái của từng sản phẩm trở nên rõ ràng. Microsoft-Decision-1 là một công cụ chấm điểm gọi công cụ và phán đoán nơi làm việc vững chắc nhưng hành vi kiến thức và từ chối trả lời lại yếu. Gemini Decision 1 thì ngược lại: điểm kiến thức và từ chối trả lời tốt nhất trên bảng, đi kèm với trích xuất ở mức trung bình và khả năng phân biệt lựa chọn công cụ kém.

Điều mà họ có chung chính là thứ đáng ngờ.

Cả hai nhà cung cấp đều không công bố bảng điểm chuẩn. Thẻ của Microsoft-Decision-1 mô tả phương pháp luận của mô hình — các bộ đánh giá quyết định công khai và cộng đồng, các bộ nội bộ được giữ riêng, độ chính xác và lỗi hiệu chuẩn, thứ tự lựa chọn được thay đổi, kiểm định thống kê theo cặp — và tuyên bố mô hình "hoạt động ngang tầm với các mô hình quyết định hàng đầu và vượt trội so với các mô hình quyết định mở khác được đánh giá bằng cùng phương pháp luận". Không có bảng nào dưới câu đó. Ghi chú phát hành của Gemini Decision 1 công bố mô hình và liên kết đến tài liệu API, tài liệu này liệt kê các khả năng được hỗ trợ và không được hỗ trợ và hoàn toàn không có số liệu độ chính xác.

Điều này quan trọng vì toàn bộ giao diện của một mô hình ra quyết định là một con số mà mã của bạn phân nhánh dựa trên đó. Một mô hình trò chuyện yếu hơn vài điểm sẽ tạo ra văn bản kém hơn; một bộ chấm điểm bị hiệu chỉnh sai sẽ âm thầm định tuyến 8% số ticket của bạn đến hàng đợi sai, và không có gì trong phản hồi cho bạn biết. Hai nhà cung cấp tiên phong đã tung ra các sản phẩm mà tuyên bố cốt lõi của chúng — rằng xác suất đó có ý nghĩa đúng như nó nói — được khẳng định bằng văn xuôi và chỉ được đo lường bởi một bên thứ ba.

Bên thứ ba, ở điểm đáng ghi nhận của họ, đo cả hai trên cùng một công cụ, và đó là lý do vì sao phép so sánh này có thể thực hiện được. Nhưng một bảng chỉ là một bảng, thành phần lớn nhất của nó là 45% dữ liệu riêng tư, và nó mới chỉ chấm điểm các mô hình ra quyết định được vài tuần. Hãy coi 66 và 62 là kết quả đọc từ bên ngoài đầu tiên, chứ không phải là năng lực đã ngã ngũ.

Nên đặt cái nào phía sau ngưỡng cửa nhà bạn

Chọn Microsoft-Decision-1 khi quyết định là một lệnh gọi công cụ hoặc một đánh giá về tài liệu nơi làm việc, khi đầu vào là văn bản nằm gọn trong 32K token, và khi cổng triển khai là một hợp đồng Azure với thanh toán hợp nhất và gói Responsible AI đi kèm. Điểm 88,0 trên When2Call và 86,8 trên EvalSafe-O*NET là những điểm mạnh thực sự, và các tùy chọn từ chối trả lời rõ ràng của nó cho phép bạn thiết kế một lối thoát "không thể xác định" ngay vào bộ tùy chọn thay vì gắn thêm một lối thoát về sau.

Hãy chọn Gemini Decision 1 khi đầu vào dài, đa phương thức hoặc được dùng chung cho nhiều câu hỏi, khi trọng tâm là các câu hỏi kiến thức và kiểm soát ảo giác, và khi bạn sẵn sàng trả chi phí cho ngữ cảnh. Việc đứng đầu ở cả hai thành phần kiến thức và tỷ lệ không ảo giác 49,6% trên AA-Omniscience là lý do để chọn nó thay vì mô hình Microsoft rẻ hơn, còn tỷ lệ đạt 33% đối với tài liệu là lý do không nên chọn nó cho công việc trích xuất.

Hãy chọn không bên nào trong hai cho việc trích xuất ở quy mô lớn. Cả hai bộ chấm điểm của hyperscaler đều nằm ở nửa dưới của thành phần tài liệu có trọng số 30%, và các mô hình dẫn đầu ở đó — một mô hình đa phương thức 27B từ Nace.AI và một bộ mã hóa 421M từ Convai Innovations mà bạn có thể tự tinh chỉnh — có chi phí thấp hơn cho mỗi tác vụ và, trong trường hợp trọng số mở, có thể được huấn luyện trên chính tài liệu của bạn.

Phần còn lại của pipeline không cần phải bị ràng buộc bởi điều này.

OrcaRouter không cung cấp mô hình nào trong hai mô hình đó. Cả hai đều là endpoint chỉ trả xác suất — một trên Gemini Developer API, một trên Foundry — và không cái nào là đích chat-completions, nên chúng tôi không liệt kê chúng. Thứ mà danh mục có là typesafe/jev-1.14 của TypeSafe, một mô hình ra quyết định đạt 66.23 trên cùng chỉ số này, đây là lựa chọn thứ ba hợp lý nếu bạn muốn lệnh gọi chấm điểm dùng cùng khóa với mọi thứ khác.

Lệnh gọi bao quanh bộ chấm điểm chính là nơi một router khẳng định được vị trí của mình, và đó là nửa còn lại mà hai sản phẩm này cố ý không xử lý. Phải có thứ gì đó viết nên rubric mà bộ chấm điểm dùng để đánh giá, tóm tắt tài liệu 60 trang xuống còn 32K token, hoặc soạn câu trả lời ứng viên đang được xếp hạng — và thứ đó chính là một mô hình sinh với giá cả và chất lượng thay đổi vài tuần một lần. Lệnh gọi đó chạy qua một endpoint với hơn 200 mô hình trên đó ở giá niêm yết của nhà cung cấp được chuyển qua với mức markup 0%, cùng với chuyển đổi dự phòng tự động khi một nhà cung cấp bị suy giảm và một DSL định tuyến nếu bạn muốn nhiều mô hình cùng tạo nên một câu trả lời. Hãy giữ nửa phần viết ở dạng có thể di chuyển được và quyết định chấm điểm vẫn có thể đảo ngược, điều đó đáng giá hơn bốn điểm chỉ số khi cả hai nhà cung cấp đều sửa đổi theo chu kỳ hàng quý.

Xem gì

Ba tín hiệu sẽ thay đổi thứ hạng, và chưa có tín hiệu nào xuất hiện. Một bảng điểm chuẩn của Microsoft có các đường cong hiệu chuẩn sẽ cho phép khách hàng Azure của mình đặt ngưỡng dựa trên bằng chứng; thẻ hiện tại chỉ đưa ra một phương pháp luận và một tuyên bố. Một danh mục niêm yết trên Vertex AI cho Gemini Decision 1 sẽ chuyển nó từ việc mua bằng khóa API sang mua bằng hợp đồng đám mây và thay đổi hoàn toàn việc so sánh mua sắm. Và một hội đồng độc lập thứ hai chấm điểm cả hai mô hình sẽ cho chúng ta biết liệu khoảng cách bốn điểm là tín hiệu hay chỉ là nhiễu của một bảng xếp hạng đã ba tuần tuổi.

Cho đến lúc đó, cách diễn giải có thể bảo vệ được là thế này: Gemini Decision 1 là mô hình tốt hơn ở hai thành phần mà biết khi nào nên từ chối chính là kỹ năng, Microsoft-Decision-1 là mô hình tốt hơn ở việc chọn công cụ và rẻ hơn một chút, còn cả hai đều ở mức trung bình trên bảng về trích xuất tài liệu — thứ mà phần lớn khối lượng công việc ra quyết định trong doanh nghiệp thực sự bao gồm. Hãy chạy 200 mục đã dán nhãn của riêng bạn qua từng mô hình trước khi bất kỳ con số nào trong hai con số đó quyết định bất cứ điều gì.