Một thẻ tiêu đề được tạo có tiêu đề 'MAI Decision 1 vs Microsoft Decision 1' với phụ đề 'cùng một dòng sản phẩm, cách nhau sáu điểm chỉ số', được chia thành hai bảng bo tròn quanh một đĩa 'vs'. Bảng bên trái, 'Microsoft-Decision-1.1', mang dòng phụ 'GA 17 November 2026' và các hàng '67.78 chỉ số quyết định', '123 ms mỗi tác vụ', 'hình ảnh và văn bản' và 'nền tảng Gemma 4'; bảng bên phải, 'Microsoft-Decision-1', mang 'GA 8 October 2026', '62.07 chỉ số quyết định', '274 ms mỗi tác vụ', 'chỉ văn bản' và 'nền tảng Qwen3.5'. Một chân trang ghi 'Cả hai đều được niêm yết ở mức /bin/bash.042 mỗi triệu token đầu vào.' Logo OrcaRouter được ghép vào dải trắng bên dưới hình minh họa.
Guides & Insights

MAI Decision 1 so với Microsoft Decision 1: Cùng một dòng sản phẩm, chênh lệch sáu điểm

Tác giả

jinhao.song

Ngày đăng

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

Cuộc so tài này có một cái bẫy, và cái bẫy chính là tiền đề. MAI Decision 1 và Microsoft Decision 1 không phải là hai mô hình cạnh tranh nhau. Chúng là cùng một dòng sản phẩm Microsoft, cách nhau một phiên bản: mô hình mà phần đưa tin về Ignite gắn nhãn MAI Decision 1 chính là Microsoft-Decision-1.1, còn Microsoft-Decision-1 là bản phát hành tháng Mười mà nó thay thế. Vậy nên phép so sánh hữu ích không phải là "nhà cung cấp nào thắng" — mà là "năm tuần và một mô hình nền mới đã đem lại được gì, và liệu việc nâng cấp có đáng để bất kỳ ai đang vận hành thực tế trên endpoint cũ phải di chuyển hay không". Câu trả lời ngắn gọn: sáu điểm chỉ số, độ trễ giảm một nửa, đầu vào hình ảnh, và một bảng giá không thay đổi.

Đặt tên, chốt một lần

Nhãn ở bên trái của phần so sánh này đến từ các bài đưa tin về keynote, không phải từ Microsoft. Các chuỗi do chính nhà cung cấp dùng là "Decision 1.1" trong bài đăng đội hình Ignite và "Microsoft-Decision-1.1" trên blog Foundry và thẻ mô hình; tiền tố MAI đã đi cùng MAI Code 2 và MAI Cyber 2 Flash qua các bài viết của bên thứ ba đó và bị giữ nguyên. Vì vậy, trang này so sánh phiên bản 1.1 với phiên bản 1 của một dòng sản phẩm, và câu hỏi thú vị không phải là nhà cung cấp nào thắng mà là năm tuần và một mô hình nền tảng khác đã thay đổi những gì.

Phiên bản 1 chưa bị rút lại. Nó vẫn được liệt kê trong Foundry và vẫn được chấm điểm trên bảng đánh giá độc lập, đó là lý do hai cái tên cứ xuất hiện cạnh nhau trong các bảng so sánh — đôi khi như những đối thủ đến từ các công ty khác nhau, mà thực tế không phải vậy.

Sáu tuần, hai mẫu, một mức giá

Phiên bản 1 đã GA vào ngày 8 tháng 10 năm 2026: một bản post-train chỉ văn bản của Qwen3.5-9B thuộc Alibaba, xác suất được hiệu chỉnh trên một tập lựa chọn cố định, giới hạn 32.768 token, không có trọng số, không có số liệu benchmark nào được công bố. Phiên bản 1.1 ra mắt ngày 17 tháng 11 với nền tảng Gemma 4 26B-A4B, đầu vào hình ảnh và một câu chuyện hiệu năng đầy đủ — trong khi bảng giá vẫn giữ nguyên chính xác ở mức $0.042 mỗi triệu token.

• Mô hình cơ sở — Qw​en3.5-9B, dense, tổng cộng 9B so với Gemma 4 26B-A4B, hỗn hợp chuyên gia với khoảng 4B hoạt động; cả hai đều được hậu huấn luyện nội bộ

• Phương thức — chỉ văn bản so với văn bản, JSON và hình ảnh PNG/JPEG, tối đa 8 mỗi câu hỏi

• Giới hạn đầu vào — 32,768 token so với 32,768 token, không đổi

• Các loại câu hỏi — có/không, trắc nghiệm, đánh giá theo thang điểm, phân loại, rubric so với cùng bộ đó, được cung cấp dưới dạng ba primitive có kiểu (noul, choice, score)

• Giá — $0.042/triệu token cho Global Standard, $0.05 cho EU và APAC so với mức giống hệt

• Độ trễ đo được — 274,25 ms mỗi tác vụ so với 123,25 ms mỗi tác vụ, Artificial Analysis

• Chi phí đo được — $142,56 cho mỗi triệu tác vụ so với $139,64 cho mỗi triệu tác vụ, Artificial Analysis

• Decision Index v2.1 — 62,07 so với 67,78

• Trọng số — không có, chỉ được lưu trữ trên Foundry so với không có, chỉ được lưu trữ trên Foundry

Dòng duy nhất không thay đổi lại là dòng mà hầu hết các nhóm lập ngân sách dựa vào, còn dòng thay đổi nhiều nhất lại là dòng không ai quảng cáo: độ trễ giảm một nửa trong khi giá mỗi token giữ nguyên, vì mô hình cơ sở mới là một mô hình thưa thực hiện ít công việc hơn nhiều mỗi lần gọi.

A generated two-column comparison scoreboard titled 'MAI Decision 1 vs Microsoft Decision 1 — the scoreboard'. The Microsoft-Decision-1.1 column reads Decision Index 67.78, Latency 123 ms, Base model Gemma 4 26B-A4B, Images up to 8 per question, Brier score 0.160, Price $0.042 per M tokens; the Microsoft-Decision-1 column reads 62.07, 274 ms, Qwen3.5-9B, text only, 0.197 and $0.042 per M tokens. The footer reads 'Index, latency and Brier per Artificial Analysis v2.1, 18 November 2026; price per Microsoft Foundry.' The OrcaRouter logo is composited in the white strip below the artwork.

Sáu điểm đó được làm bằng gì

Khoảng cách tổng hợp 5,71 không được phân bổ đều, và sự không đồng đều đó cho bạn biết bản nâng cấp được xây dựng cho những khối lượng công việc nào. Trên sáu bài đánh giá thành phần của Artificial Analysis, khi đọc bảng xếp hạng vào ngày 18 tháng 11 năm 2026:

• Tính năng gọi công cụ When2Call — 95,1 trên 1.1 so với 87,9 trên phiên bản 1, mức tăng 7,1 điểm và là chỉ số quan trọng đối với guardrail của agent

• Đánh giá nơi làm việc EvalSafe-O*NET — 88,8 so với 86,8

• AA-Symmetry, tính bất biến của quyết định khi diễn đạt lại — 75,7 so với 70,4

• Các quyết định tài liệu AA-Paperclip — 58,7 so với 51,8, mức tăng tuyệt đối lớn nhất

• AA-Omniscience, kiến thức và ảo giác — 60,5 so với 54,9

• Suy luận trắc nghiệm HLE — 46,1 so với 39,4

Mọi điểm thành phần đều cải thiện, điều này không bình thường và khiến điểm tổng hợp trở nên đáng tin cậy; một điểm tổng hợp tăng ở một đánh giá và giảm ở hai đánh giá thường là hệ quả của cách gán trọng số. Mức tăng về tính bất biến là thứ âm thầm đáng được lưu ý. Tính đối xứng đo lường liệu một quyết định có còn giữ nguyên khi các lựa chọn bị đảo thứ tự hoặc câu hỏi được diễn đạt lại hay không — chính xác là kiểu lỗi mà tài liệu của chính Microsoft cảnh báo, và chính xác là thuộc tính quyết định liệu một ngưỡng bạn đã tinh chỉnh ở môi trường staging có còn kích hoạt trong production hay không. Việc tăng từ 70 lên 76 ở chỉ số đó là một thay đổi vận hành lớn hơn so với việc tăng từ 62 lên 68 ở chỉ số chính.

Độ hiệu chuẩn cải thiện theo cùng hướng. Điểm Brier, thước đo khoảng cách bình phương giữa xác suất được nêu và sự thật, giảm từ 0,1965 xuống 0,1604 — càng thấp càng tốt. Độ chính xác của phương án được chọn tăng từ 40,6 lên 48,5. Cả hai con số đều là các phép đo của Artificial Analysis trên chính các tác vụ của nó, không phải của Microsoft, và đó là lý do nên coi trọng chúng: cách Microsoft tự định vị khi ra mắt 1.1 là điểm 68 "tăng sáu điểm so với mô hình đầu tiên của chúng tôi", còn bảng đánh giá độc lập đạt 67,78, chỉ cách con số đó nửa điểm, với mức tăng 5,71 điểm. Lần này, nhà cung cấp và đơn vị kiểm toán nhìn chung đồng thuận.

A screenshot of the Artificial Analysis Decision Index v2.1 leaderboard page, the independent board from which the 67.78 and 62.07 composites, the six constituent evaluation scores, the accuracy figures and the Brier scores in this comparison are taken.

Khi mẫu cũ vẫn là lựa chọn đúng đắn

Có ba lý do chính đáng để tiếp tục ở lại với Microsoft-Decision-1, và không lý do nào trong số đó là hiệu năng.

Điều đầu tiên là một đánh giá cố định. Nếu bạn đã hiệu chỉnh ngưỡng dựa trên phiên bản 1 bằng dữ liệu gán nhãn của riêng mình — và đáng lẽ bạn nên làm vậy — thì việc thay đổi mô hình nền sẽ làm vô hiệu công việc đó. Một mô hình dense 9B được post-train để chấm điểm và một mô hình MoE 26B được post-train để chấm điểm không thất bại ở cùng những chỗ, và tài liệu của 1.1 nói rõ rằng hiệu chỉnh đạt hiệu quả mạnh nhất trên các loại tác vụ quen thuộc và có thể thay đổi theo cách diễn đạt. Việc tinh chỉnh lại là một chi phí thực sự, và nó rơi vào đội ngũ, không phải nhà cung cấp.

Thứ hai là độ phủ ngôn ngữ. Phiên bản 1 mang câu chuyện hậu huấn luyện 25 ngôn ngữ trên nền Qw​en với hơn 200 ngôn ngữ sẵn có. Phiên bản 1.1 mang câu chuyện 25+ ngôn ngữ trên nền Gemma được tài liệu ghi nhận ở mức 35+. 25+ không phải là 25, và nếu bạn vận hành một hàng đợi đa ngôn ngữ, cách làm trung thực là kiểm thử thay vì cho rằng con số đã tăng lên.

Điều thứ ba là hình dạng của sự phụ thuộc của bạn. Cả hai phiên bản đều chỉ chạy trên dịch vụ lưu trữ của nhà cung cấp, một nhà cung cấp duy nhất, một bảng giá, một cơ chế giới hạn tốc độ. Việc nâng cấp thay đổi miền lỗi của bạn mà không thu hẹp nó. Nếu bạn đã bọc endpoint bằng cơ chế dự phòng của riêng mình, việc ở lại phiên bản 1 khiến bạn tốn độ trễ và độ chính xác nhưng không mất tính sẵn sàng; nếu chưa, việc nâng cấp mang lại cho bạn một mô hình nhanh hơn nhưng vẫn nằm sau cùng một điểm lỗi duy nhất.

Chạy thử cả hai song song trước khi bạn commit.

Bản thân việc migration thì nhỏ, đó là phần dễ chịu. Hình dạng endpoint không thay đổi — một state cộng với các câu hỏi có kiểu gửi đến route quyết định trên một tài nguyên Foundry — và việc triển khai là thay đổi phiên bản model chứ không phải viết lại tích hợp. Cái thay đổi là mọi thứ phía sau phản hồi: các xác suất, các ngưỡng và các điểm phụ nêu trên.

Vậy hãy chạy cả hai. Gửi cùng một lô đã gán nhãn đến cả hai bản triển khai, so sánh độ chính xác của tùy chọn được chọn tại ngưỡng bạn thực sự dùng, và đặc biệt xem xét phần đuôi — những trường hợp mà phiên bản 1 trả về 0,55 và phiên bản 1.1 trả về 0,88 chính là những trường hợp sẽ âm thầm thay đổi tỷ lệ leo thang của bạn. Mức tăng đối xứng gợi ý rằng 1.1 sẽ ổn định hơn khi đảo thứ tự tùy chọn; hãy xác minh điều đó trên các lời nhắc của chính bạn thay vì tin vào con số.

Việc giám khảo và đối tượng được đánh giá nằm trên cùng một khóa là thiết lập mà hầu hết các nhóm cuối cùng đều muốn, và không mô hình Decision nào có thể mang lại điều đó cho bạn: cả hai đều là các endpoint được lưu trữ chỉ có trên Foundry, vì vậy bộ định tuyến phía trước chúng là mã của chính bạn. Trong khi đó, điều bộ định tuyến có thể làm là cung cấp các cơ chế kiểm soát. Gemma 4 26B A4B — phiên bản cơ sở mà phiên bản 1.1 được huấn luyện tiếp từ đó — định tuyến qua OrcaRouter với $0,25 cho mỗi triệu token đầu vào và $2,90 cho mỗi triệu token đầu ra, và Jev 1.14, mô hình quyết định mà chính Microsoft lấy làm chuẩn so sánh, với $0,042 cho mỗi triệu token đầu vào và đầu ra. Cả hai đều không tái tạo được các câu trả lời đã hiệu chỉnh của 1.1. Cả hai đều cho bạn biết liệu một mô hình tổng quát trên dữ liệu của chính bạn có đạt trong vòng vài điểm so với mô hình quyết định hay không, và đây chính là câu hỏi quyết định liệu bạn có cần một mô hình như vậy hay không.

A screenshot of the OrcaRouter model page for obsidian/gemma-4-26B-A4B, showing the OrcaRouter navigation, the model name obsidian/gemma-4-26B-A4B with Vision, Tools, JSON and Reasoning tags, a 2026-07-02 date, a description noting a mixture-of-experts build of Gemma 4 with 26B total parameters, about 4B active per token and a 262K-token context window, and pricing of $0.25 per million input tokens and $2.90 per million output tokens.

Câu hỏi về phiên bản, đã được giải đáp

Nếu hôm nay bạn đang cân nhắc lựa chọn và không có ngưỡng cũ nào cần bảo vệ, hãy chọn 1.1. Theo một đo lường độc lập, nó nhanh hơn 2,2 lần, rẻ hơn một chút cho mỗi tác vụ, được hiệu chỉnh tốt hơn, kiểm soát việc gọi công cụ tốt hơn, và là lựa chọn duy nhất trong hai lựa chọn có thể đọc ảnh chụp màn hình. Danh sách giá là giống hệt nhau, nên việc nâng cấp là miễn phí xét theo chi phí biên.

Nếu bạn đã chạy phiên bản 1 trong môi trường production, việc nâng cấp là đáng làm và không khẩn cấp theo cách một bản vá bảo mật là khẩn cấp. Hãy dự trù nguồn lực cho việc tinh chỉnh lại, giữ bản triển khai cũ hoạt động cho đến khi các ngưỡng mới đứng vững trên lưu lượng thực, và coi cải thiện tính đối xứng là lý do để kỳ vọng ít bất ngờ hơn chứ không phải là lời hứa rằng sẽ không có bất ngờ nào.

Điều mà cuộc đối đầu này không phải là sự lựa chọn giữa các nhà cung cấp. Cả hai cái tên đều trỏ về cùng một mốc quyết định của Microsoft, cách nhau năm tuần và một mô hình cơ sở, với cùng mức giá 0,042 đô-la trên mỗi triệu token. Câu hỏi thú vị chưa bao giờ là cái nào thắng; mà là liệu cái thứ hai có đủ tốt hơn để đáng bỏ tiền ra tái hiệu chuẩn hay không. Trên một bảng độc lập, thì đúng là có.