一篇為文章生成的標題卡,標題為「MAI Decision 1 其實就是 Decision 1.1」,副標題為「而 200 倍標題並不是微軟的」,分成兩個圓角面板,分列於粗體「vs」圓盤兩側。左側面板「流傳的貼文」列出「快 10 倍」、「便宜 200 倍」、「對比通用模型」和「未具名基準」;右側面板「微軟自己的說法」列出「快 50 倍」、「便宜 79 倍」、「對比 GPT-Sol 6.1」和「具名基準」。頁腳寫著「獨立查核:在 AA Decision Index v2.1 上為 67.78,在十八個受評模型中排名第八。」OrcaRouter 標誌合成於圖稿下方的白色條帶中。
Guides & Insights

MAI 決策 1 其實是決策 1.1——而那個 200 倍標題並非微軟的

作者

Gideon Frost

發佈日期

最新模型 · 20查看全部模型 →
基準測試:Artificial Analysis · 每日更新
返回全部文章

關於MAI Decision 1的兩個數字在 2026 年 11 月 17 日流傳開來:它比一般模型快 10 倍、便宜 200 倍。這兩個數字都沒有出現在 Microsoft 自己的公告中。Microsoft 在 Ignite 實際推出的模型是 Microsoft-Decision-1.1,而該公司公開宣稱的數據是比 GPT-Sol 6.1 快 50 倍、便宜 79 倍——這是與一個具體指名的模型、在特定測試框架下相比,而不是與「一般模型」相比。這個落差值得放在開頭,因為它正是行銷比例與可查證數字之間的差別。以下是實際推出的內容、Microsoft 記錄了什麼,以及獨立評測委員會如何評價它。

首先,名字

Microsoft 的資料從未使用「MAI Decision 1」這個字串。Ignite 陣容貼文將該模型稱為 Decision 1.1,Foundry 部落格則稱其為 Microsoft-Decision-1.1,而 Foundry 型錄中的模型卡也沿用相同名稱。「MAI Decision 1」這個標籤來自第三方對主題演講的報導,同時還有「MAI Code 2」、「MAI Code 2 Flash」和「MAI Cyber 2 Flash」——同一個系列,是觀察者而非供應商重新命名。

這件事之所以重要,有一個實際原因:Microsoft-Decision-1.1並不是 Microsoft 推出的第一個決策模型。Microsoft-Decision-1已於 2026 年 10 月 8 日在 Foundry 正式全面推出,建構於 A​libaba 的 Qwen3.5-9B 之上,僅支援文字,推出時未公布任何基準測試數據。11 月 17 日推出的是同一產品線的 1.1 版,採用不同的基礎模型、支援多模態輸入,並提供更完整的效能說明。除非另有說明,否則你讀到任何關於「MAI Decision 1」的內容,都應視為是在講 1.1。

盒子裡實際上裝的是什麼?

這份契約在形式上不變,但涵蓋範圍大幅擴大。你送出一個狀態——文字或 JSON——再加上一個或多個型別化問題,每個問題都有一組固定選項,而取回的是機率,不是文字敘述。文件記載了三種問題原語:是/否(API 中為「noul」)、從標籤集合中選擇,以及有序等級上的分數,其傳回值是各等級索引的機率加權平均值。全部都在一次呼叫、一次處理中完成,沒有解碼迴圈。

1.1 有什麼新功能:

• 基礎模型——Gemma 4 26B-A4B,G​oogle 的開放權重混合專家模型,由 Microsoft 進行後訓練。第 1 版是在 Qwen3.5-9B 上進行後訓練。

• 輸入 — 文字與圖片。第 1 版僅有文字。

• 圖片處理 — PNG 或 JPEG,每邊 280 至 1,568 像素,每個問題最多 8 張圖片(包括從狀態中引用的任何圖片),處理像素總計上限為 645,120。服務會調整為固定的工作尺寸,因此上傳較大的圖片不會消耗更多 token。

• 上下文 — 狀態加問題組合的輸入 token 上限為 32,768,與第 1 版相同。

• 語言 — 在 25 種以上語言中進行訓練與評估,而基底模型直接支援的語言則達 35 種以上。Microsoft 明確指出,基底模型的涵蓋範圍並不代表每個語言都已建立經驗證的校準。

• 服務方式 —— 這是決策端點,而非聊天補全:請求會傳送至你 Foundry 資源上的 /providers/microsoft/v1/systemone,並在 model 欄位中填入部署名稱。Microsoft 表示,它執行的是專為決策工作負載撰寫的自訂推論引擎,而非文字生成堆疊。

• 價格 — 全球標準每百萬個權杖為 $0.042,歐盟與亞太資料區則為 $0.05。與版本 1 相同,且決策呼叫是依輸入權杖計費,因為實際上沒有輸出可計費。

• 訓練期間 —— 2026 年 10 月至 11 月,依據模型卡。

• 權重 — 無。這是 Foundry「Direct from Azure」產品組合中的託管模型。無法下載,也沒有微調途徑。

排除條款和功能說明一樣直白,而且它們仍然界定了產品。Microsoft-Decision-1.1 不適用於文字生成、開放式問答、對話、翻譯或摘要,也不適用於需要輸入中未包含之知識的任務。它不產生理由說明。回應包含機率,沒有任何可向使用者展示作為解釋的內容,這表示解釋是你的職責,閾值是你的決定:0.7 會升級,0.95 不會,而那條界線是由應用程式設定,不是供應商。

兩項關於速度與成本的主張,以及哪一項經得起嚴格檢視

流傳中的版本——「比通用模型快 10 倍、便宜 200 倍」——沒有指涉對象。與未具名模型相比得出的倍數無法重現,而微軟已發表的兩項確實有指名對象的比較,則同時範圍更窄、數字更大。

Ignite 文章說 Decision 1.1「比 GPT-Sol 6.1 快 50 倍、便宜 79 倍」。Foundry 發布文章則說它「比我們的第一個模型快兩倍以上,成本相同」,並舉了一個 Copilot 例子:在 Copilot 與 Cowork 之間路由,準確度與大型語言模型相同,速度快 2.2 倍、成本低 4.4 倍。那些都是供應商在微軟自家流量與微軟自家測試框架上所做的測量。它們沒有錯;它們是有範圍限定的。50 倍與 79 倍這兩個數字,講的是某個競爭對手在某類路由決策上的情況,並非泛指決策模型。

其中一項說法可透過第三方查證,而且成立。Artificial Analysis 在其 Decision Index v2.1 上測得 Decision 1.1 每項任務為 123.25 毫秒,而 Microsoft-Decision-1 為 274.25 毫秒。這是 2.23 倍,也就是 {{1}}快上兩倍以上{{/1}} 的意思。成本說法也站得住腳,但力道有所減弱:AA 計算出 1.1 每百萬項任務為 139.64 美元,版本 1 則為 142.56 美元——便宜約 2%,並非同價,因為即使每 token 費率相同,兩個版本每項任務使用的 token 數仍不同。{{2}}以相同成本{{/2}} 對價目表而言準確,但對帳單來說略顯寬容。

它的排名位置,以及微軟所提出主張的樣貌

微軟的發布文章表示,Decision 1.1「得分 68,比我們的第一個模型高出六分,並領先 Jev 1.14、Google 的 Gemini Decision 1,以及 OpenAI 的 GPT-6 Luna(Decisions)」。在 2026 年 11 月 18 日讀取的 Artificial Analysis Decision Index v2.1 上,上述每一點都成立。Decision 1.1 為 67.78。Jev 1.14 為 66.23,Gemini Decision 1 為 65.98,GPT-6 Luna 為 60.25。版本 1 為 62.07,所以六分的提升也是真實的。

這句話沒有說明的是,該模型在完整排名中位居何處。它在排行榜上排名第八,落後獨居榜首者七分,領先 Microsoft 所指名的模型一分半:

• 74.85 — d1.2-ultra(Liquid AI)

• 72.62 — Drex Max v1.1(Nace.AI)

• 72.58 — SubQ Snap 1.2(Subquadratic)

• 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.

七個模型的得分更高,而領先者以 7.1 分之差拉開。微軟另一項說法——在其自家 102 項基準、385,000 道題的內部測試套件中「八個決策模型的最高平均準確率」——是關於微軟自己所選領域的陳述;對供應商而言,發布這類說法是正常的,但把它當成排名來解讀則不妥。獨立的評測領域共有十八個納入排名的模型,而微軟位居前半段。

子分數比綜合分數更有資訊量,因為它們顯示出後訓練帶來了什麼。在 AA 的六項組成評測中,Decision 1.1 在 When2Call 工具呼叫上得分 95.1,在 EvalSafe-O*NET 上得分 88.8,在對稱性上得分 75.7,在 AA-Paperclip 文件決策上得分 58.7,在全知性上得分 60.5,在 HLE 多選題上得分 46.1。其準確率指數為 48.45,版本 1 則為 40.59;其 Brier 分數——校準指標,越低越好——從 0.1965 改善至 0.1604。Brier 分數的這個變化是本次發布中最有意義的數字:它表示機率變得更接近真實,而這是唯一能讓對決策模型設定閾值成為合理工程選擇的性質。

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.

基礎模型的切換才是真正的關鍵

版本 1 是對 Qwen3.5-9B 進行後訓練,這是一個稠密的 9B 模型。版本 1.1 則是對 Gemma 4 26B-A4B 進行後訓練,這是一個混合專家模型,約有 4B 活躍參數。微軟自己的解釋著眼於服務經濟性,而非品質:活躍參數足以進行判斷,模型小到可橫跨 A100、H100/200 與 GB200/300 機群運行,並搭配自訂引擎在 GPU 資源池間路由請求,主要考量成本,而不只是延遲。

隨之而來有三個後果,而這些正是平台團隊應該關心的。第一,一個具有 4B 活躍參數的 MoE 每次呼叫的服務成本很低,正是因為模型大部分處於閒置狀態——123 毫秒就是由此而來。第二,這次切換重置了語言與校準的說法:基礎模型已改變,25 種語言的宣稱是針對新的基礎模型,而你在版本 1 上測得的任何校準都無法轉移。第三,基礎模型的授權屬於 Google,而後訓練模型屬於 Microsoft 且僅提供託管服務——因此開放權重的譜系在營運上對你毫無幫助。你無法下載這個模型,而基礎模型是開放的也改變不了這一點。

通話費用,以您實際支付的計費單位計算

以每百萬個輸入 token 為 $0.042 計算,一通帶有 1,200-token 工單與三選項問題的路由呼叫約花費 $0.00005——百分之五美分。依價目表,一百萬通這類呼叫約需 $50;AA 測得的每百萬項任務 $139.64 較高,是因為其任務比客服工單更長,這是有用的提醒:每 token 價格與每任務成本是不同單位,而預算審查中出現的是後者。

讓成本效益變得清楚可懂的比較,是拿它與一個以 JSON 模式執行相同工作的一般模型相比。你要為它的輸出 token 付費;對結構化答案而言,每次呼叫是數十到數百個 token,而不是零;你也要為它在回答之前所做的推理付費。這就是 Microsoft 用 79x 所描述的差距,而且即使確切倍數是廠商自行選擇的基準,這個差距仍然真實存在。

這件事變得尷尬的地方,和單一廠商託管評分器一向如此的地方相同:只有一份價目表、一個速率限制,以及一套區域說法。Foundry 提供 Global Standard 與 Data Zone Standard 部署,而 Data Zone 版本貴 19%,每百萬個 token 為 $0.05。如果你的工作負載對延遲敏感,文件建議將 Foundry 資源與你的應用程式共置,這是誠實的建議,也同時告訴你這個模型並不神奇——它只是排在佇列後面的一個小型 MoE。

無需重建你的技術堆疊就能辦到

決策端點本身不在 OrcaRouter 的目錄中,它的前代也不在——Microsoft 僅透過 Foundry 提供此模型,別無其他管道。,以供應商牌價、0% 加成原樣反映目錄上列有的是你購買前評估這項決策所需成本的兩個對象Gemma 4 26B A4B 是後訓練模型的基礎模型,路由價格為每百萬輸入詞元 $0.25、每百萬輸出詞元 $2.90;它是基礎模型而非後訓練模型,因此不會回傳 Decision 1.1 的校準機率,但它具有相同架構,也是該形態通用模型成本的誠實下限。Jev 1.14,Microsoft 在獨立排行榜上點名它,並以 1.55 分勝過它,其路由價格為輸入與輸出皆每百萬詞元 $0.042。

那個組合在評估階段比在正式生產階段更有用。如果你正在決定某個決策模型究竟該不該納入路由路徑,你可以在完全還沒開啟 Azure 部署之前,先透過單一金鑰,用你自己標註過的工單對兩個可路由端點進行基準測試,並在供應商之間自動容錯移轉。如果答案是肯定的,而且數據結果偏向 Decision 1.1,你就把它部署到 Foundry,並讓路由器留在前面——無論是決策呼叫或生成式呼叫都共用同一個端點,這樣一來,某個決策模型的速率限制就不會變成你應用程式的停機事故。

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.

誰現在應該行動,誰又應該等兩週?

如果你已經在付費請通用模型做分類、評分或把關,而且用量高到每次呼叫的成本在圖表上都看得出來,那就該立刻行動。123 毫秒的中位數延遲與 0.042 美元的價格,相較於執行同樣判斷的前沿模型是顯而易見的優勢;而多模態輸入,正是「你能直接把評分器指向截圖」與「你做不到」之間的差別。

如果你的決策涉及人——信貸、就業、住房、保險、醫療照護、法律——請先等等,因為 Microsoft 自家的模型卡就說,不要在這些領域把它當成唯一的決策者,而 1.1 沒有任何內容改變這一點。若你需要站得住腳的校準,也請先等等:1.1 的 Brier 分數 0.160 是一種改善,不是保證,而且文件也坦白說,分數會隨措辭和選項順序而變動。請用你自己的標籤進行驗證、隨機化選項順序,並根據兩種錯誤類型的成本來設定閾值,而不是根據供應商圖表。

對11月17日的誠實總結,比「200倍」的標題更小、也更有用:Microsoft 推出了一款更快、多模態、校準更佳的決策評分器,其價格讓每次請求的判斷都變得可負擔;而它足以位在獨立評測領域的前半段,而非頂端。模型是真的。推文裡的比例不是。