Gemini Decision 1 对比 Microsoft-Decision-1：两个超大规模云厂商评分器，相差四分

两大云厂商现在都在销售一款以概率而非句子作答的模型，但两家都不愿透露它的实际效果如何。Microsoft-Decision-1于 2026 年 10 月 8 日在 Microsoft Foundry 正式可用：基于 Qwen3.5-9B，经微软后训练，输入文本，上下文长度 32,768 个 token，输出校准分布，不分发权重。Gemini Decision 1于 2026 年 11 月 11 日在 Gemini Developer API 上线：输入文本、图像、视频、音频和 PDF，上下文长度 262,144 个 token，每次请求最多 1,000 个带类型的问题，每百万输入 token 收费 0.10 美元，同样不分发权重。两者都附有方法论章节，却没有结果表，这使得一个独立评测工具成为唯一能对它们进行比较的地方——Artificial Analysis，在那里两者相差四分，在十八个模型中分别位列第九和第十。

四分并不是那个有意思的差距。有意思的差距在于：在大多数决策模型实际采购所依据的那项评估上，两者仅相差五分，却都处于该领域的末尾附近；而赢得总排名的模型，完全是在另一个地方取胜。

每个人摆在你面前的东西

请求形态足够接近，以至于为其中一个编写的客户端只需一个下午就能适配到另一个；同时又足够不同，以至于选择通常在任何基准测试结果被阅读之前就已做出。

• 输入 — Gemini Decision 1 接受文本、图像、视频、音频和 PDF，每次请求内联最多 100 MB，每个外部 URL 最多 15 MB。Microsoft-Decision-1 接受文本，并序列化为 32,768 个 token。一张扫描表单或一段通话录音，对前者是原生输入，对后者则是一项预处理工作。

• 上下文 — Gemini Decision 1 为 262,144 个 token，由输入和每个问题共享。Microsoft-Decision-1 为 32,768 个 token，由输入加选项集消耗，且由于没有生成，因此无需扣除生成预算。

• 问题形式 — Gemini Decision 1 明确了三种：是/否，限定在 0.01–0.99；在 2 到 255 个具名选项中选择；以及在 2 到 255 个有序等级上评分，并返回按概率加权的期望等级。Microsoft-Decision-1 涵盖是/否、多选、评分、分类和量规评分，并明确支持在选项集中加入“无法判断”这类弃权选项。

• 请求内批处理 — 对于 Gemini Decision 1，最多可包含 1,000 个独立问题，每个问题彼此隔离，全部基于对共享输入的一次计费读取。Microsoft-Decision-1 公布的契约是每次调用一个状态及其问题集，因此广度来自将问题分组，而不是来自有文档记载的每请求上限。

• 价格 — Gemini Decision 1 每百万输入 token 收费 0.10 美元，因输出为零 token 而不收取输出费用。榜单记录其每百万任务为 345 美元，并按其所追踪的输入费率记录 Microsoft-Decision-1 每百万任务为 143 美元。

• 访问 — Gemini Developer API 仅提供 v1beta 版本，免费层级为每分钟 200 次请求、每天 10,000 次请求，Tier 2 起每日请求不限量，且 Google 已发布的文档中没有 Vertex AI 条目。Microsoft-Decision-1 作为 Direct from Azure 产品组合下的 Foundry 部署，提供无服务器和统一终结点选项、标准 SKU、Azure 身份验证和单一计费路径，禁用批处理推理，且没有权重下载或微调路径。

接入渠道是做出采购决策而非技术决策的地方。如果你的组织通过 Azure 承诺购买，Microsoft-Decision-1 就是一张你已经知道如何支付的发票。如果通过 Google Cloud 购买，Gemini Decision 1 目前则不是——唯一有文档记录的入口是 Gemini API 密钥，这属于另一条预算线，对某些企业来说也是另一套审批流程。

记分板，逐个组件

Artificial Analysis 的 Decision Index 将每项评估的得分计算为准确率减去针对答案所附置信度的 Brier 惩罚，并按六个组成部分加权。以下是两个模型在这些组成部分上的分配情况：

• AA-Paperclip，权重30% — Gemini Decision 1 为56.8，Microsoft-Decision-1 为51.8。两者均表现疲弱。全有或全无式文档通过率中，Gemini Decision 1 为33%，Microsoft-Decision-1 为20.9%，而该领域领先者为63%。两家超大规模云厂商的模型都无法可靠地从一份内容密集的文档中提取十五项事实。

• EvalSafe-O*NET-AA, 15%—— 87.1 对 86.8。实际上完全相同，且两者在一个得分紧咬的群体中都接近最高水平。

• When2Call，10% — 80.5 对 88.0。Microsoft-Decision-1 明显赢下这一项，位居领先者附近；Gemini Decision 1 在十八个中排名第十四。

• AA-Omniscience-Decision v1.1，15% — 66.3 对 54.9。Gemini Decision 1 在该领域中排名第一；其 49.6% 的非幻觉率正是原因。Microsoft-Decision-1 在此报告的非幻觉率为 21.7%，这个数字应该让任何计划对其弃权设定阈值的人感到担忧。

• HLE-MultiChoice v1.1, 15% — 48.7 对 39.4。第一名对第十一名。原始准确率为 13.2% 对 8.6%，非幻觉率为 35.7% 对 15.1%。

• AA-Symmetry v1.1, 15%—— 70.5 对 70.4。势均力敌，两者均处于中游，在重排和否定下分别有 38.3% 和 51.7% 的问题族保持相同答案。

综合得分分别为 65.98 和 62.07，位列第九和第十。查看各项组成部分，每个产品的轮廓便清晰可见。Microsoft-Decision-1 是一个扎实的工具调用与职场判断评分器，但其知识与弃答行为较弱。Gemini Decision 1 则相反：拥有榜单上最好的知识与弃答得分，同时抽取能力处于中游，工具选择辨别力较差。

他们所共有的东西才是值得怀疑的。

两家供应商都没有发布基准测试表。Microsoft-Decision-1 的模型卡描述了其方法论——公开和社区决策基准、内部留出集、准确率和校准误差、选项顺序变化、配对统计检验——并声称该模型“与领先的决策模型表现相当，并且领先于使用相同方法论评估的其他开放决策模型”。那句话下方没有表格。Gemini Decision 1 的发布说明宣布了该模型并链接到 API 文档，而文档列出了支持和不支持的能力，完全没有准确率数字。

这很重要，因为决策模型的整个接口就是一个数字，你的代码会依据它进行分支。聊天模型弱几个点，只会生成更差的文本；而一个校准不当的评分器会悄无声息地把 8% 的工单路由到错误的队列，响应中没有任何内容会告诉你这一点。两家前沿厂商推出了产品，其核心主张——概率的含义就是它字面上所说的那样——只是以文字形式断言，并且仅由第三方来测量。

第三方值得称赞的是，它在同一套工具上测量两者，这正是这一比较得以成立的原因。但一个榜单就是一个榜单，其最大的组成部分有45%是私有数据，而且它给决策模型打分才不过几周时间。请把66和62视为首次外部读数，而不是已确定的能力。

该把哪一个放在你的门槛后面

当决策是工具调用或工作场所文档判断时，当输入是能轻松容纳在 32K token 内的文本时，以及当部署门槛是一份附带统一计费和 Responsible AI 配套方案的 Azure 合同时，选择 Microsoft-Decision-1。它在 When2Call 上的 88.0 和在 EvalSafe-O*NET 上的 86.8 是实实在在的优势，而其显式弃权选项让你可以把“无法判断”的逃生出口设计进选项集，而不是事后硬加上去。

当输入较长、多模态或跨多个问题共享时，当知识问答和幻觉控制是关键时，以及当你愿意为上下文付费时，选择 Gemini Decision 1。它在两个知识组件上都排名第一，并且在 AA-Omniscience 上的非幻觉率为 49.6%，这些是选择它而非更便宜的 Microsoft 模型的原因；而其 33% 的文档通过率则是不选择它进行提取工作的原因。

进行大批量抽取时，两者都不要选。两家超大规模云厂商的评分器都排在占 30% 权重的文档组件的后半段；而在该组件中领先的模型——来自 Nace.AI 的 27B 多模态模型，以及来自 Convai Innovations、可自行微调的 421M 编码器——每任务成本更低，并且在开放权重的情况下，还能用你自己的文档进行训练。

流水线的其余部分不必受制于此。

OrcaRouter 两个模型都不提供。两者都是仅提供概率的端点——一个在 Gemini Developer API 上，一个在 Foundry 上——而且两者都不是 chat-completions 目标，因此我们不列出它们。目录中确实提供的是 TypeSafe 的 typesafe/jev-1.14，这是一个在同一指数上为 66.23 的决策模型；如果你希望评分调用与其他所有内容使用同一密钥，这是一个合理的第三选择。

围绕评分器的那次调用，正是路由器体现价值之处，也是这两款产品刻意未覆盖的那一半。总得有什么来编写评分器据以打分的评分标准，把 60 页的文档总结到 32K token，或者起草要被排序的候选答案——而那个“什么”就是一个生成式模型，其价格和质量每隔几周就会变化。这次调用通过一个端点完成，该端点上有 200 多个模型，按 供应商目录价以 0% 加价透传，并且 当供应商性能下降时自动故障转移，如果你希望多个模型共同组成一个答案，还可以使用路由 DSL。让写作那一半保持可移植，评分决策就仍然可逆；当两家供应商都按季度节奏修订时，这比四个指数点更有价值。

看什么

三种信号本会改变排名，但一个都没出现。一张带有校准曲线的 Microsoft 基准测试表，会让其 Azure 客户能够依据证据设定阈值；而该卡片目前提供的只是方法论和一项主张。为 Gemini Decision 1 提供一个 Vertex AI 上架条目，会使其从 API 密钥采购转变为云合同采购，并彻底改变采购比较。再加上第二个独立委员会对两个模型进行评分，就能告诉我们这四分的差距是信号，还是来自一个已发布三周的排行榜的噪声。

在此之前，站得住脚的判断是：Gemini Decision 1 在“知道何时该拒绝本身就是技能”的那两个组件上表现更好；Microsoft-Decision-1 在工具选择上更好，而且略便宜；两者在文档提取上都处于中游，而大多数企业决策工作负载实际上正由文档提取构成。在任何一个数字能决定任何事情之前，先让你自己标注的 200 个条目分别跑过这两个模型。