
Microsoft-Decision-1.1 so với Microsoft Decision 1: Bản nâng cấp mà một con số lại đi lùi
- OrcaMỚIOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 trên 1 triệu token · 184 tok/s
- tencentMỚITencent: Hy4 Flash2026-11-16$0.02 / $0.07 trên 1 triệu token · 223 tok/s
- GoogleMỚIGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 trên 1 triệu token · 87 tok/s
- AnthropicMỚIAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 trên 1 triệu token · 96 tok/s
- orcaMỚIOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 trên 1 triệu token · 90 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 trên 1 triệu token · 131 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 trên 1 triệu token · 77 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 trên 1 triệu token · 94 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 trên 1 triệu token · 114 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 trên 1 triệu token · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 trên 1 triệu token · 94 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 trên 1 triệu token · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Trí tuệ
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 trên 1 triệu token · 209 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Trí tuệ
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 trên 1 triệu token · 111 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Trí tuệ
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 trên 1 triệu token · 311 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Trí tuệ
Mọi con số được công bố cho Microsoft-Decision-1.1 đều tốt hơn con số cho Microsoft-Decision-1, trừ một con số, và ngoại lệ đó mới là phần thú vị. Trên Artificial Analysis Decision Index v2.1, mô hình mới đạt 67,78 so với 62,07, nhanh hơn 2,2 lần ở mức 123 ms mỗi tác vụ so với 274 ms, và từ chối trả lời đáng tin cậy hơn nhiều — 49,4% không ảo giác trên AA-Omniscience-Decision so với 21,7%. Tuy nhiên, trên những câu hỏi mà mô hình cũ trả lời đúng, mô hình mới làm đúng ít hơn: độ chính xác thô 6,29% trên HLE-MultiChoice v1.1 so với 8,64%, và 47,5% câu hỏi AA-Symmetry được trả lời nhất quán so với 51,7%. Microsoft-Decision-1.1 không phải là một Microsoft-Decision-1 tốt hơn một cách tuyệt đối. Đây là một phiên bản được hiệu chỉnh theo cách khác, và hướng của sự đánh đổi đó chính là điều mà một quyết định chuyển đổi xoay quanh.
Hai mô hình cách nhau sáu tuần. Microsoft-Decision-1 đạt trạng thái sẵn sàng chung vào ngày 8 tháng 10 năm 2026 với tư cách là một bộ chấm điểm chỉ dành cho văn bản được đào tạo hậu kỳ từ Qwen3.5-9B. Microsoft-Decision-1.1 ra mắt vào ngày 17 tháng 11 năm 2026 tại Ignite trên Gemma 4 26B A4B, một nền tảng mixture-of-experts mà Microsoft mô tả là có đủ tham số hoạt động để đưa ra phán đoán trong khi vẫn đủ nhỏ để phục vụ trên phần cứng A100, H100/200 và GB200/300. Cùng mức giá. Cùng giới hạn 32K. Cùng ba loại câu hỏi. Khác xương sống, khác lớp độ trễ và một tập hợp điểm mạnh khác biệt có thể đo lường được.
Thay đổi mô hình cơ sở chính là bản phát hành
Phiên bản 1 là một mô hình dày đặc 9 tỷ tham số. Phiên bản 1.1 là một mô hình hỗn hợp chuyên gia 26 tỷ tham số với khoảng 4 tỷ tham số hoạt động mỗi token, nếu bạn đọc hậu tố A4B theo cách Google dùng trên dòng Gemma. Đây không phải là một lần huấn luyện lại tăng dần; đó là một kiến trúc khác, một họ mô hình khác và một bộ đặc điểm phục vụ khác. Bài đăng ra mắt của Microsoft nói rõ rằng việc thay thế là một quyết định về chi phí và trí tuệ, và ghép nó với một engine suy luận tùy chỉnh được xây dựng để chấm điểm thay vì sinh từng token.
Những gì cuộc hoán đổi đã mang lại, theo thứ tự mà người mua sẽ nhận ra:
• Độ trễ — từ 274,25 ms giảm xuống 123,25 ms mỗi tác vụ, được đo trên toàn bộ chỉ mục. Ở thành phần đơn lẻ nhanh nhất, When2Call, mô hình mới đạt trung bình 94 ms so với 230 ms của mô hình cũ.
{{1}}Hiệu chuẩn{{/1}} — {{2}}Điểm quyết định{{/2}}, tức là độ chính xác sau khi áp dụng {{3}}hình phạt Brier{{/3}}, đã tăng ở cả năm thành phần quyết định. {{4}}Omniscience{{/4}} tăng từ 54,89 lên 60,46, {{5}}HLE{{/5}} từ 39,42 lên 46,11, {{6}}Paperclip{{/6}} từ 51,82 lên 58,67, {{7}}EvalSafe{{/7}} từ 86,82 lên 88,85, {{8}}When2Call{{/8}} từ 87,95 lên 95,08.
• Hành vi từ chối — khả năng không ảo giác trên Omniscience tăng hơn gấp đôi, từ 21,74% lên 49,40%. Trên HLE, con số này tăng từ 15,05% lên 38,36%. Đối với một mô hình mà toàn bộ mục đích là để được đặt ngưỡng, đây là thay đổi quan trọng nhất trong danh sách.
• Phương thức — hình ảnh đã được chấp nhận làm đầu vào cùng với văn bản và JSON. Âm thanh và video vẫn bị từ chối, và mô hình vẫn không tạo ra lời giải thích, lý do hay token đầu ra.
• Bối cảnh — không thay đổi ở 32.768 token. Không có gì ở đây dịch chuyển, và điều đó đáng nói thẳng ra vì “1.1” dễ khiến người ta mặc định rằng mọi thứ đều đã được cải thiện.
Nơi 1.1 tệ hơn và lý do cách đặt vấn đề của chính Microsoft dự báo được điều đó
Các hồi quy không phải ngẫu nhiên. Chúng tập trung vào hai thành phần đòi hỏi mô hình phải biết điều gì đó thay vì quyết định điều gì đó.
Trên HLE-MultiChoice v1.1, độ chính xác thô giảm từ 8,64% xuống 6,29% — mức giảm tương đối 27% về tỷ lệ các câu hỏi khó được trả lời đúng. Decision Score vẫn tăng, từ 39,42 lên 46,11, vì độ tin cậy của mô hình đối với những câu trả lời mà nó thực sự đưa ra đã trở nên khớp hơn nhiều với việc những câu trả lời đó có đúng hay không. Diễn giải: nó đoán tệ hơn và nhận biết mình đang đoán tốt hơn nhiều. Điểm tổng hợp thưởng cho điều thứ hai và hầu như không để ý đến điều thứ nhất.
Trên AA-Symmetry, bức tranh tinh tế hơn và kém tô hồng hơn. Symmetry đo lường liệu cùng một câu hỏi, khi được diễn đạt lại — các lựa chọn được sắp xếp lại, nhãn bị hoán đổi, một câu hỏi có/không bị phủ định — có tạo ra cùng câu trả lời với cùng xác suất hay không. Phiên bản 1 đạt 51,7% các cách diễn đạt lại ở mức đạt toàn bộ; phiên bản 1.1 đạt 47,5%. Về Symmetry, điểm của nó tuy vậy vẫn cải thiện, từ 70,42 lên 75,72, vì khi nó lệch, giờ nó lệch ít xa hơn. Ít lần chạy hoàn hảo hơn, các lần trượt nhỏ hơn. Đó là một hình dạng có thể biện minh được cho một bộ chấm điểm, nhưng lại là một sự thụt lùi ở đúng thuộc tính mà một mô hình ra quyết định được cho là phải đảm bảo: rằng cách diễn đạt không làm thay đổi câu trả lời.
Bài phát biểu chính của Microsoft đã nói toạc ra điều thường được giữ kín — những mô hình này "rõ ràng là chưa được tinh chỉnh cho những bài toán khó hơn, như nghiên cứu khoa học cơ bản và công việc agentic có chân trời rất dài", bởi vì tinh chỉnh cho những năng lực đó sẽ làm tăng giá của mọi tác vụ thường ngày. Decision 1.1 chính là bộ mặt của chính sách đó khi được thực thi. Bộ đánh giá kiến thức bị làm cho kém đi một cách có chủ đích, hoặc ít nhất là không có ai phản đối.

Điều không thay đổi: thẻ giá và bức tường 32K
Cả hai phiên bản đều niêm yết $0.042 cho mỗi triệu token đầu vào trên Global Standard, $0.046 trên US Data Zone và $0.05 trên các triển khai EU và APAC Data Zone, còn đầu ra không bị tính phí vì không có đầu ra. Cách diễn đạt của Microsoft là “nhanh hơn gấp đôi với cùng mức chi phí”, và mức giá token hỗ trợ điều đó một cách chính xác.
Chi phí đo được trên mỗi tác vụ lại cho thấy một điều hơi khác. Phiên bản 1 là $142.56 cho mỗi triệu tác vụ trên chỉ số; phiên bản 1.1 là $139.64. Mức cải thiện 2%, không phải gấp đôi. Lý do là chi phí mỗi tác vụ bằng giá token nhân với lượng đầu vào tiêu thụ, và mô hình mới không tiêu thụ một nửa số token — nó trả lời trong một nửa thời gian. Nếu ràng buộc của bạn là ngân sách thời gian thực hay một bước định tuyến bên trong đường dẫn yêu cầu, thì việc nâng cấp là lớn và rõ ràng. Nếu ràng buộc của bạn là chi tiêu, 1.1 không làm thay đổi hóa đơn của bạn, và Microsoft chưa bao giờ tuyên bố là nó sẽ như vậy.
Con số không đổi còn lại là mức trần. Cả hai mô hình đều đọc 32.768 token, và tài liệu của Microsoft cho 1.1 lặp lại cụm "đầu vào lên tới 32K token" gần như nguyên văn từ trang v1. Không có tài liệu nào ghi nhận hỗ trợ bộ nhớ đệm cho cả hai, nghĩa là một bộ tiêu chí 200 câu hỏi vẫn phải trả đủ ở mỗi lần gọi, trên cả hai phiên bản, ở mọi bậc lưu lượng. Đó là đòn bẩy lớn nhất đối với bài toán kinh tế của hạng mục này, và cả hai bản phát hành đều không đụng tới nó.

Làm thế nào để di chuyển mà không cần một bước nhảy vọt của niềm tin
Cấu trúc API đủ ổn định để việc di chuyển chủ yếu là cấu hình, nhưng không hoàn toàn. Microsoft mô tả lệnh gọi v1.1 là một state cùng với một bản đồ các câu hỏi có kiểu — noul, choice, score — được gửi tới /providers/microsoft/v1/systemone trên một tài nguyên Foundry, với trường model mang tên triển khai của bạn thay vì tên mô hình. Phản hồi trả lại mô hình bên dưới, vì vậy một triển khai được đặt tên theo khối lượng công việc của bạn vẫn có thể cho bạn biết phiên bản nào đã trả lời.
Ba bước nên thực hiện theo đúng thứ tự, thay vì chỉ đổi tên triển khai rồi theo dõi bảng điều khiển:
1. Hãy ghi lại phân bố độ tin cậy của tập dữ liệu gắn nhãn, không phải độ chính xác của nó. Sự thay đổi từ 21,7% lên 49,4% tỷ lệ không ảo giác có nghĩa là 1.1 sẽ từ chối một tỷ lệ câu hỏi lớn hơn đáng kể với cùng ngưỡng. Nếu pipeline của bạn coi một câu trả lời bị thiếu là lỗi cứng thay vì tín hiệu định tuyến, thì bản nâng cấp này sẽ trông giống như một hồi quy trong môi trường sản xuất, trong khi mọi benchmark đều nói rằng đó là một cải tiến.
2. Tinh chỉnh lại ngưỡng. Một ngưỡng cắt được chọn trên thang độ tin cậy của phiên bản 1 đang được áp dụng cho một phân phối đã dịch chuyển. Hướng dẫn của chính Microsoft là xác thực các ngưỡng dựa trên các ví dụ đã gán nhãn trước khi tự động hóa một cổng kiểm soát, đây vẫn là lời khuyên như mọi khi và giờ mang tính trọng yếu.
3. Kiểm tra hồi quy đối xứng trên cách diễn đạt của chính bạn. Nếu lời nhắc của bạn được tạo từ các mẫu có thứ tự tùy chọn thay đổi — và hầu hết lời nhắc định tuyến đều như vậy — thì tỷ lệ đạt tất cả 47,5% mới là con số đáng lo, không phải điểm tổng hợp. Hãy nhân bản hai mươi câu hỏi của bạn với các tùy chọn được sắp xếp lại và đo xem argmax dịch chuyển thường xuyên đến mức nào.
Điều khiến bước thứ ba đó trở nên rẻ là việc từ chối trả lời vẫn có nơi để chuyển tới. Một mô hình ra quyết định từ chối chỉ hữu ích nếu thứ mà nó từ chối xử lý có thể trả lời, và đó chính là phần của pipeline mà OrcaRouter đảm nhận: một khóa dùng chung cho hơn 200 mô hình với chuyển đổi dự phòng tự động, vì vậy một kết quả lựa chọn có độ tin cậy thấp có thể được định tuyến tới một mô hình tổng quát thay vì gọi nhân viên trực, và DSL định tuyến có thể kết hợp cả hai thành một chuỗi lời gọi duy nhất. Gemma 4 26B A4B — mô hình cơ sở bên trong Decision 1.1 — nằm trong danh mục của chúng tôi với giá $0.06 mỗi triệu đầu vào và $0.33 mỗi triệu đầu ra, theo giá niêm yết của nhà cung cấp với mức phụ giá 0% được chuyển nguyên, điều này khiến bước kiểm tra nhanh rẻ nhất có thể đối với bất kỳ quyết định đáng ngờ nào trở thành một lời gọi thực tế tới chính mô hình xương sống của nó.

Có nên chuyển đi hay không
Có lý do để tiếp tục ở lại phiên bản 1, và lý do đó hẹp nhưng có thật. Nếu khối lượng công việc của bạn là những câu hỏi kiến thức khó, nơi một câu trả lời sai còn tệ hơn không có câu trả lời — hồ sơ HLE — thì phiên bản 1 đã trả lời được nhiều câu hơn trong số đó. Nếu các lời nhắc của bạn được tạo theo mẫu theo những cách sắp xếp lại các lựa chọn, phiên bản 1 ổn định hơn khi bị diễn đạt lại. Và nếu bạn đã tinh chỉnh một ngưỡng và xác thực nó bằng dữ liệu sản xuất đã gắn nhãn, thì phân phối độ tin cậy mới làm vô hiệu hóa công việc đó.
Với tất cả những người còn lại, câu chuyện rất đơn giản. Thông lượng gấp đôi với cùng mức giá token, tỷ lệ đạt của tài liệu tăng từ 20,9% lên 36,8%, đầu vào hình ảnh trước đây không hề tồn tại, và một mô hình nói "Tôi không biết" thường xuyên gấp đôi trong đúng những tình huống mà một cam kết sai gây tốn kém. Đó chính là những đặc tính mà người ta mua một lớp ra quyết định. Phần benchmark kiến thức mà nó đánh đổi không phải là thứ ai đó mua mô hình này để làm.
Cuộc chuyển đổi, gói gọn trong một dòng: hãy chuyển sang 1.1 vì độ trễ và khả năng từ chối trả lời, tinh chỉnh lại các ngưỡng của bạn ngay trong tuần đó, và giữ các con số của phiên bản 1 trong ngăn kéo cho ngày ai đó hỏi tại sao mô hình mới không còn trả lời một câu hỏi mà mô hình cũ từng xử lý.
