Một thẻ tiêu đề được tạo với tiêu đề 'One Test, Most of the Lead', phụ đề 'Microsoft-Decision-1.1 vs Gemini Decision 1, Decision Index v2.1', cùng lưới hai nhân hai gồm bốn thẻ nhãn ghi '67.78 so với 65.98', '95.08 so với 80.50', '123 ms so với 211 ms' và '139.64 so với 344.90 đô la', một chú thích ghi 'trên mỗi triệu tác vụ, đọc ngày 19 tháng 11 năm 2026', và hai khối thanh màu xám được dán nhãn Microsoft và Gemini. Logo OrcaRouter được ghép ở góc dưới cùng bên phải.
Guides & Insights

Microsoft-Decision-1.1 so với Gemini Decision 1: Lợi thế hai điểm gần như hoàn toàn đến từ một bài kiểm tra

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

Đặt Microsoft-Decision-1.1 và Gemini Decision 1 cạnh nhau trên Artificial Analysis Decision Index v2.1 và khoảng cách trông như một phán quyết: 67,78 so với 65,98, với mô hình của Microsoft cũng nhanh gần gấp đôi ở 123 ms mỗi tác vụ so với 211 ms, và có chi phí chưa bằng một nửa ở $139,64 mỗi triệu tác vụ so với $344,90. Tách chỉ số tổng hợp ra và phán quyết trở nên nhỏ hơn và kỳ lạ hơn. Toàn bộ lợi thế của Microsoft-Decision-1.1 đến từ một thành phần trị giá 10% chỉ số và một quyết định ở cấp quy trình về cách một tài liệu được tính phí. Ở hai thành phần kiến thức, mô hình của Google thắng — một trong số đó hơn sáu điểm, với độ chính xác thô gần gấp đôi.

Sự phân tách đó chính là toàn bộ phép so sánh, và nó quyết định nhiều hơn một vị trí trên bảng xếp hạng. Gemini Decision 1 đọc được 262.144 token và chấp nhận âm thanh, video và PDF; Microsoft-Decision-1.1 đọc được 32.768 token và chấp nhận văn bản, JSON và hình ảnh. Mô hình của Google tự nhận khi không biết ở mức 49,6% trong bài kiểm tra Omniscience; mô hình của Microsoft là 49,4%. Trong bài kiểm tra định tuyến, mô hình của Microsoft dẫn trước mười hai phẩy năm điểm. Nếu quyết định của bạn là “năm công cụ này, công cụ nào mà yêu cầu này cần”, câu trả lời không hề sát nút. Nếu quyết định của bạn là “điều khoản này trong hợp đồng 90 trang này có đúng không”, câu trả lời đảo ngược, và nó đảo ngược vì cửa sổ ngữ cảnh chứ không phải vì mô hình.

Cả hai đều là những cầu thủ ghi bàn, và họ đều là mẫu cầu thủ ghi bàn giống nhau.

Hai API đã hội tụ về gần như cùng một nguyên thủy, khiến việc so sánh trở nên rất rõ ràng. Mỗi bên nhận một đầu vào dùng chung, một tập câu hỏi có kiểu, và trả về một câu trả lời có kiểu cho mỗi câu hỏi kèm theo một xác suất. Cả hai đều không viết một chữ nào.

• Các loại câu hỏi — cả hai đều cung cấp cùng ba loại: xác suất có/không, một lựa chọn từ một tập cố định với xác suất cho mỗi tùy chọn, và một vị trí trên một thang có thứ tự. Microsoft gọi loại đầu tiên là noul, Google cũng gọi nó là noul, đây không hẳn là sự trùng hợp mà đúng hơn là một phạm trù đang thống nhất về từ vựng.

• Token đầu ra — bằng không ở cả hai, trong mọi lần gọi. Việc tính phí chỉ tính đầu vào, nên mức giá token bạn đọc được chính là toàn bộ mức giá.

• Chấm điểm song song — cả hai đều đánh giá từng câu hỏi dựa trên đầu vào chung một cách độc lập, nên các câu hỏi không thể thấy nhau và việc thêm câu thứ mười không làm thay đổi chín câu đầu tiên.

• Kích thước yêu cầu — Google quy định từ 1 đến 1.000 câu hỏi mỗi lần gọi, câu hỏi lựa chọn với 2 đến 255 tùy chọn, câu hỏi tính điểm với 2 đến 255 mức. Microsoft quy định "một hoặc nhiều câu hỏi có kiểu" mà không có giới hạn trên, và bài đăng ra mắt của họ mô tả các yêu cầu mang theo "hàng trăm câu hỏi".

• Đầu vào hình ảnh — hiện cả hai đều chấp nhận. Microsoft đã thêm nó trong 1.1; Google có nó từ khi ra mắt, cùng với âm thanh và video, những thứ mà Microsoft nói rõ là không nhận.

• Endpoint — đây là nơi chúng khác biệt về mặt vật lý. Gemini Decision 1 chỉ có thể truy cập được thông qua API Decisions của Google trên Gemini Developer API v1beta. Microsoft-Decision-1.1 được triển khai dưới dạng tài nguyên Foundry và phản hồi tại /providers/microsoft/v1/systemone trên tài nguyên đó.

Vật liệu composite, đã phân hủy

Một lợi thế chỉ số 1,8 điểm nằm trong một thành phần có trọng số 10% không phải là sai lệch do làm tròn, nhưng đó là một khẳng định hẹp hơn nhiều so với “mô hình tốt hơn”. Dưới đây là phân tách đầy đủ của cả hai mục, đúng như Artificial Analysis công bố, được đọc ngày 19 tháng 11 năm 2026:

• Chỉ số tổng thể — Microsoft-Decision-1.1 67.78 so với Gemini Decision 1 65.98

• Chỉ số độ chính xác (chỉ số được xây dựng lại chỉ dựa trên độ chính xác, đã loại bỏ độ tin cậy) — 48.45 so với 45.53, vậy Microsoft cũng dẫn đầu về tính đúng đắn, chỉ là khoảng cách nhỏ hơn

• When2Call, trọng số 10% — 95,08 so với 80,50. Khoảng cách 14,6 điểm và là yếu tố tạo nên vị thế dẫn đầu

• AA-Paperclip, trọng số 30% — Điểm số quyết định 58,67 so với 56,83, và 36,8% so với 33,0% số tài liệu hoàn toàn chính xác

• EvalSafe-O*NET-AA, 15% — 88.85 so với 87.05, với độ chính xác thô 83.4% so với 82.0%

• AA-Omniscience-Decision v1.1, 15% — 60,46 so với 66,28, với độ chính xác thô 33,2% so với 44,8% và tỷ lệ không ảo giác 49,4% so với 49,6%

• HLE-MultiChoice v1.1, 15% — 46,11 so với 48,71, với độ chính xác thô 6,29% so với 13,16% và 38,4% so với 35,8% về tỷ lệ không ảo giác

• AA-Symmetry, 15% — 75,72 so với 70,47, về tỷ lệ đạt khi diễn đạt lại là 47,5% so với 38,3%

Hai điều rút ra từ danh sách đó. Thứ nhất là khoảng cách đơn lẻ lớn nhất nằm ở thành phần có trọng số nhỏ nhất — When2Call đóng góp 9,5 điểm trên thang 100 điểm, nên mức chênh 14,6 điểm ở đó đáng giá khoảng 1,5 điểm chỉ số, tức phần lớn trong tổng 1,8 điểm. Thứ hai là lợi thế kiến thức của Gemini Decision 1 thực sự lớn: 44,8% so với 33,2% về độ chính xác thô trên Omniscience không phải là nhiễu, và đó là lý do mô hình của Google có chỉ số độ chính xác cao hơn mức mà điểm tổng hợp của nó gợi ý.

Nói cách khác, Microsoft không vượt trội Google về mọi mặt. Họ vượt trội Google một cách rõ rệt ở bài kiểm tra duy nhất hỏi liệu mô hình có biết khi nào nên gọi công cụ hay không, và gần như ngang bằng ở mọi chỗ khác, thua các bài kiểm tra kiến thức và thắng bài kiểm tra tính nhất quán.

A generated two-column scoreboard headed 'Microsoft-Decision-1.1 vs Gemini Decision 1 — the scoreboard'. The Microsoft column reads Decision Index 67.78, When2Call 95.08, Omniscience accuracy 33.2%, HLE accuracy 6.29%, context 32,768 tokens and cost per million tasks $139.64. The Gemini column reads Decision Index 65.98, When2Call 80.50, Omniscience accuracy 44.8%, HLE accuracy 13.16%, context 262,144 tokens and cost per million tasks $344.90. 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.

Cái giá thực sự của sự khác biệt về cửa sổ ngữ cảnh

Cửa sổ 262.144 token là con số quyết định khối lượng công việc thực tế và đó là khoảng cách 8 lần: Gemini Decision 1 đọc gấp tám lần những gì Microsoft-Decision-1.1 đọc. Tài liệu của Google phân bổ ngân sách đó theo một cách cụ thể — cửa sổ bao gồm đầu vào được chia sẻ và tất cả câu hỏi cùng nhau, vì vậy một hợp đồng dài duy nhất cộng với hai trăm câu hỏi rubric sẽ cạnh tranh cho cùng 262K.

Giới hạn 32K của Microsoft có hiệu ứng bậc hai thể hiện ở cột chi phí. AA-Paperclip tính phí một tài liệu một lần cho tất cả câu hỏi của nó và phân giải 15 câu trả lời cho mỗi tài liệu. Một mô hình không thể giữ toàn bộ tài liệu trong một lần gọi phải được áp dụng từng phần một, điều này làm tăng bội số số lần gọi. Microsoft-Decision-1.1 cho kết quả $386 mỗi triệu tác vụ trên Paperclip, so với Gemini Decision 1 ở mức $946 — nhưng thứ hạng về tổng chi phí mỗi tác vụ đã được giải thích bởi giá token, chứ không phải bởi cách xử lý tài liệu.

Có một cơ chế thứ ba đáng được gọi tên, vì đây chính là điều mà người mua bỏ sót: đầu vào lặp lại được tính đầy đủ ở cả hai bên. API Decisions của Google nêu rõ rằng không hỗ trợ lưu bộ nhớ đệm ngữ cảnh, suy luận Batch, Flex hoặc Priority, vì vậy một bộ tiêu chí được gửi kèm mỗi yêu cầu sẽ bị tính phí theo từng yêu cầu. Microsoft-Decision-1.1 cũng không có đề cập nào về bộ nhớ đệm trong tài liệu của mình. Không nhà cung cấp nào đưa ra ưu đãi cho việc hỏi cùng 200 câu hỏi một triệu lần, mà đây chính xác là khối lượng công việc mà danh mục này được tạo ra để phục vụ.

Định giá, với bẫy SKU

Microsoft báo giá ba mức giá đầu vào — 0,042 USD/triệu token trên Global Standard, 0,046 USD trên US Data Zone, 0,05 USD trên EU và APAC Data Zone — và không có giá đầu ra. Google báo một mức: 0,10 USD/triệu token đầu vào. Ở con số tiêu đề, Microsoft rẻ hơn 58%. Về chi phí đo được trên toàn bộ chỉ số, Microsoft rẻ hơn 60% — 139,64 USD so với 345,41 USD/triệu tác vụ — vì nó cũng tiêu thụ ít token hơn cho mỗi tác vụ ở hầu hết các thành phần.

Nhưng mức $0.042 là mức toàn cầu, và một khối lượng công việc cư trú tại EU trên SKU vùng dữ liệu phải trả $0.05, điều này thu hẹp khoảng cách xuống còn 50%. Cả hai con số đều không bao gồm chi phí của các lời gọi xung quanh mô hình quyết định, mà với hầu hết các pipeline sản xuất thì lớn hơn nhiều so với chính lời gọi chấm điểm — mô hình soạn thảo các câu trả lời ứng viên, mô hình viết rubric, mô hình xử lý bất cứ thứ gì mà bộ chấm điểm đã bỏ qua. Khoản chi đó là nơi định tuyến thực sự tiết kiệm tiền, và đó là phần OrcaRouter bao phủ: một khóa duy nhất cho hơn 200 mô hình ở giá niêm yết của nhà cung cấp với mức đánh dấu 0%, nên thay đổi giá của nhà cung cấp ở phần sinh sẽ được áp dụng ngay trong ngày, và fusion hoặc DSL định tuyến có thể đặt một mô hình soạn thảo rẻ tiền phía sau một mô hình đánh giá đắt tiền mà không cần tích hợp thứ hai.

A screenshot of the OrcaRouter model page for google/gemma-4-26b-a4b-it, headed 'Gemma 4 26B A4B' with a 262K-token context badge and input modalities listed as text, image and video plus vision, tools, JSON and reasoning tags. The provider line reads Google, 2026-04-05, and the description identifies it as an instruction-tuned mixture-of-experts model from Google DeepMind with 25.28 total parameters and 3.8B active per token. Pricing reads $0.06 input and $0.33 output per million tokens, with zero data retention available and 76.0M tokens of usage.

Bạn thực sự sẽ triển khai cái nào?

Ba dạng khối lượng công việc, ba câu trả lời khác nhau, và không câu nào là “chỉ số cao hơn”.

• Định tuyến, kiểm soát cổng và lựa chọn công cụ — Microsoft-Decision-1.1. Điểm 95.08 trên When2Call so với 80.50 là khoảng cách thành phần đơn lớn nhất trên bảng, và định tuyến chính là loại tác vụ mà Microsoft đã xây dựng mô hình này để đảm nhận. Mức trung vị 123 ms cũng quan trọng ở đây: bộ định tuyến nằm trên đường đi của yêu cầu, và sự khác biệt giữa 123 ms và 211 ms chính là sự khác biệt giữa một bước không ai để ý và một bước mà ngân sách độ trễ phải hấp thụ.

• Trích xuất tài liệu và chấm điểm theo rubric trên các đầu vào dài — Gemini Decision 1. Nếu một lệnh gọi duy nhất phải xử lý một hợp đồng 90 trang cùng các câu hỏi về hợp đồng đó, thì mức trần 32K của Microsoft đơn giản là thất bại, và hiệu năng When2Call dù tốt đến đâu cũng không cứu được một lệnh gọi chưa từng diễn ra. Độ chính xác Omniscience 44,8% và độ chính xác HLE 13,2% của Google củng cố cùng kết luận đó từ một hướng khác: nó biết nhiều hơn và có thể đọc nhiều hơn.

• Sàng lọc khối lượng lớn, nơi hóa đơn chi phối — không cái nào cả, và đây là câu trả lời trung thực. Celeris-1.1 Decision đạt 62,0 điểm với 14 USD cho mỗi triệu tác vụ; Decider v1.3 đạt 70,4 điểm với 68 USD. Cả hai đều vượt Microsoft-Decision-1.1 về chi phí mỗi tác vụ và một trong hai vượt về chỉ số. Nếu quyết định của bạn rẻ và lặp lại, các lựa chọn hyperscaler lại là những lựa chọn đắt đỏ.

Một lưu ý áp dụng cho cả ba: khoảng cách 1,8 điểm và các hàng hiệu chỉnh đến từ một chỉ số đã tự điều chỉnh trọng số vào ngày 8 tháng 11 năm 2026, hạ Omniscience và HLE từ 25% mỗi mục xuống 15% và đưa vào một thành phần tài liệu 30%. Việc điều chỉnh trọng số có thể làm thay đổi thứ hạng này nhiều hơn so với một bản phát hành mô hình. Hãy coi so sánh này là hiện thời và có ghi ngày, không phải vĩnh viễn.

A screenshot of the Artificial Analysis page for Gemini Decision 1, headed 'Release, Decision Index Score, Performance & Price'. The headline figures read a Decision Index at rank 14 of 25, 211 ms per task and $345 per million tasks. The comparison summary states the model is below average on the Decision Index and particularly expensive, slower than average, supports text and image input and carries a 262k-token context window, with a board median of 206 ms. Component rows for Decision Index, AA-Paperclip, EvalSafe-O*NET-AA, When2Call, AA-Omniscience-Decision v1.1 and HLE-MultiChoice v1.1 sit below.

Hai mô hình sẽ rẽ hướng khác nhau ở đâu tiếp theo

Microsoft-Decision-1.1 là nỗ lực thứ hai trên một nền tảng mới — Gemma 4 26B A4B thay vì Qwen3.5-9B — với một công cụ suy luận tùy chỉnh và một định hướng định tuyến. Gemini Decision 1 là mục nhập đầu tiên của Google, gắn với một bề mặt API duy nhất và một ID mô hình duy nhất. Các hướng đi chỉ về hai phía ngược nhau: Microsoft đang lặp lại trên mô hình nền tảng và ngăn xếp phục vụ, còn Google đang lặp lại trên các phương thức đầu vào và ngân sách ngữ cảnh.

Điều đó có nghĩa gì cho một quyết định được đưa ra trong tháng này thì không hề hào nhoáng. Hãy kiểm tra xem đầu vào dài nhất của bạn có vừa trong 32K hay không trước khi bạn đọc dù chỉ một con số benchmark, vì ràng buộc đó loại thẳng một trong hai mô hình này. Nếu nó vừa, hãy chạy hai mươi ví dụ đã gắn nhãn của riêng bạn qua cả hai và so sánh phân bố độ tin cậy thay vì các câu trả lời top-1 — một bộ chấm điểm mà bạn không thể đặt ngưỡng là một bộ chấm điểm mà bạn không thể đưa vào sử dụng, và hai mô hình chỉ cách nhau trong vòng 0,2 điểm về khả năng không tạo ảo giác, đây là hàng quyết định liệu việc từ chối trả lời có hành xử giống như trên một tập kiểm thử công khai khi áp dụng trên dữ liệu của bạn hay không.

So sánh trong bài viết này1

Phát hiện từ bài viết này · Benchmark: Artificial Analysis · cập nhật hằng ngày