为文章生成的标题卡,标题为“MAI Decision 1 实际上是 Decision 1.1”,副标题为“而 200 倍这一标题并非出自微软”,分为两个圆角面板,分列于加粗的“vs”圆盘两侧。左侧面板“流传的帖子”列出“快 10 倍”“便宜 200 倍”“对比通用模型”和“未指明基线”;右侧面板“微软自己的说法”列出“快 50 倍”“便宜 79 倍”“对比 GPT-Sol 6.1”和“指明基线”。页脚写着“独立核查:在 AA Decision Index v2.1 上为 67.78,在 18 个排名模型中位列第八。”OrcaRouter 标志合成在图像下方的白色条带中。
Guides & Insights

MAI Decision 1 实际上是 Decision 1.1——而那个 200 倍的头条并不属于微软

作者

Gideon Frost

发布日期

最新模型 · 20查看全部模型 →
基准测试:Artificial Analysis · 每日更新
返回全部文章

关于MAI Decision 1的两个数字在 2026 年 11 月 17 日流传开来:它比通用模型快 10 倍、便宜 200 倍。这两个数字在微软自己的公告中均未出现。微软在 Ignite 上实际发布的模型是Microsoft-Decision-1.1,而该公司公布的说法是:它比 GPT-Sol 6.1 快 50 倍、便宜 79 倍——针对的是一个具体点名的模型、在特定的测试框架下,而不是针对"通用模型"。这个差距值得放在开头,因为它关乎的是营销比率与可核查数字之间的区别。以下是实际发布的内容、微软记录在案的内容,以及一个独立评测榜单对它的定位。

首先,是名字。

微软的资料从未使用字符串“MAI Decision 1”。Ignite 阵容文章称该模型为 Decision 1.1,Foundry 博客称其为 Microsoft-Decision-1.1,而 Foundry 目录中的模型卡也使用同一名称。“MAI Decision 1”这一标签来自第三方对主题演讲的报道,同时还出现了“MAI Code 2”“MAI Code 2 Flash”和“MAI Cyber 2 Flash”——它们属于同一系列,是观察者而非厂商重新命名的。

这一点有一个实际原因:Microsoft-Decision-1.1并不是微软推出的首个决策模型。Microsoft-Decision-1于 2026 年 10 月 8 日在 Foundry 上正式可用,基于 Alibaba 的 Qwen3.5-9B 构建,仅支持文本,发布时未公布基准测试数据。11 月 17 日到来的是同一产品线的 1.1 版本,采用了不同的基础模型、多模态输入,并且性能表现说明要完整得多。除非另有说明,否则你读到的任何关于“MAI Decision 1”的内容都应视为是在讲 1.1。

盒子里实际上到底是什么?

接口约定在形态上未变,但适用范围大幅拓宽。你发送一个状态——文本或 JSON——外加一个或多个带类型的问题,每个问题都有一组固定选项,返回的是概率而不是散文。文档中记录了三种问题原语:是/否(在 API 中为“noul”)、从带标签的集合中选择,以及在有序层级上打分,其返回值是各层级索引的概率加权平均值。一切都在一次调用、一次传递中完成,没有解码循环。

1.1 有哪些新内容:

{{1}}基础模型{{/1}} — Gemma 4 26B-A4B,Google 的开放权重混合专家模型,由 Microsoft 进行后训练。版本 1 是在 Qwen3.5-9B 上进行后训练的。

• 输入——文本和图片。版本 1 仅支持文本。

• 图像处理 — PNG 或 JPEG,每条边 280 到 1,568 像素,每个问题最多 8 张图像,包括从状态中引用的任何图像,处理后的像素总数上限为 645,120。服务会调整为固定工作尺寸,因此上传更大的图像不会消耗更多 token。

• 上下文 — 状态与问题组合的输入 token 数为 32,768,与版本 1 的上限相同。

• 语言——在 25+ 种语言中进行了训练和评估,而基础模型直接支持 35+ 种语言。Microsoft 明确表示,基础模型的覆盖范围并不能证明每种语言都经过了验证的校准。

• 服务方式——是决策端点而非聊天补全:请求会发送到你 Foundry 资源上的 /providers/microsoft/v1/systemone,并在 model 字段中填入部署名称。Microsoft 表示,它运行的是专为决策工作负载编写的自定义推理引擎,而不是文本生成技术栈。

• 价格 — Global Standard 区域为每百万 token $0.042,EU 和 APAC 数据区为 $0.05。与版本 1 相同,并且决策调用按输入 token 计费,因为实际上没有输出可供计费。

• 训练窗口期——根据模型卡,2026 年 10 月至 11 月。

• 权重 — 无。这是 Foundry 的“Direct from Azure”产品组合中的托管模型。没有下载途径,也没有微调路径。

排除项与功能项一样直白地说明,而且它们仍然定义着产品。Microsoft-Decision-1.1 不用于文本生成、开放式问答、对话、翻译或摘要,也不用于需要输入中不存在知识的任务。它不生成理由。响应只包含概率,没有任何可以作为解释展示给用户的内容,这意味着解释由你负责,阈值由你决定:0.7 会升级,0.95 不会,而这条界线由应用设定,而不是供应商。

关于速度与成本的两项说法,以及其中哪一项经得起审视

流传中的说法——“比通用模型快10倍、便宜200倍”——并没有明确的参照对象。与一个未具名模型相比得出的比值无法复现;而微软已发布的两项确实点出了比较对象的对比,既更窄,又更大。

Ignite 的帖子称,Decision 1.1“比 GPT-Sol 6.1 快 50 倍、便宜 79 倍”。Foundry 的发布帖称,它“速度是我们第一个模型的两倍多,而成本相同”,并给出了一个 Copilot 示例:在 Copilot 和 Cowork 之间进行路由,准确率与大语言模型相同,速度快 2.2 倍,成本低 4.4 倍。这些是供应商在微软自有流量和微软自有测试框架上进行的测量。它们没有错;它们是有范围限定的。50 倍和 79 倍这两个数字针对的是某一竞争对手在某一类路由决策上的表现,而不是泛指决策模型。

其中一项说法可以对照第三方进行核验,而且成立。Artificial Analysis 在其 Decision Index v2.1 上测得 Decision 1.1 为每任务 123.25 毫秒,而 Microsoft-Decision-1 为 274.25 毫秒。也就是 2.23 倍,这正是“速度超过两倍”的含义。成本说法也站得住脚,但以一种被削弱的形式:AA 计算得出,1.1 每百万任务为 139.64 美元,而版本 1 为 142.56 美元——便宜约 2%,并非同价,因为即便每 token 费率相同,两个版本每任务使用的 token 数也不同。“成本相同”就价目表而言是准确的,而对账单来说则略偏乐观。

它的排名位置,以及微软所提主张的形态

Microsoft 的发布文章称,Decision 1.1“得分为 68,比我们的首个模型高六分,并领先于 Jev 1.14、Google 的 Gemini Decision 1 以及 OpenAI 的 GPT-6 Luna (Decisions)”。在 2026 年 11 月 18 日读取的 Artificial Analysis Decision Index v2.1 上,这其中的每一部分都属实。Decision 1.1 为 67.78。Jev 1.14 为 66.23,Google 的 Gemini Decision 1 为 65.98,GPT-6 Luna 为 60.25。Version 1 为 62.07,因此六分的提升也是真实的。

这句话没有说明的是,该模型在完整榜单中处于什么位置。它在榜单上排名第八,落后绝对领先者七分,领先微软点名的模型1.5分:

• 74.85 — d1.2-ultra(Liquid AI)

• 72.62 — Drex Max v1.1 (Nace.AI)

• 72.58 — SubQ Snap 1.2(次二次)

• 72.52 — GLiDE v1.2(Fastino)

• 71.36 — Mammoth 27B(Base Labs)

• 70.41 — Decider v1.3(Perplexity)

• 68.69 — d1.2(Liquid AI)

• 67.78 — Microsoft-Decision-1.1

A screenshot of the Artificial Analysis Decision Index v2.1 leaderboard page, headed 'Artificial Analysis Decision Index v2.1' with the subheading describing a composite index testing decision models across document decisions and extraction, tool calling, knowledge, reasoning and invariance, and the constituent evaluation labels AA-Paperclip, EvalSafe-O*NET-AA, When2Call, AA-Omniscience-Decision, HLE-MultiChoice and AA-Symmetry.

{{1}}有七个模型的得分更高{{/1}},而且{{2}}领先者领先7.1分{{/2}}。微软的另一项说法——“{{3}}在八个决策模型中平均准确率最高{{/3}}”——依据的是其自有的涵盖102项基准、38.5万个问题的内部测试套件;这是关于微软自己选定领域的陈述,厂商发布这样的内容很正常,但把它当作排名来解读则很糟糕。{{4}}独立评测范围涵盖多达18个排名模型{{/4}},微软位列该范围的上半区。

子分数比综合分提供的信息更多,因为它们显示了后训练究竟带来了什么。在 AA 的六项组成评测中,Decision 1.1 在 When2Call 工具调用上得分 95.1,在 EvalSafe-O*NET 上得分 88.8,在 symmetry 上得分 75.7,在 AA-Paperclip 文档决策上得分 58.7,在 omniscience 上得分 60.5,在 HLE 多项选择上得分 46.1。其准确率指数为 48.45,而版本 1 为 40.59;其 Brier 分数——即校准度量,越低越好——从 0.1965 改善至 0.1604。Brier 分数的这一变化是本次发布中最有意义的数字:它表明概率变得更接近真实,而这是让对决策模型进行阈值化成为合理工程选择的唯一属性。

A generated single-column scoreboard card titled 'Microsoft-Decision-1.1 — the scoreboard' with six rows: AA Decision Index v2.1 67.78, eighth of eighteen; latency per task 123 ms; cost per million tasks 139.64 dollars; Brier score 0.160, lower is better; input context 32,768 tokens; price per million input tokens 0.042 dollars. The footer reads 'Index, latency, cost and Brier per Artificial Analysis v2.1, read 18 November 2026; price per Microsoft Foundry's list.' The OrcaRouter logo is composited in the white strip below the artwork.

基础模型的切换才是真正的关键。

版本 1 是对 Qwen3.5-9B 的后训练,这是一个稠密的 9B 模型。版本 1.1 是对 Gemma 4 26B-A4B 的后训练,这是一个专家混合模型,约有 4B 激活参数。微软自己的解释关乎服务经济性而非质量:激活参数足以支撑判断力,模型又足够小,可跨 A100、H100/200 和 GB200/300 机群运行,并搭配一个定制引擎,在 GPU 池中调度请求,其权衡依据是成本,而不仅仅是延迟。

随之而来有三个后果,而它们正是平台团队应当关注的。第一,拥有 4B 激活参数的 MoE 每次调用的服务成本很低,恰恰是因为模型的大部分都处于空闲状态——123 毫秒就来自这里。第二,这次切换重置了语言和校准方面的说法:基座变了,25 种语言的说法针对的是新基座,而你在版本 1 上测得的任何校准都无法迁移。第三,基座的许可归 Google,而后训练模型归 Microsoft 且仅提供托管服务——因此开放权重的血统在运营上对你毫无帮助。你无法下载这个模型,而基座开放也改变不了这一点。

一次通话的费用,按你实际支付的单位计算

按每百万输入 token 0.042 美元计算,一次携带 1,200 token 工单和三选项问题的路由调用成本约为 0.00005 美元——即一美分的百分之五。按价目表,一百万次这样的调用大约花费 50 美元;AA 实测的每百万任务 139.64 美元更高,因为其任务比支持工单更长,这也提供了一个有用的提醒:按 token 计价和按任务计费是不同的单位,而后者才是预算审查中会出现的那个。

让这笔经济账变得清晰可读的对比,是拿它和一个在 JSON 模式下完成同样工作的通用模型相比。你要为它的输出 token 付费——对于结构化答案,每次调用是几十到几百个 token,而不是零——还要为它在回答前进行的推理付费。这就是微软用 79 倍所描述的差距;即使确切的倍数取决于厂商选择什么作为基线,这个差距也是真实存在的。

尴尬之处一如既往,仍然出在单一供应商的托管评分器上:只有一份价格表、一套速率限制和一种区域方案。Foundry 提供 Global Standard 和 Data Zone Standard 部署,而 Data Zone 变体贵 19%,价格为每百万 token 0.05 美元。如果你的工作负载对延迟敏感,文档建议将 Foundry 资源与应用程序同地部署;这是诚实的建议,同时也告诉你,这个模型并不神奇——它只是队列背后的一个小型 MoE。

无需重建技术栈即可实现

Decision 端点本身不在 OrcaRouter 的目录中,它的前身也不在——Microsoft 仅通过 Foundry 提供此模型,别无他处。目录中按提供商标价、0% 加价直通的,正是你在购买前为这项决策定价所需的两个对象。Gemma 4 26B A4B 是后训练模型的基础版本,按每百万输入 token $0.25、每百万输出 token $2.90 计费;它是基础版本而非后训练版本,因此不会返回 Decision 1.1 的校准概率,但它具有相同架构,并且是这种形态的通用模型成本的诚实下限。Jev 1.14,Microsoft 在独立榜单上点名并以 1.55 分优势击败它,输入和输出均为每百万 token $0.042。

这种组合在评估阶段很有用,在生产阶段则不然。如果你正在判断某个决策模型究竟是否应该纳入路由路径,那么在你还完全没有开通 Azure 部署之前,就可以用一个密钥、在你自己的已标注工单上对两个可路由端点做基准测试,并在各提供商之间自动故障转移。如果答案是肯定的,而且数据更支持 Decision 1.1,那就把它部署到 Foundry 中,并让路由器保持在前面——决策调用和生成调用共用同一个端点,这样决策模型的速率限制就不会变成你的应用故障。

A screenshot of the OrcaRouter model page for typesafe/jev-1.14, showing the OrcaRouter navigation, a models breadcrumb for the typesafe vendor, the model name typesafe/jev-1.14, HF and ZDR badges, a Data retention panel noting that Zero Data Retention is available and that with ZDR on requests go only to providers, and the page's Code samples and Pricing sections.

谁应该现在行动,谁又应该再等两周?

如果你已经在付费让通用模型做分类、评分或把关,而且调用量高到每次调用的成本能在图表上明显看出来,那就现在就迁移过来。123 毫秒的中位数和 0.042 美元的价格,相比让前沿模型做同样的判断是直接的胜利;而多模态输入则决定了你的评分器能否直接对着截图使用。

如果你的决策涉及人——信贷、就业、住房、保险、医疗、法律——就要暂缓,因为 Microsoft 自己的卡片就说了,不要在那里把它当作唯一的决策者,而 1.1 中没有任何内容改变这一点。如果你需要的是你能为之辩护的校准,也要暂缓:1.1 的 Brier 分数 0.160 是一种改进,不是保证,而且文档坦率地指出,分数会随措辞和选项顺序而变化。用你自己的标签进行验证,随机化选项顺序,并依据两类错误的代价来设定阈值,而不是依据供应商的图表。

对11月17日的诚实总结,比200倍的标题更不起眼,也更有用:Microsoft 发布了一款更快、多模态、校准更好的决策评分器,其价格让按请求逐一判断变得可负担,而且它足以进入一个独立评测领域的上半区,而不是位居榜首。模型是真的。推文里的比例不是。