一張生成的標題卡,標題為「主題演講陣容,已核對」,副標題為「Microsoft-Decision-1.1 — Artificial Analysis Decision Index v2.1」,帶有四枚標籤,分別顯示 67.78、「Jev 1.14 66.2」、「Gemini Decision 1 65.98」和「GPT-6 Luna 60.2」,位於說明文字「舞台上點名的四個模型」上方,兩側有灰色標籤寫著「25 筆項目已排名」和「十個高於 67.78」。OrcaRouter 標誌合成於右下角。
Guides & Insights

Microsoft-Decision-1.1 登上了 Ignite 主題演講。它引用的那句基準測試說法屬實,但範圍很窄。

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

Microsoft-Decision-1.1 於 2026 年 11 月 17 日正式全面推出,時間在 Microsoft-Decision-1 推出六週後,而且完全採用不同的基礎模型:Gemma 4 26B A4B,這是微軟在自家發布文章中點名的中型混合專家系統,取代第 1 版所據以進行後訓練的 Qwen3.5-9B。這項替換正是本次發布的實質重點。流傳更廣的說法出自 Ignite 主題演講,其中 Decision 1.1 被介紹為「直接整合進你的應用程式」的模型路由,並以一句話作為佐證——「在 AA Decision Index 上,它擊敗 Jev、Google 和 OpenAI。」這三個名稱分別對應到 Jev 1.14 的 66.2、Gemini Decision 1 的 66.0,以及 GPT-6 Luna (Decisions) 的 60.2,而 Microsoft-Decision-1.1 則為 67.78。這三項比較全都正確。

它們也是目前收錄二十五個項目的排行榜上,最討喜的四模型子集。今晚有十個決策模型得分高於 Microsoft-Decision-1.1,從 74.8 的 d1.2-ultra,到 72.6 的 Drex Max v1.1 與 SubQ Snap 1.2,再到 67.9 的 SubQ Snap 1.1。主題演講的那句話並不假。它是一個精心挑選的比較,卻以完整比較的語法呈現;而這個區別比發表本身更有價值,因為這正是基準指數第一次在超大規模雲端業者的開發者大會上登上投影片時會發生的事。

舞台當時所說的,以及看板現在所說的

Microsoft 同日發布的主題演講逐字稿對這個主題著墨不多。在快速帶過程式碼模型後,內容轉向決策:「越來越需要代理來做決策,尤其是在速度和成本至關重要的情況下。因此,Decision 1.1 提供直接整合到你的應用程式中的模型路由。而在 AA Decision Index 上,它勝過 Jev、Google 和 OpenAI。」

拆開來看,這是該指數確實支持的四方比較。在由 Artificial Analysis 發布、並於 2026 年 11 月 19 日在此讀取的 Decision Index v2.1 綜合指標上,Microsoft-Decision-1.1 得分 67.78,Jev 1.14 得分 66.2,Gemini Decision 1 得分 65.98,GPT-6 Luna (Decisions) 得分 60.2。差距分別為 1.6、1.8 與 7.6 分。這一點無可爭辯。

這句話省略的是它上方排行榜的那一半。同一個頁面將 Microsoft-Decision-1.1 排在第 11 名,而排在它前面的十個條目並非默默無聞:

• d1.2-ultra(Liquid AI)— 74.8,排行榜龍頭,每百萬項任務 133 美元

• Drex Max v1.1(Nace)— 72.6,售價 $103,以及 SubQ Snap 1.2 — 72.6,售價 $137

• GLiDE v1.2(Fastino)— 72.5,價格 $780;Mammoth 27B(Baseten)— 71.4,價格 $264;d1-ultra — 70.6

• Decider v1.3(Perplexity)— 70.4,售價 68 美元,Decider v1.2 — 69.8,d1.2 — 68.7,SubQ Snap 1.1 — 67.9

廠商挑選三個能襯托自家發布的具名競爭對手,並不是什麼醜聞;每篇發布貼文都會這麼做,而微軟異常明確地表示,這些正是它選擇點名的模型。有趣的部分在於場合。一個專有的第三方指數——其 v2 修訂版於 2026 年 11 月 8 日發布,也就是 Ignite 前九天,且建立在 45% 的私有資料集之上——竟在台上被引用,作為微軟自家模型某項說法的權威依據。這與廠商基準測試截圖是不同性質的事實,而且它是一把雙面刃:它提升了該指數的地位,同時也讓該指數處於一種境地——被選擇性引用如今已成為其聲譽的一部分。

1 和 1.1 之間實際上改了什麼?

撇開簡報包裝,工程細節其實很具體。Microsoft-Decision-1.1 並非十月模型的微調版本。其基礎模型從阿里巴巴的 Qwen3.5-9B(v1 型錄頁面至今仍標示為此)改為 Gemma 4 26B A4B。Microsoft 以成本角度說明這項選擇:活躍參數足以進行判斷,同時小到能在 A100、H100/200 與 GB200/300 機群上運行。該公司將低延遲歸功於一套自訂推論引擎,它是為評分而非逐個 token 生成而打造。

v1 中不存在的能力是影像輸入。Microsoft-Decision-1.1 可接受文字、JSON 或影像——相片、螢幕截圖——但仍不接受音訊、視訊,以及任何形式的生成式說明。問題類型的名稱維持不變:noul 用於對是非題陳述給出機率,choice 用於從固定集合中選出一個標籤,並為每個選項提供機率,score 用於在有序尺度上的位置。請求會送往以 /providers/microsoft/v1/systemone 結尾的路徑,這要嘛是本季推出最不自我解釋的端點名稱,要嘛是暗示 Microsoft 認為這個類別在技術堆疊中的位置。

Context 是遷移時要留意的數字:Microsoft 文件記載「輸入最多可達 32K 個 token」,而 Artificial Analysis 記錄到 33k 視窗。第 1 版也是如此。能讀取 40,000 個 token 合約的決策模型,並不在這次發行版本中。

對照看板查證發布貼文中的三項說法

微軟自家的文章提出三項量化說法,而獨立資料對這三項的判定各不相同。

• 「得分 68」——指數值為 67.78。這是四捨五入,並非誇大,而這也是唯一完全成立的说法。

• 「快超過兩倍」——版本 1 每項任務耗時 274.25 毫秒,版本 1.1 耗時 123.25 毫秒。這是 2.23 倍,讓新模型在排行榜上成為第五快的項目,而非第二十名。

• 「成本相同」——在 token 層級上屬實,但在實務上會誤導。兩個版本都標示每百萬輸入 token 為 $0.042。但每百萬項任務的實測成本,1.1 為 $139.64,v1 則是 $142.56,提升了 2%,而非減半。價格相同、帳單大致相同,吞吐量卻是兩倍。如果你的限制是延遲而非支出,這次升級幅度很大;若限制是支出,升級幾乎沒差。

A generated single-column scoreboard headed 'Microsoft-Decision-1.1 — the scoreboard' with six rows: Decision Index 67.78, 11th of 25; When2Call at 10% weight 95.08; AA-Paperclip at 30% weight 58.67; HLE-MultiChoice 6.29% raw accuracy; non-hallucination 49.4%, was 21.7%; speed 123 ms per task, was 274 ms. A footer reads 'All figures per Artificial Analysis Decision Index v2.1, read 19 November 2026.' The OrcaRouter logo is composited in the bottom-right corner.

在複合體不再與行銷宣傳一致之處

Decision Index v2.1 綜合指標並不是什麼謎團。它由六個加權成分組成,而 Microsoft-Decision-1.1 的 67.78 可由這些成分重現:30% AA-Paperclip、15% EvalSafe-O*NET-AA、10% When2Call、15% AA-Omniscience-Decision v1.1、15% HLE-MultiChoice v1.1、15% AA-Symmetry。相乘再加總,就會精確得到 67.78。這種透明性讓子分數變得可讀,而子分數正是發布敘事變得有趣的地方。

• When2Call — 95.08。這是路由測試,而且是整組數字中大幅領先的最強一項。Microsoft 的賣點是「將模型路由整合進你的應用程式」,而在正好衡量這一點的那個元件上,該模型位居前段。

• AA-Paperclip — 58.67 決策分數,36.8% 的文件完全答對。這是占 30% 的組成部分,1,500 份私人文件各含五項決策與十項事實,採全有或全無計分。第 1 版通過率為 20.9%。完美文件率提升十五個百分點,是本次發行中最大的單一工程進展,這也是綜合分數變動幅度如此大的原因。

• HLE-MultiChoice v1.1 — 在 6.29% 原始準確率下獲得 46.11 的 Decision Score,並有 38.4% 的非幻覺率。在困難知識測試上只有百分之六的準確率並不是優勢;Decision Score 之所以還算體面,只是因為模型誠實承認自己迷失了。微軟自己的文章說,這些模型「明確尚未針對更困難的問題進行調校」,而這一列正是這項承認公開展現的地方。

• AA-Omniscience-Decision v1.1 — 在 33.2% 準確率與 49.4% 非幻覺率下得到 60.46。版本 1 的非幻覺率得分為 21.7%,因此該模型學會拒答的可靠度約提升為兩倍,同時準確率增加兩個百分點。對決策模型而言,這項取捨正是關鍵所在。

綜合來看,這份產品側寫是自洽的:這是一台反應快速、校準精良的路由器,但知識庫偏淺。那是一個站得住腳的產品,卻不是那場主題演講那句話所暗示的產品。

A screenshot of the Artificial Analysis page for Microsoft-Decision-1.1, headed 'Release, Decision Index Score, Performance & Price'. The headline figures read a Decision Index of 68 at rank 11 of 25, 123 ms per task and about $140 per million tasks. The comparison summary states the model is above average on the Decision Index but somewhat expensive and notably fast, supports text input and carries a 33k-token context window, with board medians of 66, 206 ms and $137. Component rows for Decision Index, AA-Paperclip, EvalSafe-O*NET-AA, When2Call, AA-Omniscience-Decision v1.1 and HLE-MultiChoice v1.1 sit below.

定價,採用帳單實際使用的單位

Foundry 列出 Microsoft-Decision-1.1 的三種輸入費率,而且完全沒有輸出費率,因為該模型不會產生任何輸出 token:Global Standard 每百萬輸入 token 為 $0.042,US Data Zone 為 $0.046,EU 與 APAC Data Zone 部署則為 $0.05。選擇資料區 SKU,你就要為了資料所在地,比宣傳數字多付 19%。這就是「最便宜的決策模型」說法第一個被悄悄修正的地方。

第二個是每項任務成本欄,也就是把 token 價格乘以一項任務實際消耗的輸入量後所得的結果。以每百萬項任務 139.64 美元計算,AA 將 Microsoft-Decision-1.1 在成本方面排在二十五個模型中的第十五名——比每百萬項任務 344.90 美元的 Gemini Decision 1 便宜,但比 14 美元的 Celeris-1.1 Decision 和 68 美元的 Decider v1.3 貴。這款模型速度快,價格居中。它不是自身類別中最划算的選擇,而微軟也從未如此宣稱。

這讓一支想就此收手的團隊處於何種境地

第一方途徑是 Foundry:部署模型,然後將狀態以及型別化問題的映射傳送至決策端點。企業買家會在意,Microsoft 已在 Foundry Evaluations 中將其用作評審,並在 Copilot 中將其用作路由器;該公司報告稱,相同的路由決策比大型語言模型快 2.2 倍、成本低 4.4 倍——這是 Microsoft 自家測試框架所回報的廠商數據,未在外部重現。

值得直說的是,OrcaRouter 承載什麼、不承載什麼。我們不託管 Microsoft-Decision-1.1、Gemini Decision 1,或任何決策評分端點,因為僅提供機率的 API 並不是 chat-completions 的目標,而假裝不是這樣,就會是那種讀起來很漂亮、在正式環境卻會崩壞的可用性宣稱。我們確實承載的,是決策流程中會生成的那一半——而這次發布提供的一個觀察窗口異常直白:Gemma 4 26B A4B,正是 Microsoft 微調所用的那個確切基礎模型,已列在我們的目錄中,每百萬輸入 token $0.06、每百萬輸出 token $0.33,與價格為 $0.042 的 Jev 1.14 並列,也就是 Microsoft-Decision-1.1 所對標衡量的模型。如果你想看看決策行為有多少來自基礎模型、多少來自後訓練,那個比較的兩端都能用同一把金鑰觸及,以供應商牌價提供,0% 加成直接轉嫁。

A screenshot of the OrcaRouter model page for typesafe/jev-1.14, headed with the model name and typesafe as the provider. Pricing shows $0.04 input and $0.04 output per million tokens, with a code sample posting a state and two typed questions to https://api.orcarouter.ai/v1/systemone. A performance panel lists a p50 time-to-first-token of 181 ms, a European Union inference region and zero data retention available, with 171.8M tokens of usage shown.

接下來要看什麼

現在有兩件事可以在公開場合測試,而上週還不行。第一是 Decision Index 是否持續出現在主題演講螢幕上:當供應商開始在自己的標誌下引用某個基準,它就會立刻變成採購文件,而下一個這麼做的供應商會引用不同的四模型子集。第二是當排行榜擴大時,Microsoft-Decision-1.1 是否保住其路由位置——When2Call 佔 10% 權重,並提供該模型相對於 Gemini Decision 1 的大部分領先幅度,這意味著一次例行性的指數修訂對這項排名的影響,可能比任何模型更新都大。

目前,準確的說法是:Microsoft 推出了一款決策模型;在相同 token 價格下,它的速度是前代的兩倍,校準明顯更好,新增讀取影像的能力,但仍以 32K token 為上限,對自己不知道的事也坦誠以對,而且在唯一會替它排名的獨立排行榜上名列第十一。主題演講說它勝過 Google 和 OpenAI。確實如此。只是它並未勝過所有人。