Gemini Decision 1 對上 Microsoft-Decision-1：兩大超大規模雲端業者的評分器，相差四分

目前兩家最大的雲端供應商都推出了一種以機率、而非以句子作答的模型，而且兩家都不願說明它運作得有多好。Microsoft-Decision-1已於 2026 年 10 月 8 日在 Microsoft Foundry 正式推出：以 Qwen3.5-9B 為基礎、由 Microsoft 進行後訓練，輸入文字，上下文長度為 32,768 個 token，輸出經校準的機率分布，但不發佈權重。Gemini Decision 1則於 2026 年 11 月 11 日在 Gemini Developer API 上推出：輸入文字、圖像、影片、音訊與 PDF，上下文長度為 262,144 個 token，每次請求最多可提出 1,000 個具型別問題，每百萬輸入 token 收費 0.10 美元，同樣不發佈權重。兩者都附上方法論章節，卻沒有結果表，這使得一個獨立評測工具成為唯一能比較它們的地方——Artificial Analysis；在那裡，兩者相差四分，分別位居十八個模型中的第九與第十。

四分並不是有意思的差距。有意思的差距在於：在大多數決策模型實際被採購時所依據的評估上，兩者只相差五分，卻都位居該領域的後段；而在整體排名中勝出的模型，則是在完全不同的地方取勝。

每個分別呈現在你面前的東西

這些請求形式的相似度夠高，為其中一種撰寫的用戶端只需一個下午就能改寫成另一種；但差異也夠大，通常在任何基準測試被拿來參考之前，選擇就已經做出了。

• 輸入 — Gemini Decision 1 可接受文字、圖像、影片、音訊與 PDF，每次內嵌請求最多 100 MB，每個外部 URL 最多 15 MB。Microsoft-Decision-1 可接受文字，並序列化為 32,768 個 token。掃描表單或通話錄音對前者而言是原生輸入，對後者則是前處理作業。

• 上下文 — Gemini Decision 1 有 262,144 個詞元，由輸入與每個問題共用。Microsoft-Decision-1 則有 32,768 個，由輸入加上選項集耗用，且沒有生成預算可扣除，因為沒有生成。

• 題型 — Gemini Decision 1 正式定義了三種：是/否，範圍限定在 0.01–0.99；在 2 至 255 個具名選項中擇一；以及在 2 至 255 個有序等級上評分，並回傳依機率加權的預期等級。Microsoft-Decision-1 涵蓋是/否、多選、評分、分類與規準評分，並明確支援在選項集中加入「無法判斷」這類棄答選項。

• 單次請求內批次處理 — Gemini Decision 1 最多可處理 1,000 個獨立問題，每個問題彼此隔離，且全部共用對共享輸入的一次計費讀取。Microsoft-Decision-1 公布的合約是每次叫用一個狀態及其問題集，因此廣度來自將問題分組，而非來自文件記載的單次請求上限。

• 價格 — Gemini Decision 1 每百萬輸入 token 為 0.10 美元，由於輸出為零 token，因此不收取輸出費用。董事會記錄其為每百萬任務 345 美元，而 Microsoft-Decision-1 依其追蹤的輸入費率，記錄為每百萬任務 143 美元。

• 存取——Gemini Developer API 僅提供 v1beta 版本，免費方案為每分鐘 200 次請求、每日 10,000 次，Tier 2 起每日請求數量不限，且 Google 隨附的文件中並未列出 Vertex AI。Microsoft-Decision-1 則是 Direct from Azure 產品組合下的 Foundry 部署，提供無伺服器與統一端點選項、標準 SKU、Azure 驗證與單一計費路徑，批次推論已停用，且不提供權重下載或微調路徑。

存取途徑是做出採購決策、而非技術決策的地方。如果你的組織是透過 Azure 承諾額度採購，Microsoft-Decision-1 就是一張你們早已知道如何付款的發票。如果是透過 Google Cloud 採購，Gemini Decision 1 目前則不是——目前有文件記載的唯一入口是 Gemini API key，那屬於不同的預算項目，對某些企業來說，也涉及不同的核准流程。

計分板，逐一拆解每個元件

Artificial Analysis 的 Decision Index 會將每項評估評分為準確率減去針對答案所附信心度計算出的 Brier 懲罰，並依六個組成部分加權。以下是兩個模型如何分配這些組成部分：

• AA-Paperclip，30% 權重 — Gemini Decision 1 以 56.8 對上 Microsoft-Decision-1 的 51.8。兩者皆屬偏弱。全有或全無的文件通過率為 Gemini Decision 1 的 33%、Microsoft-Decision-1 的 20.9%，而該領域領先者則為 63%。這兩家超大規模雲端業者的模型都無法可靠地從高密度文件中擷取十五項事實。

• EvalSafe-O*NET-AA, 15% — 87.1 對 86.8。兩者實際上相同，且都接近一個分數緊密聚集的群體頂端。

• When2Call，10%——80.5 對 88.0。Microsoft-Decision-1 在這一項明顯勝出，位居領先群附近；Gemini Decision 1 在十八個中排名第十四。

• AA-Omniscience-Decision v1.1, 15% — 66.3 對 54.9。Gemini Decision 1 在該領域中拿下第一；其 49.6% 的非幻覺率正是原因。Microsoft-Decision-1 在此回報 21.7% 的非幻覺率，這個數字應該讓任何打算對其棄答設定門檻的人感到擔憂。

• HLE-MultiChoice v1.1，15% — 48.7 對 39.4。第一名對第十一名。原始準確率為 13.2% 對 8.6%，非幻覺率則為 35.7% 對 15.1%。

• AA-Symmetry v1.1，15% — 70.5 對 70.4。勢均力敵，兩者皆位居中游，分別在 38.3% 與 51.7% 的題型家族中，於重排與否定下仍維持相同答案。

綜合得分落在 65.98 與 62.07，排名第九與第十。讀懂各項組成指標後，每款產品的輪廓就清晰可見。Microsoft-Decision-1 在工具呼叫與職場判斷上是穩健的得分者，但其知識與棄答行為偏弱。Gemini Decision 1 則相反：擁有榜上最佳的知識與棄答分數，但搭配中等水準的擷取表現，以及糟糕的工具選擇辨識力。

他們共同擁有的東西，才是值得懷疑的地方。

兩家供應商都沒有公布基準測試表。Microsoft-Decision-1 的模型卡說明了其方法論——公開與社群決策基準、保留的內部資料集、準確度與校準誤差、選項順序變換、配對統計檢定——並聲稱該模型「與領先的決策模型表現相當，且優於以相同方法論評估的其他開放決策模型」。那句話下方並沒有表格。Gemini Decision 1 的發布說明宣布了該模型並連結到 API 文件，而文件中列出支援與不支援的能力，完全沒有任何準確率數字。

這件事很重要，因為決策模型的整個介面就是一個數字，你的程式碼會依據它分支。一個弱了幾分的聊天模型只會產出較差的文句；但一個校準失準的評分器會默默把你 8% 的工單導向錯誤的佇列，而回應中完全沒有任何東西告訴你。兩家前沿廠商推出了產品，其核心主張——機率就是它字面上的意思——僅以文字宣稱，且只由第三方測量。

值得肯定的是，第三方是用同一套工具來衡量兩者，這正是這項比較得以成立的原因。但一個榜單就是一個榜單，其最大組成部分是 45% 的私有資料，而且它對決策模型進行評分也只有幾週時間。請把 66 和 62 視為第一份外部讀數，而非已定論的能力。

哪一個要放在你的門檻後面？

當決策是{{2}}工具呼叫{{/2}}或{{3}}職場文件判斷{{/3}}、輸入文字能舒適地容納於 32K 個 token 內，且部署閘門是{{4}}附有統一計費與負責任 AI 套件的 Azure 合約{{/4}}時，請選擇 {{1}}Microsoft-Decision-1{{/1}}。它在 {{5}}When2Call 上的 88.0{{/5}} 與 {{6}}EvalSafe-O*NET 上的 86.8{{/6}} 是實實在在的優勢，而其明確的棄權選項讓你能在選項集中設計一個「無法判斷」的逃生口，而不是事後才硬加上去。

當輸入很長、多模態，或跨多個問題共用，當重點在於知識問答與幻覺控制，且你願意為上下文付費時，就選擇 Gemini Decision 1。它在兩項知識組成部分都拿下第一名，以及在 AA-Omniscience 上達到 49.6% 的非幻覺率，是選擇它而非較便宜 Microsoft 模型的原因；而它 33% 的文件通過率，則是不選它來做擷取工作的原因。

若要在大量擷取時使用，這兩者都別選。兩家超大規模雲端業者的評分器都落在佔權重 30% 的文件元件後半段；而在該處領先的模型——來自 Nace.AI 的 27B 多模態模型，以及 Convai Innovations 的 421M 編碼器（你可以自行微調）——每項任務成本更低，且在開放權重的情況下，還能用你自己的文件來訓練。

管線的其他部分不必受制於這件事

OrcaRouter 兩者都不支援。兩者都是僅提供機率的端點——一個在 Gemini Developer API 上，一個在 Foundry 上——而且兩者都不是聊天補全目標，所以我們不列出它們。目錄中確實有 TypeSafe 的 typesafe/jev-1.14，這是一個在此同一指數上得分 66.23 的決策模型；如果你希望評分呼叫與其他所有項目使用同一把金鑰，這會是合理的第三個選項。

圍繞評分器的這段呼叫，正是路由器展現價值的地方，而這也是這兩項產品刻意不去處理的另一半。總得要有東西來撰寫評分器據以評分的評分規準、把 60 頁的文件濃縮到 32K 個 token，或起草正在被排序的候選答案——而那個東西就是一個價格與品質每隔幾週就變動的生成式模型。這段呼叫透過單一端點執行，其上搭載超過 200 個模型，以 0% 加成原樣轉出的供應商定價，並具備供應商服務降級時的自動容錯移轉，以及當你想讓多個模型共同組成一個答案時可用的路由 DSL。讓負責撰寫的那一半保持可攜，評分決策就能維持可逆；當兩家供應商都以每季的節奏改版時，這比四個指數點更有價值。

有什麼好看

三個訊號會改變排名，而目前一個都還沒出現。一張附有校準曲線的 Microsoft 基準測試表，將能讓其 Azure 客戶依據證據設定門檻；目前這張卡片提供的是一套方法論與一項主張。若 Gemini Decision 1 登上 Vertex AI 清單，將使其從 API 金鑰購買轉為雲端合約採購，並徹底改變採購比較。而第二個獨立評測板為兩個模型評分，將告訴我們這四分的差距是訊號，還是已出爐三週的排行榜的雜訊。

在那之前，站得住腳的解讀是這樣：Gemini Decision 1 在兩個元件上是較好的模型，而這兩個元件的關鍵技能正是知道何時該婉拒；Microsoft-Decision-1 在工具選擇上表現更好，而且價格略低；至於企業決策工作負載實際上大多由文件擷取構成，兩者在這方面都只是中段水準。在任一數字能決定任何事之前，先各自用你自己標註的 200 個項目跑過一遍。