一張生成的標題卡,標題為「MAI Decision 1 vs Microsoft Decision 1」,副標題為「同一產品線,相差六個指數點」,並圍繞著一個「vs」圓盤分成兩個圓角面板。左側面板「Microsoft-Decision-1.1」帶有副標「GA 17 November 2026」,以及「67.78 決策指數」、「123 ms/每項任務」、「圖像與文字」和「Gemma 4 base」等列;右側面板「Microsoft-Decision-1」帶有「GA 8 October 2026」、「62.07 決策指數」、「274 ms/每項任務」、「僅文字」和「Qwen3.5 base」。頁腳寫著「兩者標價均為每百萬輸入 token /bin/bash.042。」OrcaRouter 標誌合成於作品下方的白色條帶中。
Guides & Insights

MAI 決策 1 對比 Microsoft 決策 1:同一產品線,相差六點

作者

jinhao.song

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

這場對決裡有個陷阱,而陷阱就是前提。MAI Decision 1 與 Microsoft Decision 1 並不是兩個相互競爭的模型。它們是同一條 Microsoft 產品線,只差一個版本:Ignite 報導中標示為 MAI Decision 1 的模型,其實是Microsoft-Decision-1.1,而 Microsoft-Decision-1 是它所取代的十月版本。所以,有用的比較不是「哪個廠商勝出」——而是「五週加上一個新的基礎模型換來了什麼,而對任何已在舊端點上正式運行的人來說,這次升級是否值得遷移」。簡短答案:六個指數點、一半的延遲、影像輸入,以及一份沒有變動的價目表。

命名,一次定案

左側標籤來自主題演講報導,並非來自 Microsoft。廠商自己的字串在 Ignite 產品陣容文章中寫的是「Decision 1.1」,而在 Foundry 部落格與模型卡上則是「Microsoft-Decision-1.1」;MAI 前綴隨著 MAI Code 2 與 MAI Cyber 2 Flash 一起出現在同一批第三方報導中,並沿用下來。因此,本頁比較的是同一產品線的 1.1 版與 1 版,而有趣的問題不是哪個廠商勝出,而是五週時間與不同的基礎模型帶來了什麼改變。

Version 1 尚未撤下。它仍列於 Foundry,且仍在獨立評分板上計分,這就是為什麼這兩個名稱在比較表中總是並列出現——有時甚至被當成來自不同公司的競爭對手,但它們其實不是。

六週,兩款模型,一個價格

版本 1 於 2026 年 10 月 8 日正式推出:對 A​libaba 的 Qw​en3.5-9B 進行純文字後訓練,在固定選項集上提供校準後的機率,上限為 32,768 個 token,未釋出權重,也未公布基準測試數據。版本 1.1 於 11 月 17 日推出,改採 Gemma 4 26B-A4B 基礎模型,支援圖像輸入,並提供完整的效能表現說明——而價目表仍原封不動,維持每百萬個 token 0.042 美元。

• 基礎模型 — Qw​en3.5-9B,稠密架構,總參數量 9B,對比 Gemma 4 26B-A4B,混合專家架構、約 4B 活躍參數;兩者皆由內部進行後訓練

• 模態 — 僅文字 vs 文字、JSON 與 PNG/JPEG 圖片,每題最多 8 張

• 輸入上限 — 32,768 個 token 對比 32,768 個 token,維持不變

題型 — 是/否、選擇題、評分、分類、評分規準與同一組對比,以三個具型別的基礎元件(noul、choice、score)呈現

• 價格 — 全球標準每百萬個 token 為 $0.042,歐盟與亞太地區為 $0.05,相較之下完全相同

• 實測延遲 — 每項任務 274.25 毫秒,對比每項任務 123.25 毫秒,Artificial Analysis

• 實測成本 — 每百萬項任務 $142.56,對比每百萬項任務 $139.64,Artificial Analysis

• Decision Index v2.1 — 62.07 對 67.78

• 權重 — 無,僅於 Foundry 中託管 vs 無,僅於 Foundry 中託管

唯一沒有變動的那一行,正是多數團隊編列預算時所依據的那一行;而變動最大的那一項,卻沒有人拿來宣傳:延遲減半,但每 token 的價格維持不變,因為新的基礎模型是稀疏模型,每次呼叫所做的工作少得多。

A generated two-column comparison scoreboard titled 'MAI Decision 1 vs Microsoft Decision 1 — the scoreboard'. The Microsoft-Decision-1.1 column reads Decision Index 67.78, Latency 123 ms, Base model Gemma 4 26B-A4B, Images up to 8 per question, Brier score 0.160, Price $0.042 per M tokens; the Microsoft-Decision-1 column reads 62.07, 274 ms, Qwen3.5-9B, text only, 0.197 and $0.042 per M tokens. The footer reads 'Index, latency and Brier per Artificial Analysis v2.1, 18 November 2026; price per Microsoft Foundry.' The OrcaRouter logo is composited in the white strip below the artwork.

這六點是由什麼構成的

5.71 的綜合差距並非平均分布,而這種不均勻性說明了這次升級是為哪些工作負載而打造。在 Artificial Analysis 的六項組成評測中,於 2026 年 11 月 18 日查看排行榜:

• When2Call 工具呼叫 — 在 1.1 上達 95.1,相較 version 1 的 87.9,提升 7.1 個百分點,也是對代理護欄而言真正關鍵的一項

• EvalSafe-O*NET 職場判斷 — 88.8 對比 86.8

• AA 對稱性、改寫下的決策不變性——75.7 對 70.4

• AA-Paperclip 文件決策 — 58.7 對 51.8,最大絕對增幅

• AA-Omniscience,知識與幻覺 — 60.5 對比 54.9

• HLE 選擇題推理 — 46.1 對 39.4

每一項子分數都提升了,這很不尋常,也讓彙總結果值得信賴;一個在一項評估上升、在兩項評估下降的綜合分數,通常是加權造成的假象。不變性增益是較不顯眼但值得標記的一項。對稱性衡量的是:一個決策在選項被重新排序或問題被改寫後是否仍成立——這正是 Microsoft 自家文件警告的失效模式,也正是一項屬性,決定你在預備環境調校的閾值在生產環境中是否仍會觸發。該指標從 70 提升到 76,營運上的變化比主指標從 62 提升到 68 更大。

校準朝同一方向改善。Brier 分數衡量所陳述機率與真實結果之間的平方差距,從 0.1965 降至 0.1604——越低越好。所選選項的準確率從 40.6 升至 48.5。這兩個數字都是 Artificial Analysis 在其自家任務上的測量結果,而非 Microsoft 的;這正是應予重視的原因:Microsoft 自己對 1.1 的發布說法是 68 分,「比我們的第一個模型高出六分」,而獨立評測榜單則落在 67.78,與該數字相差不到半點,並有 5.71 點的提升。這一次,廠商與審計者大致一致。

A screenshot of the Artificial Analysis Decision Index v2.1 leaderboard page, the independent board from which the 67.78 and 62.07 composites, the six constituent evaluation scores, the accuracy figures and the Brier scores in this comparison are taken.

在哪些情況下,舊款機型仍是正確的選擇

有三個站得住腳的理由繼續留在 Microsoft-Decision-1,而其中沒有一個是效能。

第一個是凍結式評估。如果你曾用自家標註資料對第 1 版校準過閾值——而你應該這麼做——那麼基礎模型一變更,那項工作就會失效。為評分而後訓練的稠密 9B 模型,和為評分而後訓練的 26B MoE 模型,不會在相同的地方出錯,而且 1.1 的文件明確指出,校準在熟悉的任務類型上最強,也可能隨措辭而變動。重新調校是真實成本,而且會落在團隊身上,不是供應商。

第二是語言覆蓋範圍。版本 1 在可用語言遠超 200 種的 Qwen 基礎模型上,提供了 25 種語言的後訓練方案。版本 1.1 則在文件記載支援 35 種以上語言的 Gemma 基礎模型上,提供 25 種以上語言的方案。25 種以上不等於 25 種,而如果你營運的是多語言佇列,誠實的做法是實測,而不是假設數字變高了。

第三點是你的依賴形態。這兩個版本都僅提供託管服務、都由單一廠商提供、共用同一份價目表、同一套速率限制機制。升級會改變你的故障域,但不會縮小它。如果你已經把端點包裝在自己的備援機制之後,留在 1 的代價是延遲與準確度,而不是可用性;如果你還沒有,升級買到的是同一個單點故障背後更快的模型。

在你做出決定之前,先將兩者並排運行

搬遷本身規模很小,這一點令人欣慰。端點形式維持不變——將狀態加上具型別的問題送往 Foundry 資源上的決策路由——而部署只是模型版本變更,並非整合重寫。真正改變的是回應下游的一切:機率、閾值,以及上述的各項子分數。

所以兩者都跑。將同一批已標註資料送到兩個部署,並在你實際使用的閾值下比較所選選項的準確率,特別查看尾部案例——版本 1 傳回 0.55 而版本 1.1 傳回 0.88 的那些案例,正是會悄悄改變你升級率的案例。對稱性增益顯示 1.1 在選項重新排序下應更穩定;請用自己的提示詞驗證這一點,而不是信任那個數字。

評審者與被評審者共用同一把金鑰,是多數團隊最終會想要的配置,而兩個 Decision 模型都無法提供這點:兩者都是僅限 Foundry 的託管端點,因此它們前面的路由器得靠你自己的程式碼。路由器在此同時能做的是提供控管。Gemma 4 26B A4B——1.1 版進行後訓練所依據的基礎版本——透過 OrcaRouter 路由,價格為每百萬輸入 token $0.25、每百萬輸出 $2.90,以及Jev 1.14,這是 Microsoft 自身用來作為基準比較的決策模型,輸入與輸出每百萬 token 皆為 $0.042。兩者都無法重現 1.1 校準後的答案。兩者都能告訴你,通用模型在你自己的資料上是否能在幾個百分點內接近決策模型,而這正是決定你是否根本需要一個決策模型的問題。

A screenshot of the OrcaRouter model page for obsidian/gemma-4-26B-A4B, showing the OrcaRouter navigation, the model name obsidian/gemma-4-26B-A4B with Vision, Tools, JSON and Reasoning tags, a 2026-07-02 date, a description noting a mixture-of-experts build of Gemma 4 with 26B total parameters, about 4B active per token and a 262K-token context window, and pricing of $0.25 per million input tokens and $2.90 per million output tokens.

版本問題,解答如下

如果你現在才要選,而且沒有既有的門檻包袱要維護,那就選 1.1。在獨立量測中,它快了 2.2 倍,每項任務的成本略低,校準更好,在工具呼叫的閘控上表現更佳,而且是兩者之中唯一會讀取螢幕截圖的。價目表完全相同,所以在邊際上這次升級是免費的。

如果你已經在生產環境使用第 1 版,這次升級值得做,但不像安全修補程式那樣急迫。請為重新調校預留時間與資源,讓舊部署持續運作,直到新閾值在實際流量下穩定成立;並把對稱性改善視為預期會少一些意外的理由,而不是保證完全不會有意外。

這場對決並不是廠商之間的二選一。兩個名稱都指向微軟的決策線,相隔五週、相差一個基礎模型,價格同為每百萬個 token 0.042 美元。真正有趣的問題從來不是哪一個勝出,而是第二個是否好到值得為重新校準付費。在獨立評測榜上,答案是值得。

本文中的比較1

根據本文內容識別 · 基準測試:Artificial Analysis · 每日更新