Một thẻ tiêu đề được tạo có tiêu đề 'The Keynote Line, Checked', phụ đề 'Microsoft-Decision-1.1 — Artificial Analysis Decision Index v2.1', mang bốn chip hiển thị 67.78, 'Jev 1.14 66.2', 'Gemini Decision 1 65.98' và 'GPT-6 Luna 60.2' phía trên một dòng chú thích ghi 'bốn mô hình được nêu tên trên sân khấu', cùng hai nhãn bên cạnh bị làm xám ghi '25 mục được xếp hạng' và 'mười mục trên 67.78'. Logo OrcaRouter được ghép vào góc dưới bên phải.
Guides & Insights

Microsoft-Decision-1.1 đã có mặt tại bài phát biểu chính Ignite. Câu benchmark mà nó trích dẫn là đúng nhưng chỉ trong phạm vi hẹp.

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

Microsoft-Decision-1.1 đã chính thức có sẵn vào ngày 17 tháng 11 năm 2026, sáu tuần sau Microsoft-Decision-1 và trên một mô hình nền hoàn toàn khác: Gemma 4 26B A4B, hệ thống mixture-of-experts cỡ trung bình mà Microsoft nêu trong bài đăng ra mắt của mình, thay thế Qwen3.5-9B mà phiên bản 1 được huấn luyện hậu kỳ từ đó. Việc hoán đổi đó chính là nội dung cốt lõi của bản phát hành. Câu nói được lan truyền rộng hơn đến từ bài phát biểu chính tại Ignite, nơi Decision 1.1 được giới thiệu là định tuyến mô hình “tích hợp ngay vào ứng dụng của bạn” và sau đó được củng cố bằng một câu — “trên AA Decision Index, nó đánh bại Jev, Google và OpenAI.” Ba cái tên đó tương ứng với Jev 1.14 ở 66,2; Gemini Decision 1 ở 66,0 và GPT-6 Luna (Decisions) ở 60,2, so với 67,78 của Microsoft-Decision-1.1. Cả ba so sánh đều đúng.

Chúng cũng là tập hợp con bốn mô hình tâng bốc nhất trên một bảng hiện đang xếp hạng hai mươi lăm mục. Mười mô hình quyết định đạt điểm cao hơn Microsoft-Decision-1.1 tối nay, từ d1.2-ultra ở 74,8 qua Drex Max v1.1 và SubQ Snap 1.2 ở 72,6 xuống SubQ Snap 1.1 ở 67,9. Câu nói trong bài phát biểu chính không sai. Đó là một so sánh được tuyển chọn được trình bày theo ngữ pháp của một so sánh đầy đủ, và sự khác biệt đó đáng giá hơn cả chính buổi ra mắt, vì đó là điều xảy ra lần đầu tiên một chỉ số benchmark có được một slide tại hội nghị nhà phát triển của một hyperscaler.

Sân khấu đã nói gì, và tấm bảng nói gì

Bản ghi chú bài phát biểu chính mà Microsoft công bố cùng ngày đề cập rất ít về chủ đề này. Sau khi điểm qua các mô hình lập trình, nội dung chuyển sang việc ra quyết định: "ngày càng cần các tác nhân để đưa ra quyết định, đặc biệt ở những nơi tốc độ và chi phí là yếu tố then chốt. Vì vậy, Decision 1.1 cung cấp định tuyến mô hình được tích hợp ngay vào ứng dụng của bạn. Và trên AA Decision Index, nó vượt qua Jev, Google và OpenAI."

Nếu bóc tách ra, đó là một so sánh bốn chiều mà chỉ số này thực sự hỗ trợ. Trên chỉ số tổng hợp Decision Index v2.1, do Artificial Analysis công bố và được đọc tại đây vào ngày 19 tháng 11 năm 2026, Microsoft-Decision-1.1 đạt 67,78, Jev 1.14 đạt 66,2, Gemini Decision 1 đạt 65,98 và GPT-6 Luna (Decisions) đạt 60,2. Các khoảng cách là 1,6, 1,8 và 7,6 điểm. Không có gì về điều đó là có thể tranh cãi.

Điều mà câu đó bỏ sót là nửa phía trên của bảng xếp hạng. Cùng trang đó xếp Microsoft-Decision-1.1 ở vị trí thứ mười một, và mười mục đứng trên nó không hề vô danh:

• d1.2-ultra (Liquid AI) — 74,8, dẫn đầu bảng xếp hạng, với 133 USD cho mỗi triệu tác vụ

• Drex Max v1.1 (Nace) — 72.6 với giá $103, và SubQ Snap 1.2 — 72.6 với giá $137

• GLiDE v1.2 (Fastino) — 72,5 với giá 780 USD, Mammoth 27B (Baseten) — 71,4 với giá 264 USD, d1-ultra — 70,6

• Decider v1.3 (Perplexity) — 70,4 với giá $68, Decider v1.2 — 69,8, d1.2 — 68,7, SubQ Snap 1.1 — 67,9

Việc một nhà cung cấp chọn ba đối thủ cạnh tranh được nêu tên để tôn lên màn ra mắt của mình không phải là bê bối; bài đăng ra mắt nào cũng làm vậy, và Microsoft lại rõ ràng một cách bất thường rằng đây là những mô hình mà hãng đã chọn để nêu tên. Điều thú vị nằm ở nơi công bố. Một chỉ số độc quyền của bên thứ ba — bản sửa đổi v2 của nó ra mắt ngày 8 tháng 11 năm 2026, chín ngày trước Ignite, được xây dựng trên 45% tập dữ liệu riêng tư — đã được trích dẫn trên sân khấu như nguồn có thẩm quyền cho một tuyên bố về mô hình của chính Microsoft. Đó là một loại dữ kiện khác với ảnh chụp màn hình benchmark của nhà cung cấp, và nó có tính hai mặt: nó nâng cao vị thế của chỉ số, đồng thời đặt chỉ số vào vị thế mà việc bị trích dẫn một cách chọn lọc giờ đây là một phần uy tín của nó.

Thực sự có gì đã thay đổi giữa 1 và 1.1?

Gạt bỏ phần slide đi thì phần kỹ thuật lại rất cụ thể. Microsoft-Decision-1.1 không phải là một bản chỉnh sửa nhỏ của mô hình tháng 10. Nền tảng đã thay đổi từ Qwen3.5-9B của Alibaba, thứ mà trang danh mục v1 vẫn ghi nhận, sang Gemma 4 26B A4B. Microsoft mô tả lựa chọn này bằng các thuật ngữ chi phí: đủ tham số hoạt động để đưa ra phán đoán, đủ nhỏ để chạy trên các cụm A100, H100/200 và GB200/300. Một engine suy luận tùy chỉnh, được xây dựng để tính điểm thay vì sinh từng token, là yếu tố mà công ty cho là quyết định độ trễ.

Khả năng chưa từng có trong v1 là đầu vào hình ảnh. Microsoft-Decision-1.1 chấp nhận văn bản, JSON hoặc hình ảnh — ảnh chụp, ảnh màn hình — và vẫn từ chối âm thanh, video và mọi hình thức giải thích được tạo ra. Các loại câu hỏi không đổi tên: noul cho xác suất về một mệnh đề có/không, choice cho một nhãn trong một tập cố định kèm xác suất cho mỗi lựa chọn, score cho một vị trí trên thang có thứ tự. Yêu cầu được gửi đến một đường dẫn kết thúc bằng /providers/microsoft/v1/systemone, đây hoặc là tên endpoint khó tự giải thích nhất được phát hành trong quý này, hoặc là gợi ý về vị trí Microsoft cho rằng danh mục này nằm trong ngăn xếp.

Ngữ cảnh là con số cần chú ý nếu bạn đang di chuyển: Microsoft ghi nhận "đầu vào lên tới 32K token", và Artificial Analysis ghi nhận cửa sổ 33k. Version 1 cũng vậy. Một mô hình ra quyết định đọc được hợp đồng 40.000 token không có trong bản phát hành này.

Ba tuyên bố từ bài đăng ra mắt, được đối chiếu với bảng

Bài đăng của chính Microsoft đưa ra ba tuyên bố định lượng, và dữ liệu độc lập giải quyết từng tuyên bố theo cách khác nhau.

• "Đạt 68 điểm" — giá trị chỉ số là 67,78. Đây là phép làm tròn, không phải thổi phồng, và đây là tuyên bố duy nhất đúng chính xác.

• "Nhanh hơn gấp đôi" — phiên bản 1 đo 274,25 ms mỗi tác vụ, phiên bản 1.1 đo 123,25 ms. Đó là 2,23 lần, và điều này khiến mô hình mới trở thành mục nhanh thứ năm trên bảng xếp hạng thay vì thứ hai mươi.

• "Với cùng mức chi phí" — đúng ở cấp độ token, nhưng gây hiểu nhầm trên thực tế. Cả hai phiên bản đều liệt kê $0.042 trên một triệu token đầu vào. Nhưng chi phí đo được trên mỗi triệu tác vụ là $139.64 đối với 1.1 so với $142.56 đối với v1, mức cải thiện 2%, không phải giảm một nửa. Cùng giá, hóa đơn gần như tương đương, gấp đôi thông lượng. Nếu ràng buộc của bạn là độ trễ chứ không phải chi tiêu, bản nâng cấp là rất lớn; nếu là chi tiêu, bản nâng cấp gần như không đáng kể.

A generated single-column scoreboard headed 'Microsoft-Decision-1.1 — the scoreboard' with six rows: Decision Index 67.78, 11th of 25; When2Call at 10% weight 95.08; AA-Paperclip at 30% weight 58.67; HLE-MultiChoice 6.29% raw accuracy; non-hallucination 49.4%, was 21.7%; speed 123 ms per task, was 274 ms. 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.

Nơi mà composite không còn khớp với tiếp thị

Tổng hợp Decision Index v2.1 không phải là một điều bí ẩn. Nó gồm sáu thành phần có trọng số, và con số 67.78 của Microsoft-Decision-1.1 có thể tái tạo được từ chúng: 30% AA-Paperclip, 15% EvalSafe-O*NET-AA, 10% When2Call, 15% AA-Omniscience-Decision v1.1, 15% HLE-MultiChoice v1.1, 15% AA-Symmetry. Nhân rồi cộng lại, bạn sẽ ra đúng 67.78. Chính sự minh bạch đó khiến các điểm số phụ trở nên dễ đọc, và điểm số phụ chính là nơi câu chuyện ra mắt trở nên thú vị.

• When2Call — 95.08. Đây là bài kiểm tra định tuyến, và đây là con số mạnh nhất trong bộ này với khoảng cách lớn. Lời chào hàng của Microsoft là "định tuyến mô hình được tích hợp vào ứng dụng của bạn", và ở đúng thành phần đo lường chính xác điều đó, mô hình này nằm gần đầu bảng.

• AA-Paperclip — Điểm quyết định 58,67; 36,8% tài liệu được trả lời hoàn hảo. Đây là thành phần chiếm 30%, gồm 1.500 tài liệu riêng tư, mỗi tài liệu mang năm quyết định và mười dữ kiện, được chấm điểm theo kiểu tất cả hoặc không có gì. Phiên bản 1 đạt 20,9%. Mức tăng mười lăm điểm về tỷ lệ tài liệu hoàn hảo là bước tiến kỹ thuật lớn nhất trong bản phát hành, và cũng là lý do điểm tổng hợp thay đổi nhiều đến vậy.

• HLE-MultiChoice v1.1 — Decision Score 46,11 trên độ chính xác thô 6,29%, với 38,4% không ảo giác. Độ chính xác sáu phần trăm trên một bài kiểm tra kiến thức khó không phải là điểm mạnh; Decision Score chỉ đáng nể vì mô hình trung thực về việc mình đang mất phương hướng. Bài đăng của chính Microsoft nói rằng các mô hình này "rõ ràng chưa được tinh chỉnh cho những bài toán khó hơn", và dòng này là nơi lời thừa nhận đó xuất hiện trước công chúng.

• AA-Omniscience-Decision v1.1 — 60.46 với độ chính xác 33,2% và 49,4% không ảo giác. Phiên bản 1 đạt 21,7% về không ảo giác, vì vậy mô hình đã học cách từ chối đáng tin cậy hơn khoảng gấp đôi trong khi tăng thêm hai điểm độ chính xác. Đối với một mô hình ra quyết định, đánh đổi đó chính là tất cả.

Xét cùng nhau, hồ sơ tổng thể là mạch lạc: đây là một bộ định tuyến nhanh, được hiệu chỉnh tốt với cơ sở tri thức nông. Đó là một sản phẩm có thể biện hộ được. Nó không phải là sản phẩm mà câu phát biểu chính đề cập đến.

A screenshot of the Artificial Analysis page for Microsoft-Decision-1.1, headed 'Release, Decision Index Score, Performance & Price'. The headline figures read a Decision Index of 68 at rank 11 of 25, 123 ms per task and about $140 per million tasks. The comparison summary states the model is above average on the Decision Index but somewhat expensive and notably fast, supports text input and carries a 33k-token context window, with board medians of 66, 206 ms and $137. Component rows for Decision Index, AA-Paperclip, EvalSafe-O*NET-AA, When2Call, AA-Omniscience-Decision v1.1 and HLE-MultiChoice v1.1 sit below.

Định giá, theo đơn vị mà hóa đơn thực sự sử dụng

Foundry liệt kê ba mức giá đầu vào cho Microsoft-Decision-1.1 và không có mức giá đầu ra nào cả, vì mô hình không phát sinh token đầu ra: 0,042 USD cho mỗi triệu token đầu vào trên Global Standard, 0,046 USD trên US Data Zone, và 0,05 USD trên các triển khai EU và APAC Data Zone. Chọn SKU theo vùng dữ liệu và bạn trả cao hơn 19% so với con số được công bố để có được tính cục bộ. Đó là chỗ đầu tiên mà tuyên bố "mô hình quyết định rẻ nhất" bị âm thầm chỉnh lại.

Vị trí thứ hai là cột chi phí trên mỗi tác vụ, tức là kết quả khi bạn nhân giá token với lượng đầu vào mà một tác vụ thực sự tiêu thụ. Ở mức 139,64 đô la cho mỗi triệu tác vụ, AA xếp Microsoft-Decision-1.1 ở vị trí thứ mười lăm trong số hai mươi lăm về chi phí — rẻ hơn Gemini Decision 1 ở mức 344,90 đô la, đắt hơn Celeris-1.1 Decision ở mức 14 đô la và Decider v1.3 ở mức 68 đô la. Mô hình này nhanh và có giá tầm trung. Nó không phải là món hời trong chính danh mục của mình, và Microsoft chưa bao giờ tuyên bố như vậy.

Điều này đặt một đội muốn gọi nó vào tình thế nào

Hướng first-party là Foundry: triển khai mô hình, sau đó gửi một trạng thái cùng ánh xạ các câu hỏi được định kiểu đến endpoint quyết định. Người mua doanh nghiệp sẽ để ý rằng Microsoft hiện đã dùng nó làm giám khảo trong Foundry Evaluations và làm bộ định tuyến trong Copilot, nơi công ty báo cáo rằng cùng một quyết định định tuyến được đưa ra nhanh hơn 2,2 lần và với chi phí thấp hơn 4,4 lần so với một mô hình ngôn ngữ lớn — một con số do nhà cung cấp báo cáo từ bộ khung thử nghiệm riêng của Microsoft, chưa được tái lập bên ngoài bộ khung đó.

Điều đáng nói thẳng là OrcaRouter có những gì và không có những gì. Chúng tôi không lưu trữ Microsoft-Decision-1.1, hay Gemini Decision 1, hay bất kỳ endpoint chấm điểm quyết định nào, vì một API chỉ trả xác suất không phải là mục tiêu chat-completions và giả vờ điều ngược lại sẽ là kiểu tuyên bố về tính sẵn sàng nghe thì hay nhưng lại hỏng khi chạy production. Thứ chúng tôi có là nửa phần thực sự tạo sinh của một pipeline quyết định — và một góc nhìn vào bản phát hành này đặc biệt sát nghĩa: Gemma 4 26B A4B, đúng mô hình nền mà Microsoft đã tinh chỉnh, nằm trong danh mục của chúng tôi với giá $0,06 mỗi triệu token đầu vào và $0,33 mỗi triệu token đầu ra, cùng với Jev 1.14 ở mức $0,042, mô hình mà Microsoft-Decision-1.1 được đo so với. Nếu bạn muốn xem bao nhiêu hành vi quyết định đến từ mô hình nền và bao nhiêu đến từ hậu huấn luyện, cả hai đầu của phép so sánh đó đều có thể truy cập từ một khóa, theo giá niêm yết của nhà cung cấp với mức markup 0% được chuyển nguyên.

A screenshot of the OrcaRouter model page for typesafe/jev-1.14, headed with the model name and typesafe as the provider. Pricing shows $0.04 input and $0.04 output per million tokens, with a code sample posting a state and two typed questions to https://api.orcarouter.ai/v1/systemone. A performance panel lists a p50 time-to-first-token of 181 ms, a European Union inference region and zero data retention available, with 171.8M tokens of usage shown.

Xem gì tiếp theo

Hai điều giờ đây có thể được kiểm chứng công khai mà tuần trước chưa có. Điều thứ nhất là liệu Decision Index có tiếp tục xuất hiện trên các màn hình thuyết trình chính hay không: một bộ đánh giá sẽ trở thành tài liệu mua sắm ngay khi các nhà cung cấp bắt đầu trích dẫn nó dưới logo của riêng họ, và nhà cung cấp tiếp theo làm vậy sẽ trích dẫn một tập con bốn mô hình khác. Điều thứ hai là liệu Microsoft-Decision-1.1 có giữ được vị trí định tuyến của mình khi bảng xếp hạng mở rộng hay không — When2Call chiếm trọng số 10% và tạo nên phần lớn lợi thế dẫn đầu của mô hình so với Gemini Decision 1, nghĩa là một lần sửa đổi chỉ số thông thường có thể làm thay đổi thứ hạng này nhiều hơn bất kỳ bản cập nhật mô hình nào.

Hiện tại, câu mô tả chính xác thì hẹp hơn slide và hữu ích hơn: Microsoft đã tung ra một mô hình ra quyết định nhanh gấp đôi người tiền nhiệm với cùng mức giá token, được hiệu chỉnh tốt hơn rõ rệt, lần đầu có khả năng đọc hình ảnh, vẫn giới hạn ở 32K token, trung thực về những gì nó không biết, và đứng thứ mười một trên bảng xếp hạng độc lập duy nhất xếp hạng nó. Bài phát biểu chính nói rằng nó đánh bại Google và OpenAI. Đúng là vậy. Chỉ là nó không đánh bại tất cả mọi người.