Microsoft-Decision-1 与 Gemma 4 12B：一个从你的列表中挑选，一个为你写一个新的
- Orca新Orca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 每百万 tokens · 69 tok/s
- openai新OpenAI: GPT-6.1 Sol2026-09-2952智能
- anthropic新Anthropic: Claude Sonnet 5.52026-09-2856智能
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 每百万 tokens · 120 tok/s
- OpenAIOpenAI: GPT-6 Luna2026-09-2238智能
- OpenAIOpenAI: GPT-6 Sol2026-09-2248智能
- AnthropicAnthropic: Claude Opus 5.52026-09-2258智能
- xAIGrok 4.72026-09-2146智能
- OrcaOrca: OrcaCyber Zero 1.02026-09-17$3.00 / $7.50 每百万 tokens · 52 tok/s
- OrcaOrca: OrcaVerify Text 1.02026-09-16$2.00 / $0.00 每百万 tokens · 423 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-09-1040智能
- OpenAIOpenAI: GPT-6 Astra2026-09-0453智能77代码
- GoogleGoogle: Gemini 3.8 Flash2026-09-0241智能76代码
- AlibabaQwen: Qwen3.8 Max (0902)2026-09-0245智能76代码
- AnthropicAnthropic: Claude Fable 5.12026-09-0153智能82代码
- TencentTencent: Hy4 preview2026-08-28$0.83 / $2.50 每百万 tokens · 60 tok/s
- AlibabaQwen: Qwen3.8 Flash2026-08-26$0.15 / $0.47 每百万 tokens · 367 tok/s
- z-aiZ.ai: GLM 5.3 Flash2026-08-2642智能72代码
- DeepSeekDeepSeek: DeepSeek V4 Flash Vision (Exp)2026-08-21$0.22 / $0.66 每百万 tokens · 231 tok/s
- z-aiZ.ai: GLM 5.32026-08-1845智能75代码
将Microsoft-Decision-1与Gemma 4 12B并排放在一起，真正决定一切差异的并不是规模、准确率或许可证——而是模型读完你的输入之后所发生的事。Gemma 4 12B 是 DeepMind 于 2026 年 6 月 3 日在 Apache 2.0 许可下发布的无编码器多模态模型，拥有 119.6 亿参数，能读取文本、图像、音频或视频，然后在 256,000 token 的上下文窗口内、以 140 多种语言逐 token 为你写出答案。Microsoft-Decision-1 则于2026 年 10 月 8 日在 Microsoft Foundry 上正式全面可用，它是一个基于 Qwen3.5-9B 后训练而成的纯文本评分器：你交给它一个状态和一个答案已被你预先枚举好的问题，它便在单次处理最多 32,768 个 token 的过程中，为每个选项返回一个校准过的概率，而不生成任何内容。一个模型告诉你，你的哪个选项是对的；另一个模型告诉你，这些选项本应是什么——并按其中每一个字向你收费。
把这界定为一场竞赛会是范畴错误，而这一点值得在规格条目之前就说清，而不是之后再说。这两者并非彼此的替代品；它们处在同一条工作流的两端。真正有用的问题是：你实际在构建的是哪一端，因为答案决定了你买到的是一位裁判，还是一位写手。
法案正是分歧不再停留于哲学层面的地方
Gemma 4 12B 的计费方式与所有生成式模型一样：输入 token 和输出 token，两者都计费。当你要求它输出结构化 JSON 时，那个 JSON 的每个字符都会被生成、采样并计费——你的 schema 嵌套得越深，答案就越长，这个账单项也就越大。这不是模型的缺陷。解码器就是这么工作的，而这正是决策头旨在删除的那个账单项。
Microsoft-Decision-1 没有需要计费的输出端。它对你的状态、你的问题和你的选项集执行一次前向传播，为每个候选项读出一个分数，然后返回。其影响是随数据量而非提示词规模累积的：一条用 Gemma 4 12B 为上万条记录打标签的流水线会产出上万份 JSON 文档，而同一条流水线换用决策评分器，则只会产出上万个提示词，别无其他。绝对节省额是否可观，完全取决于你的数据量和架构（schema）的臃肿程度，任何有按 token 预算的人都能在一张电子表格里算清楚。方向毋庸置疑。
还有第二处、较小的不对称：微软没有在 Microsoft-Decision-1 模型页面上标出费率。定价部分外链到微软自家的定价界面，因此每次决策的成本是你从 Azure 上读到的，而不是从模型卡上读到的。该页面确实明确的一点是：调用中 0% 是输出 token，并且批处理推理已被禁用——你无法像使用生成式模型那样，通过批处理通道来摊薄大规模评分运行的成本。
同样的输入，两种不同的答案
给两个模型一个客户支持工单和一个问题。Microsoft-Decision-1 会返回类似这样的结果：“账单”为 0.83，“技术”为 0.11，“取消”为 0.04，“无法判断”为 0.02。你得到了一个可命名的标签、一个可以据以设定阈值的数值，以及一条弃权路径——Microsoft 的文档说明，当所提供的证据不足时，支持一种“无法判断”式的选项，这正是使升级逻辑得以运作的原因。但你得不到的是理由。
把工单交给 Gemma 4 12B，你就能得到一段话。它能通过可配置的思考对请求进行推理、调用函数、读取附在工单上的扫描发票、转写钉在工单上的语音留言，并用客户自己的语言作答。上述每一项都是 Decision-1 无法以任何准确度做到的：它的输入面只有文本，别无其他，并且它明确不是为开放式问答、对话、翻译或摘要而设计的。
Gemma 4 12B 的任何输出都不是概率。你让它给出一个带置信度的路由决策，得到的会是一段包含数字的文本，而这个数字是采样器生成的任意结果，而不是对你所提供的选项集做 softmax 的结果。如果下游阈值依赖于这个数字具有实际含义，那你面对的就是一个校准项目，而不是一个评分器。
你的问题是否有一个闭集，全在于此
这是在做其他任何事情之前都要进行的测试，用白板大约需要十分钟。
• 如果你的答案取自一份可以事先枚举的列表——一个标签、一个评级、一个是/否、一个评分标准分数、一条路线——那么 Microsoft-Decision-1 才是正确的工具，而 Gemma 4 12B 是从该列表中挑选的一种浪费且更不可靠的方式。你等于是在花钱让一个解码器去猜一个你早已限定范围的数字。
• 如果你的答案不是一个封闭集合——总结这个、解释那个、撰写回复、描述图表——Microsoft-Decision-1 无论如何都帮不上忙。它没有通往成篇文字的路径，没有理由字段，也没有任何机制来生成你未列为选项的任何内容。
• 如果两者兼具，那你拥有的就不是一个选择，而是一条双模型流水线，真正有趣的设计问题随之变成：升级阈值归谁所有。由评分器设定阈值；写作者则填充阈值之上和之下分别会发生什么。
在 Gemma 4 12B 完全属于另一种运动的地方
在决策框架之外，Gemma 4 12B 并未在某一维度上领先——它玩的是另一种游戏，假装不是这样就是不诚实的。
• 模态 —— Microsoft-Decision-1 仅支持文本输入、数值输出。Gemma 4 12B 通过无编码器设计原生支持文本、图像、音频和视频，将原始图块与波形直接投影到嵌入空间，并支持任意顺序的交错输入。
• 上下文 — Microsoft-Decision-1 为 32,768 个 token，而 Gemma 4 12B 为 256,000 个；后者在 Google 自己的模型卡上，于 128k 的 MRCR v2 八针测试中得分 43.4%。
• 语言 — Microsoft-Decision-1 支持 25 种语言，Microsoft 警告称覆盖范围、质量和校准“可能因语言而异”，并将低资源非英语语言列为薄弱环节；Gemma 4 12B 支持 140 多种语言，在此规模下的评估 MMMLU 值为 83.4。
• 已公布的性能——Microsoft-Decision-1 的“基准测试”标签页只载有测试方法，没有任何数据；Google 则为 Gemma 4 12B 公布了 77.2% 的 MMLU Pro、77.5% 的 AIME 2026（不使用工具）、72.0% 的 LiveCodeBench v6、78.8% 的 GPQA Diamond、69.1% 的 MMMU Pro 以及 79.7% 的 MATH-Vision。
• 分发方式 — Microsoft-Decision-1 是仅在 Foundry 上提供的托管 API，没有权重、没有下载，也没有微调途径。Gemma 4 12B 则是 Apache 2.0 权重，发布首日便已进入 LM Studio、Ollama、llama.cpp、MLX、vLLM、SGLang 和 Unsloth 的生态。
• 运行时——决策评分只需一次前向计算，没有解码循环，因此延迟随提示长度而非答案长度增长；Gemma 4 12B 逐 token 生成，而 Google 的发布资料将其定位在 16 GB 显存或统一内存。
基准测试那一行才是最值得停下来细看的，而且是从对微软最不有利的角度。Gemma 4 12B 的数字同样是厂商自报的——但它们背后已有数月的第三方使用，在公开评测框架上，在其他人拥有的硬件上。微软在这个类别中的产品是两者中最新、也最难以验证的，尽管它来自规模更大的公司。
实际调用每一个需要你付出多少成本
Gemma 4 12B 的 12B 形态不在我们的目录中——如果你想要的就是这个规模，你得自行获取 119.6 亿个 BF16 参数并自行部署。我们目录中提供的，是 Gemma 4 系列的其余型号，而且价格不贵：Gemma 4 26B A4B 每百万输入 token 0.06 美元，每百万输出 0.33 美元，以及 Gemma 4 31B 为 0.13 美元和 0.38 美元，两者都标注 262,144 token 上下文。这些是供应商标价，由我们这边原样传递，不额外加价，通过一个与 OpenAI 兼容的密钥提供，并与 200 多个其他模型并列。如果你要解决的问题是一般推理，而不是封闭集决策，那么用这两个规模中的一个来对照自建评分器进行衡量，是便宜的做法——而如果你不想绑定到单一写入方，自动故障转移能在某个提供商性能下降时，保持评分循环中生成环节的存活。
Microsoft-Decision-1 是您自行预配的 Foundry 部署，并不通过我们提供。本文中的任何内容都不构成对其可用性的声明，无论从哪一方来看都是如此。
最重要的一点
Microsoft-Decision-1 于 2026 年 10 月 8 日在 Microsoft Foundry 上正式发布：这是一个基于 Qwen3.5-9B 的纯文本、32,768 token 的评分器，对你列出的选项返回校准后的概率，输出 token 为零，不开放权重，也没有公布基准测试数据。Gemma 4 12B 是 2026 年 6 月 3 日以 Apache 2.0 许可发布的一个 11.96B 的无编码器多模态通用模型，能够推理、读取图像和音频，并在 256,000 token 的范围内写出答案。要根据答案的形态来选择，而不是根据参数量：封闭集合属于评分器，开放集合属于写作模型，而花钱让解码器从你已经写好的列表中进行选择，是团队花掉十倍于一次决策成本的最常见方式。
我们的目录确实收录了 Gemma 4 系列的其他型号，而且价格低廉：Gemma 4 26B A4B 的价格为每百万输入 token $0.06、每百万输出 token $0.33，而 Gemma 4 31B 则为 $0.13 和 $0.38。
