
Microsoft-Decision-1.1 登上了 Ignite 主题演讲。它引用的那条基准表述属实,但适用范围很窄。
- Orca新OrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 每百万 tokens · 184 tok/s
- tencent新Tencent: Hy4 Flash2026-11-16$0.02 / $0.07 每百万 tokens · 223 tok/s
- Google新Google: Gemini 4 Carbon2026-11-10$2.00 / $10.00 每百万 tokens · 87 tok/s
- Anthropic新Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 每百万 tokens · 96 tok/s
- orca新Orca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 每百万 tokens · 90 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 每百万 tokens · 131 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 每百万 tokens · 77 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 每百万 tokens · 94 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 每百万 tokens · 114 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 每百万 tokens · 69 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百万 tokens · 94 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百万 tokens · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447智能
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 每百万 tokens · 209 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929智能
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 每百万 tokens · 111 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733智能
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 每百万 tokens · 311 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740智能
Microsoft-Decision-1.1 于 2026 年 11 月 17 日正式发布,距 Microsoft-Decision-1 发布六周,并且完全基于一个不同的基础模型:Gemma 4 26B A4B——微软在自家发布文章中提到的中型混合专家系统,取代了版本 1 进行后训练所基于的 Qwen3.5-9B。这次替换正是本次发布的实质所在。传播更广的那句话来自 Ignite 主题演讲,Decision 1.1 在那里被介绍为“直接集成到你的应用中”的模型路由,随后又用一句话加以佐证——“在 AA Decision Index 上,它击败了 Jev、Google 和 OpenAI。”这三个名字分别对应 Jev 1.14 的 66.2、Gemini Decision 1 的 66.0 和 GPT-6 Luna (Decisions) 的 60.2,而 Microsoft-Decision-1.1 为 67.78。三项比较均正确。
它们也是当前一个列有 25 个条目的排行榜上最讨喜的四模型子集。今晚有十个决策模型得分高于 Microsoft-Decision-1.1,从 74.8 分的 d1.2-ultra,到 72.6 分的 Drex Max v1.1 和 SubQ Snap 1.2,再到 67.9 分的 SubQ Snap 1.1。主题演讲中的那句话并非虚假。它是一次精选比较,却以完整比较的句式呈现出来;这一区别比发布本身更有价值,因为当基准指数第一次在超大规模云厂商的开发者大会上获得一页幻灯片时,发生的正是这种事。
舞台说了什么,董事会又说了什么
微软同日发布的主旨演讲文字记录对此着墨不多。在介绍完一系列编码模型后,话题转向决策:“智能体越来越需要做出决策,尤其是在速度和成本至关重要的场景中。因此,Decision 1.1 将模型路由直接集成到你的应用程序中。而在 AA Decision Index 上,它击败了 Jev、Google 和 OpenAI。”
拆开来看,这是该指数确实支持的四方比较。在由 Artificial Analysis 发布、并于 2026 年 11 月 19 日在此处读取的 Decision Index v2.1 综合评分中,Microsoft-Decision-1.1 得分为 67.78,Jev 1.14 得分为 66.2,Gemini Decision 1 得分为 65.98,GPT-6 Luna (Decisions) 得分为 60.2。差距分别为 1.6 分、1.8 分和 7.6 分。这一点无可争辩。
这句话省略的是它上方那半块排行榜。同一页面把 Microsoft-Decision-1.1 排在第 11 位,而排在它前面的十个条目并非无名之辈:
• d1.2-ultra (Liquid AI) — 74.8,榜单领先者,每百万项任务 133 美元
• Drex Max v1.1 (Nace) — 72.6,售价 103 美元;以及 SubQ Snap 1.2 — 72.6,售价 137 美元
• GLiDE v1.2(Fastino)—— 72.5,价格 $780;Mammoth 27B(Baseten)—— 71.4,价格 $264;d1-ultra —— 70.6
• Decider v1.3(Perplexity)— 70.4,价格 68 美元,Decider v1.2 — 69.8,d1.2 — 68.7,SubQ Snap 1.1 — 67.9
一家厂商挑选三个能为其发布增色的具名竞争对手,这并非丑闻;每篇发布博文都会这么做,而微软格外明确地表示,这些就是它选择点名的模型。真正有意思的是场合。一个专有的第三方指数——其 v2 修订版于 2026 年 11 月 8 日发布,也就是 Ignite 前九天,且基于 45% 的私有数据集构建——在台上被引述为关于微软自家模型某项说法的权威依据。这与厂商基准测试截图属于不同性质的事实,而且它有两面性:它提升了该指数的地位,同时也让该指数处于这样一种境地——被选择性地引用,如今已成为其声誉的一部分。
1 和 1.1 之间到底改变了什么?
抛开演示文稿的包装,工程实现其实很具体。Microsoft-Decision-1.1 并非对十月模型的微调。其基础模型已从阿里巴巴的 Qwen3.5-9B(v1 目录页仍标注其为底座)改为 Gemma 4 26B A4B。微软从成本角度解释了这一选择:活跃参数足以支撑判断,规模又小到可在 A100、H100/200 和 GB200/300 集群上运行。公司将低延迟归功于一款定制推理引擎:它专为评分而非逐 token 生成而构建。
v1 中不具备的能力是图像输入。Microsoft-Decision-1.1 接受文本、JSON 或图像——照片、截图——但仍然拒绝音频、视频以及任何形式的生成解释。问题类型的名称保持不变:noul 用于对是/否陈述给出概率,choice 用于从固定集合中选出一个标签,并为每个选项给出概率,score 用于在有序量表上给出位置。请求会发往以 /providers/microsoft/v1/systemone 结尾的路径,这要么是本季度发布的最不具自解释性的端点名称,要么是在暗示 Microsoft 认为这一类别在技术栈中处于什么位置。
如果你正在迁移,上下文是需要关注的数字:Microsoft 的文档称“输入最多可达 32K tokens”,而 Artificial Analysis 记录到 33k 的窗口。Version 1 也是如此。能读取 40,000 token 合同的决策模型并不在此次发布中。
发布帖中的三项说法,逐条对照看板核实
微软自己的文章提出了三项定量论断,而独立数据对每一项的判定都各不相同。
• “得分为 68”——指数值为 67.78。这是四舍五入,而非虚增,并且这是唯一完全成立的断言。
• “快一倍以上”——版本 1 每个任务耗时 274.25 ms,版本 1.1 耗时 123.25 ms。这是 2.23 倍,并使新模型在榜单上成为第五快的条目,而非第二十快。
• “成本相同”——在 token 层面属实,但在实践中具有误导性。两个版本都标价每百万输入 token 0.042 美元。但实测每百万任务成本,1.1 为 139.64 美元,v1 为 142.56 美元,提升 2%,而非减半。价格相同,账单大致相同,吞吐量翻倍。如果你的约束是延迟而非花费,这次升级很大;如果是花费,这次升级几乎为零。

合成图与营销宣传不再一致之处
Decision Index v2.1 综合指数并非谜团。它由六个加权组成部分构成,Microsoft-Decision-1.1 的 67.78 可以从这些组成部分复现:30% AA-Paperclip、15% EvalSafe-O*NET-AA、10% When2Call、15% AA-Omniscience-Decision v1.1、15% HLE-MultiChoice v1.1、15% AA-Symmetry。相乘再相加,你就会精确得到 67.78。正是这种透明度让各子分数易于解读,而发布叙事的有趣之处正体现在这些子分数上。
• When2Call — 95.08。这是路由测试,也是这组数据中遥遥领先的最强数字。微软的宣传语是“将模型路由集成到你的应用中”,而在恰好衡量这一点的那个组件上,该模型位居榜单前列。
• AA-Paperclip — 58.67 决策得分,36.8% 的文档被完美回答。这是占 30% 的组成部分,包含 1,500 份私有文档,每份承载五项决策和十条事实,按全有或全无评分。版本 1 的通过率为 20.9%。完美文档率提升十五个百分点,是本次发布中最大的单项工程收益,这也是综合得分出现如此大变动的原因。
HLE-MultiChoice v1.1 — 在 6.29% 的原始准确率下取得 46.11 的 Decision Score,非幻觉率为 38.4%。在一项高难度知识测试中,百分之六的准确率算不上优势;Decision Score 之所以还算体面,只是因为模型诚实地承认自己迷失了方向。微软自己的文章称,这些模型“明确尚未针对更难的问题进行调优”,而这一行正是这一承认公之于众的地方。
• AA-Omniscience-Decision v1.1 — 在准确率 33.2%、非幻觉率 49.4% 的情况下得分为 60.46。版本 1 在非幻觉方面得分为 21.7%,因此该模型学会了以大约两倍的可靠性拒答,同时准确率提升了两个百分点。对于决策模型而言,这种取舍就是决定成败的关键。
综合来看,这份概况是自洽的:这是一个速度快、校准良好但知识库浅薄的路由器。那是一个站得住脚的产品。但它不是主题演讲那句话所暗示的产品。

定价,采用账单实际使用的单位
Foundry 为 Microsoft-Decision-1.1 列出了三档输入费率,却完全没有输出费率,因为该模型不产生输出 token:Global Standard 上每百万输入 token 为 0.042 美元,US Data Zone 上为 0.046 美元,EU 和 APAC Data Zone 部署上为 0.05 美元。选择数据区域 SKU,你就要为本地性比标价多付 19%。这正是“最便宜的决策模型”这一说法第一次被悄然修正的地方。
第二个位置是每任务成本列,也就是把 token 价格乘以一项任务实际消耗的输入量后得到的结果。按每百万任务 139.64 美元计算,AA 将 Microsoft-Decision-1.1 在成本方面排在 25 个中的第 15 位——比 344.90 美元的 Gemini Decision 1 便宜,比 14 美元的 Celeris-1.1 Decision 和 68 美元的 Decider v1.3 更贵。该模型速度快,价格处于中等水平。它并不是自己类别中的超值之选,微软也从未声称它是。
这让一支想要这样称呼它的团队处于什么境地
第一方路线是 Foundry:部署模型,然后向决策端点发送一个 状态以及一份类型化问题映射。企业买家会关心的是,Microsoft 已经在 Foundry Evaluations 中将其用作评判器,并在 Copilot 中将其用作路由器;该公司报告称,与大型语言模型相比,同样的路由决策速度提高 2.2 倍、成本降低 4.4 倍——这是来自 Microsoft 自有测试框架的供应商报告数据,未在该框架之外复现。
值得直说的是,OrcaRouter 承载什么、不承载什么。我们不托管 Microsoft-Decision-1.1、Gemini Decision 1,或任何决策评分端点,因为仅提供概率的 API 并不是聊天补全目标,若假装并非如此,那就会成为那种读起来漂亮、在生产中却会崩掉的可用性声明。我们确实承载的是决策流水线中负责生成的那一半——而观察本次发布的一个窗口异常直白:Gemma 4 26B A4B,即 Microsoft 微调所基于的精确基础模型,已在我们目录中,价格为每百万输入 $0.06、每百万输出 $0.33,与价格为 $0.042 的 Jev 1.14 并列,而 Microsoft-Decision-1.1 正是以该模型为基准进行衡量。如果你想看看决策行为中有多少来自基础模型、多少来自后训练,那么这一比较的两端都可以通过一个密钥访问,按提供商标价、0% 加价直通。

接下来看什么
有两件事现在可以公开检验,而上周还不能。第一,决策指数是否仍会出现在主题演讲屏幕上:一旦供应商开始在自己的标识下标价引用某个基准,它就会变成一份采购文件,而下一个这样做的供应商会引用另一个四模型子集。第二,当榜单扩大时,Microsoft-Decision-1.1 能否守住其路由位置——When2Call 占 10% 权重,并贡献了该模型相对 Gemini Decision 1 的大部分领先优势,这意味着一次常规的指数修订对排名的影响,可能比任何模型更新都更大。
目前,准确的说法比幻灯片上的范围更窄,也更有用:Microsoft 发布了一个决策模型,在相同 token 价格下速度是前代的两倍,校准明显更好,新具备读取图像的能力,仍上限为 32K token,对其不知道的东西很坦诚,并且在唯一对其进行排名的独立榜单上位列第十一。主题演讲说它击败了 Google 和 OpenAI。确实如此。只是它没有击败所有人。
