Thẻ tiêu đề được tạo cho bài viết, có tiêu đề 'MAI Decision 1 thực sự là Decision 1.1' và phụ đề 'và con số 200x trên tiêu đề không phải của Microsoft', được chia thành hai bảng bo tròn ở hai bên một đĩa 'vs' in đậm. Bảng bên trái, 'Bài đăng đã lan truyền', liệt kê 'nhanh hơn 10x', 'rẻ hơn 200x', 'so với một mô hình tổng quát' và 'không có đường cơ sở được nêu tên'; bảng bên phải, "Tuyên bố của chính Microsoft", liệt kê 'nhanh hơn 50x', 'rẻ hơn 79x', 'so với GPT-Sol 6.1' và 'có đường cơ sở được nêu tên'. Phần chân trang ghi 'Kiểm tra độc lập: 67,78 trên AA Decision Index v2.1, đứng thứ tám trong số mười tám mô hình được xếp hạng.' Logo OrcaRouter được ghép vào dải trắng bên dưới hình minh họa.
Guides & Insights

MAI Decision 1 thực sự là Decision 1.1 — và tiêu đề 200x không phải của Microsoft

Tác giả

Gideon Frost

Ngày đăng

Mô hình mới nhất · 20Xem tất cả mô hình →
Benchmark: Artificial Analysis · cập nhật hằng ngày
Quay lại tất cả bài viết

Hai con số về MAI Decision 1 đã lan truyền vào ngày 17 tháng 11 năm 2026: rằng nó nhanh hơn 10 lần và rẻ hơn 200 lần so với một mô hình tổng quát. Không có con số nào trong hai con số đó xuất hiện ở bất kỳ đâu trong thông báo của chính Microsoft. Mô hình mà Microsoft thực sự phát hành tại Ignite là Microsoft-Decision-1.1, và các tuyên bố đã công bố của công ty là nhanh hơn 50 lần và rẻ hơn 79 lần so với GPT-Sol 6.1 — so với một mô hình cụ thể được nêu tên, trong một bộ khung đánh giá cụ thể, chứ không phải so với “một mô hình tổng quát”. Khoảng cách đó đáng để đặt lên đầu, vì đó là sự khác biệt giữa một tỷ lệ tiếp thị và một con số bạn có thể kiểm chứng. Đây là những gì đã phát hành, những gì Microsoft đã ghi nhận, và một bảng xếp hạng độc lập xếp nó ở đâu.

Đầu tiên, tên

Tài liệu của Microsoft không bao giờ dùng chuỗi "MAI Decision 1". Bài đăng giới thiệu danh sách mô hình tại Ignite gọi mô hình này là Decision 1.1, blog Foundry gọi nó là Microsoft-Decision-1.1, và thẻ mô hình trong danh mục Foundry cũng mang tên này. Nhãn "MAI Decision 1" đến từ các bài đưa tin của bên thứ ba về bài phát biểu chính, cùng với "MAI Code 2", "MAI Code 2 Flash" và "MAI Cyber 2 Flash" — cùng một dòng mô hình, được những người quan sát đặt lại tên chứ không phải nhà cung cấp.

Điều đó quan trọng vì một lý do thực tế: Microsoft-Decision-1.1 không phải là mô hình quyết định đầu tiên mà Microsoft đã phát hành. Microsoft-Decision-1 đã đạt trạng thái sẵn sàng chung trên Foundry vào ngày 8 tháng 10 năm 2026, được xây dựng trên Qwen3.5-9B của A​libaba, chỉ xử lý văn bản và không có số liệu benchmark được công bố khi ra mắt. Phiên bản ra mắt ngày 17 tháng 11 là phiên bản 1.1 của cùng dòng sản phẩm, với mô hình nền tảng khác, đầu vào đa phương thức và câu chuyện hiệu năng đầy đủ hơn nhiều. Hãy coi mọi thứ bạn đọc về "MAI Decision 1" là nói về 1.1, trừ khi có thông tin khác.

Thực sự có gì trong hộp?

Hợp đồng không thay đổi về hình dạng và có phạm vi rộng hơn đáng kể. Bạn gửi một trạng thái — văn bản hoặc JSON — cùng một hoặc nhiều câu hỏi có kiểu, mỗi câu hỏi có một tập tùy chọn cố định, và bạn nhận lại xác suất thay vì văn xuôi. Ba kiểu câu hỏi cơ bản được tài liệu hóa: câu hỏi có/không ("noul" trong API), một lựa chọn từ một tập có nhãn, và một điểm trên các mức có thứ tự mà giá trị trả về là trung bình có trọng số xác suất của các chỉ số mức. Mọi thứ trong một lần gọi, một lượt, không có vòng lặp giải mã.

Có gì mới trong 1.1:

• Mô hình cơ sở — Gemma 4 26B-A4B, mô hình hỗn hợp chuyên gia trọng số mở của G​oogle, được Microsoft huấn luyện hậu kỳ. Phiên bản 1 được huấn luyện hậu kỳ trên Qwen3.5-9B.

• Đầu vào — văn bản và hình ảnh. Phiên bản 1 chỉ có văn bản.

• Xử lý hình ảnh — PNG hoặc JPEG, 280 đến 1.568 pixel mỗi chiều, tối đa 8 hình ảnh mỗi câu hỏi, bao gồm cả bất kỳ hình nào được tham chiếu từ trạng thái, với tổng số pixel đã xử lý được giới hạn ở 645.120. Dịch vụ thay đổi kích thước về một kích thước làm việc cố định, vì vậy tải lên hình ảnh lớn hơn không tiêu tốn thêm token.

• Ngữ cảnh — 32,768 token đầu vào cho tổ hợp trạng thái cộng câu hỏi, cùng mức trần như phiên bản 1.

• Ngôn ngữ — được huấn luyện và đánh giá ở 25+ ngôn ngữ, so với 35+ ngôn ngữ được mô hình nền tảng hỗ trợ trực tiếp. Microsoft nói rõ rằng phạm vi bao phủ của mô hình nền tảng không thiết lập được hiệu chuẩn đã được xác thực cho từng ngôn ngữ.

• Phục vụ — một điểm cuối ra quyết định thay vì chat completion: các yêu cầu được gửi đến {{1}}/providers/microsoft/v1/systemone{{/1}} trên tài nguyên Foundry của bạn, với tên triển khai trong trường {{2}}model{{/2}}. Microsoft cho biết nó chạy một engine suy luận tùy chỉnh được viết cho khối lượng công việc ra quyết định thay vì một ngăn xếp tạo văn bản.

• Giá — $0.042 mỗi triệu token trên Global Standard, $0.05 ở các vùng dữ liệu EU và APAC. Giống như phiên bản 1, và các lệnh gọi quyết định được tính phí theo token đầu vào, vì thực tế không có đầu ra nào để tính phí.

• Khoảng thời gian huấn luyện — từ tháng 10 đến tháng 11 năm 2026, theo thẻ mô hình.

• Trọng số — không có. Đây là một mô hình được lưu trữ trong danh mục "Direct from Azure" của Foundry. Không có tải xuống và không có quy trình tinh chỉnh.

Các trường hợp loại trừ được nêu rõ ràng không kém gì các tính năng, và chúng vẫn định hình nên sản phẩm. Microsoft-Decision-1.1 không dành cho việc tạo văn bản, trả lời câu hỏi mở, hội thoại, dịch hoặc tóm tắt, và cũng không dành cho các tác vụ đòi hỏi kiến thức không có trong đầu vào. Nó không đưa ra lý giải nào. Phản hồi chỉ chứa xác suất và không có gì bạn có thể cho người dùng thấy như một lời giải thích, nghĩa là việc giải thích là việc của bạn và ngưỡng là quyết định của bạn: 0,7 thì chuyển tiếp, 0,95 thì không, và ranh giới đó do ứng dụng đặt ra, không phải nhà cung cấp.

Hai tuyên bố về tốc độ và chi phí, và tuyên bố nào trụ vững sau khi bị soi xét kỹ lưỡng

Phiên bản đang được lưu truyền — “nhanh hơn 10 lần và rẻ hơn 200 lần so với một mô hình tổng quát” — không có đối tượng quy chiếu. Một tỷ lệ so với một mô hình không được nêu tên thì không thể tái lập, và hai phép so sánh đã được Microsoft công bố có nêu tên một thứ gì đó lại vừa hẹp hơn vừa rộng hơn cùng một lúc.

Bài đăng trên Ignite nói Decision 1.1 "nhanh hơn 50 lần và rẻ hơn 79 lần so với GPT-Sol 6.1". Bài đăng ra mắt Foundry nói rằng nó "nhanh hơn gấp đôi so với mô hình đầu tiên của chúng tôi, với cùng chi phí", và đưa ra một ví dụ về Copilot: định tuyến giữa Copilot và Cowork với độ chính xác ngang bằng một mô hình ngôn ngữ lớn, nhanh hơn 2,2 lần và rẻ hơn 4,4 lần. Đó là các phép đo của nhà cung cấp trên lưu lượng của chính Microsoft và bộ khung đánh giá của chính Microsoft. Chúng không sai; chúng chỉ có phạm vi giới hạn. Các con số 50 lần và 79 lần nói về một đối thủ cạnh tranh trong một loại quyết định định tuyến, không phải về các mô hình quyết định nói chung.

Một trong các tuyên bố có thể kiểm chứng với bên thứ ba và nó đứng vững. Artificial Analysis đo Decision 1.1 ở mức 123,25 mili giây mỗi tác vụ trên Decision Index v2.1 của mình, so với 274,25 ms cho Microsoft-Decision-1. Đó là 2,23 lần, đúng nghĩa “nhanh hơn gấp đôi”. Tuyên bố về chi phí cũng đứng vững, ở dạng yếu hơn: AA tính 139,64 USD cho mỗi triệu tác vụ đối với 1.1 so với 142,56 USD cho phiên bản 1 — rẻ hơn khoảng 2%, không phải cùng giá, vì hai phiên bản dùng số token mỗi tác vụ khác nhau ngay cả khi mức giá mỗi token giống hệt nhau. “Cùng chi phí” là chính xác về bảng giá và hơi hào phóng về hóa đơn.

Nó xếp ở đâu, và hình thái của tuyên bố mà Microsoft đã đưa ra

Bài đăng ra mắt của Microsoft cho biết Decision 1.1 "đạt 68 điểm, tăng sáu điểm so với mô hình đầu tiên của chúng tôi và dẫn trước Jev 1.14, G​emini Decision 1 của G​oogle và GPT-6 Luna (Decisions) của O​penAI". Trên Artificial Analysis Decision Index v2.1 đọc ngày 18 tháng 11 năm 2026, mọi phần của điều đó đều đúng. Decision 1.1 đạt 67,78. Jev 1.14 đạt 66,23, G​emini Decision 1 đạt 65,98, GPT-6 Luna đạt 60,25. Phiên bản 1 đạt 62,07, nên mức tăng sáu điểm cũng là thật.

Điều mà câu đó không nói là mô hình đứng ở đâu trong toàn bộ danh sách. Nó đứng thứ tám trên bảng, kém người dẫn đầu tuyệt đối bảy điểm và hơn mô hình mà Microsoft đã nêu tên một điểm rưỡi:

• 74.85 — d1.2-ultra (Liquid AI)

• 72.62 — Drex Max v1.1 (Nace.AI)

• 72.58 — SubQ Snap 1.2 (Subquadratic)

• 72,52 — GLiDE v1.2 (Fastino)

• 71.36 — Mammoth 27B (Base Labs)

• 70.41 — Decider v1.3 (Perplexity)

• 68.69 — d1.2 (Liquid AI)

• 67.78 — Microsoft-Decision-1.1

A screenshot of the Artificial Analysis Decision Index v2.1 leaderboard page, headed 'Artificial Analysis Decision Index v2.1' with the subheading describing a composite index testing decision models across document decisions and extraction, tool calling, knowledge, reasoning and invariance, and the constituent evaluation labels AA-Paperclip, EvalSafe-O*NET-AA, When2Call, AA-Omniscience-Decision, HLE-MultiChoice and AA-Symmetry.

Có bảy mô hình đạt điểm cao hơn, và mô hình dẫn đầu bỏ xa 7,1 điểm. Tuyên bố riêng của Microsoft — "độ chính xác trung bình cao nhất trong tám mô hình ra quyết định" trên bộ nội bộ gồm 102 bài kiểm chuẩn, 385.000 câu hỏi của chính mình — là một phát biểu về một lĩnh vực do Microsoft chọn, đó là điều bình thường đối với một nhà cung cấp khi công bố và là điều tệ khi đọc như một bảng xếp hạng. Lĩnh vực đánh giá độc lập gồm mười tám mô hình được xếp hạng, và Microsoft nằm trong nửa đầu.

Các điểm phụ có nhiều thông tin hơn điểm tổng hợp, vì chúng cho thấy quá trình hậu huấn luyện đã mang lại gì. Trên sáu đánh giá thành phần của AA, Decision 1.1 đạt 95,1 ở When2Call tool calling, 88,8 ở EvalSafe-O*NET, 75,7 ở symmetry, 58,7 ở AA-Paperclip document decisions, 60,5 ở omniscience và 46,1 ở HLE multiple-choice. Chỉ số độ chính xác của nó là 48,45 so với 40,59 của phiên bản 1, và điểm Brier của nó — thước đo hiệu chuẩn, càng thấp càng tốt — cải thiện từ 0,1965 lên 0,1604. Sự dịch chuyển Brier đó là con số có ý nghĩa nhất trong bản phát hành: nó cho thấy các xác suất đã tiến gần hơn đến việc đúng, và đó là thuộc tính duy nhất khiến việc đặt ngưỡng cho một mô hình ra quyết định trở thành một lựa chọn kỹ thuật hợp lý.

A generated single-column scoreboard card titled 'Microsoft-Decision-1.1 — the scoreboard' with six rows: AA Decision Index v2.1 67.78, eighth of eighteen; latency per task 123 ms; cost per million tasks 139.64 dollars; Brier score 0.160, lower is better; input context 32,768 tokens; price per million input tokens 0.042 dollars. The footer reads 'Index, latency, cost and Brier per Artificial Analysis v2.1, read 18 November 2026; price per Microsoft Foundry's list.' The OrcaRouter logo is composited in the white strip below the artwork.

Việc chuyển sang mô hình cơ sở là câu chuyện thực sự.

Phiên bản 1 là một bản hậu huấn luyện của Qwen3.5-9B, một mô hình dày đặc 9B. Phiên bản 1.1 là bản hậu huấn luyện của Gemma 4 26B-A4B, một mô hình hỗn hợp chuyên gia với khoảng 4B tham số hoạt động. Lời giải thích của chính Microsoft xoay quanh bài toán kinh tế khi phục vụ hơn là chất lượng: đủ tham số hoạt động để phán đoán, đủ nhỏ để chạy trên các cụm A100, H100/200 và GB200/300, cùng một engine tùy chỉnh định tuyến các yêu cầu khắp nhóm GPU để tối ưu chi phí thay vì chỉ tối ưu độ trễ.

Ba hệ quả kéo theo, và đây chính là những điều một đội nền tảng nên quan tâm. Thứ nhất, một MoE với 4B active rất rẻ để phục vụ mỗi lần gọi chính xác vì phần lớn mô hình đang nhàn rỗi — đó là nguồn gốc của 123 ms. Thứ hai, việc chuyển đổi đặt lại câu chuyện về ngôn ngữ và hiệu chuẩn: phần nền đã thay đổi, tuyên bố 25 ngôn ngữ là về phần nền mới, và mọi hiệu chuẩn bạn đã đo trên phiên bản 1 đều không chuyển sang. Thứ ba, giấy phép đối với phần nền là của Google, trong khi mô hình sau huấn luyện là của Microsoft và chỉ được cung cấp dưới dạng dịch vụ được host — vì vậy dòng dõi open-weight chẳng mang lại cho bạn điều gì về mặt vận hành. Bạn không thể tải xuống mô hình này, và việc phần nền là mở không thay đổi điều đó.

Giá một cuộc gọi, tính bằng đơn vị bạn thực sự thanh toán

Với $0.042 cho mỗi triệu token đầu vào, một lệnh định tuyến mang theo một phiếu hỗ trợ 1.200 token và một câu hỏi có ba lựa chọn tốn khoảng $0.00005 — tức năm phần trăm của một xu. Một triệu lệnh như vậy tốn khoảng $50 theo bảng giá; mức $139.64 trên mỗi triệu tác vụ do AA đo được cao hơn vì các tác vụ của AA dài hơn một phiếu hỗ trợ, và đây là lời nhắc hữu ích rằng giá trên mỗi token và chi phí trên mỗi tác vụ là những đơn vị khác nhau, và đơn vị thứ hai mới là đơn vị xuất hiện trong một buổi xem xét ngân sách.

Phép so sánh giúp làm rõ khía cạnh kinh tế là so với một mô hình tổng quát thực hiện cùng công việc ở chế độ JSON. Bạn trả tiền cho các token đầu ra của nó, mà với một câu trả lời có cấu trúc là hàng chục đến hàng trăm token mỗi lần gọi thay vì bằng không, và bạn trả tiền cho phần lập luận nó thực hiện trước khi trả lời. Đó là khoảng cách mà Microsoft đang mô tả với 79x, và khoảng cách này là có thật ngay cả khi bội số chính xác là lựa chọn mốc so sánh cơ sở của nhà cung cấp.

Chỗ trở nên khó xử cũng chính là chỗ thường gặp với một bộ chấm điểm được lưu trữ từ một nhà cung cấp duy nhất: chỉ có một bảng giá, một giới hạn tốc độ và một câu chuyện về khu vực. Foundry cung cấp các triển khai Global Standard và Data Zone Standard, và biến thể Data Zone tốn thêm 19%, tức $0.05 mỗi triệu token. Nếu khối lượng công việc của bạn nhạy cảm với độ trễ, tài liệu khuyên đặt tài nguyên Foundry cùng vị trí với ứng dụng của bạn, một lời khuyên trung thực cũng cho bạn biết mô hình không phải phép thuật — đó là một MoE nhỏ nằm sau một hàng đợi.

Đạt được điều đó mà không cần xây dựng lại stack của bạn

Bản thân endpoint quyết định không nằm trong danh mục của OrcaRouter, và mô hình tiền nhiệm của nó cũng vậy — Microsoft phân phối mô hình này qua Foundry và không ở đâu khác. Những gì có trong danh mục, với giá niêm yết của nhà cung cấp và 0% markup được chuyển tiếp, là hai đối tượng bạn cần để định giá quyết định trước khi mua nó. Gemma 4 26B A4B là mô hình nền của post-train và được định tuyến ở mức $0,25 mỗi triệu token đầu vào và $2,90 mỗi triệu token đầu ra; nó là bản nền chứ không phải bản post-train, nên sẽ không trả về xác suất hiệu chuẩn của Decision 1.1, nhưng nó có cùng kiến trúc và là mức sàn trung thực cho chi phí của một mô hình tổng quát có hình dạng đó. Jev 1.14, mô hình mà Microsoft đặt tên và vượt qua 1,55 điểm trên bảng độc lập, được định tuyến ở mức $0,042 mỗi triệu token vào và ra.

Sự kết hợp đó hữu ích cho giai đoạn đánh giá hơn là giai đoạn sản xuất. Nếu bạn đang quyết định liệu một mô hình quyết định có thực sự thuộc về một đường định tuyến hay không, bạn có thể đánh giá chuẩn hai điểm cuối có thể định tuyến trên các ticket đã gán nhãn của riêng bạn thông qua một khóa, với tính năng chuyển đổi dự phòng tự động giữa các nhà cung cấp, trước cả khi bạn mở một triển khai Azure. Nếu câu trả lời là có và các con số nghiêng về Decision 1.1, bạn triển khai nó trong Foundry và giữ bộ định tuyến ở phía trước — một điểm cuối cho cả các lệnh gọi quyết định lẫn các lệnh gọi tạo sinh, để giới hạn tần suất của một mô hình quyết định không trở thành sự cố ngừng hoạt động của ứng dụng bạn.

A screenshot of the OrcaRouter model page for typesafe/jev-1.14, showing the OrcaRouter navigation, a models breadcrumb for the typesafe vendor, the model name typesafe/jev-1.14, HF and ZDR badges, a Data retention panel noting that Zero Data Retention is available and that with ZDR on requests go only to providers, and the page's Code samples and Pricing sections.

Ai nên hành động ngay bây giờ, và ai nên đợi hai tuần?

Hãy chuyển ngay nếu bạn đang trả tiền cho một mô hình tổng quát để phân loại, chấm điểm hoặc làm cổng kiểm soát, và khối lượng của bạn đủ cao để chi phí mỗi lần gọi hiện rõ trên biểu đồ. Mức trung vị 123 ms và mức giá $0.042 là một lợi thế rõ ràng so với một mô hình tiên phong thực hiện cùng phép đánh giá, và đầu vào đa phương thức chính là khác biệt giữa một công cụ chấm điểm mà bạn có thể chỉ vào ảnh chụp màn hình và một công cụ mà bạn không thể.

Hãy dừng lại nếu quyết định của bạn động đến con người — tín dụng, việc làm, nhà ở, bảo hiểm, chăm sóc sức khỏe, pháp lý — vì thẻ mô hình của chính Microsoft nói không được dùng nó làm người ra quyết định duy nhất trong những lĩnh vực đó, và không có gì trong 1.1 thay đổi điều đó. Cũng hãy dừng lại nếu bạn cần sự hiệu chuẩn có thể bảo vệ được: Brier 0.160 của 1.1 là một cải thiện, không phải bảo đảm, và tài liệu nói thẳng rằng điểm số thay đổi theo cách diễn đạt và thứ tự lựa chọn. Hãy xác thực trên nhãn của riêng bạn, ngẫu nhiên hóa thứ tự lựa chọn, và đặt ngưỡng dựa trên chi phí của hai loại lỗi thay vì dựa trên biểu đồ của nhà cung cấp.

Bản tóm tắt trung thực về ngày 17 tháng 11 nhỏ hơn và hữu ích hơn tiêu đề 200x: Microsoft đã tung ra một bộ chấm điểm quyết định nhanh hơn, đa phương thức, được hiệu chỉnh tốt hơn với mức giá khiến việc đánh giá theo từng yêu cầu trở nên khả thi về chi phí, và nó đủ tốt để nằm trong nửa trên của một lĩnh vực độc lập chứ không phải ở vị trí dẫn đầu. Mô hình là thật. Còn tỷ lệ trong tweet thì không.