
MAI 決策 1 對比 Microsoft 決策 1:同一產品線,相差六點
- Google新Google: Gemini 4 Carbon2026-11-10$2.00 / $10.00 每百萬 tokens · 90 tok/s
- Anthropic新Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 每百萬 tokens · 97 tok/s
- orca新Orca: OrcaC2 1.02026-11-0711 tok/s
- Orca新OrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 每百萬 tokens · 87 tok/s
- Orca新OrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 每百萬 tokens · 134 tok/s
- Orca新OrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 每百萬 tokens · 86 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 每百萬 tokens · 124 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 每百萬 tokens · 67 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百萬 tokens · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百萬 tokens · 43 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447智能
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 每百萬 tokens · 192 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929智能
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 每百萬 tokens · 130 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733智能
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740智能
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 每百萬 tokens · 135 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955智能
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855智能
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 每百萬 tokens · 182 tok/s
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 Alibaba 的 Qwen3.5-9B 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 — Qwen3.5-9B,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。

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。

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。

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
