ScaleDown Classify 對 Microsoft-Decision-1：一個公布數字，另一個公布方法

ScaleDown Classify 與 Microsoft-Decision-1 是這份比較中兩個封閉、託管的選項。兩者都不會釋出權重，都不是你能下載的東西，而且兩者都建立在同一個前提上：一項決策——哪個類別、哪個選項、這些當中的哪一個——應該從模型的機率中讀出，而不是由生成迴圈以文字寫出。Microsoft-Decision-1 自 2026 年 10 月 8 日起已在 Microsoft Foundry 正式推出，是一個由 Microsoft 後訓練的 90 億參數稠密解碼器，支援 25 種語言，上下文長度為 32,768 個 token。ScaleDown Classify 則是一個託管的評分標準引擎，每百萬輸入 token 收費 0.05 美元、每百萬輸出 token 收費 0 美元，輸入上限為 100 萬個 token，標籤數量上限為二十個。區隔兩者的並非能力，而是每家公司願意公開多少有關自家模型的資訊，而它們各自選擇了相反的兩半。

揭露倒置

Microsoft-Decision-1 的 Foundry 文件異常詳細地描述了其評估。公開與社群決策基準，加上保留的內部資料集。指標包括準確度與校準誤差。選項順序會變動。配對統計檢定。對每個與其比較的模型都使用相同的測試框架。然後它報告該模型「表現與領先的決策模型相當，並領先其他以相同方法評估的開放決策模型」——卻完全沒有印出任何數字。沒有準確度數字，沒有校準誤差，沒有各基準的表格。

微軟確實有公佈一份限制清單，而且這是一份很好的清單。分數會隨措辭與選項順序而變動。一個框架不佳的問題仍然會回傳分數。在熟悉的任務類型上，校準表現最強。不會產生任何解釋。該模型被列出的優勢是推理、規則應用，以及對提示格式的穩健性；被列出的弱點則是專業領域知識與非英語表現。

ScaleDown Classify 執行的是該政策的鏡像。其文件詳細介紹了如何撰寫請求的操作細節——評分標準被描述為分類請求中最重要的部分，以直接的是/否問題形式表述，避免否定，保持不重疊，以便機率質量不會不可預測地分散——而供應商的行銷則帶有準確性和成本聲明，包括一個約五億參數的模型在一個簡單的分類任務上達到91.7%，而一個720億參數的模型則為88.6%。這些都沒有附有關於所述方法的說明，而且 ScaleDown Classify 在任何公共測試框架上都沒有公佈的預期校準誤差。

所以，選擇介於一個告訴你它如何測量、卻不告訴你它發現了什麼的供應商，以及一個告訴你它發現了什麼、卻不告訴你它如何測量的供應商之間。兩者都不是完整揭露，也都不應被當作完整揭露來看待。

語言：一個會公布數量，另一個則什麼都不公布

Microsoft-Decision-1 列出 25 種支援的語言，並直言涵蓋範圍、品質與校準「可能因語言而異」，點名非英語、尤其是低資源語言是表現不佳的領域。這是一項可用的揭露：它告訴你該模型具多語言能力，大致說明其多語程度，也告訴你哪些地方不該信任它。

ScaleDown 的 Classify 文件並未公布語言清單。API 參考文件中沒有任何內容說明評分標準評分能處理哪些語言，或非英語的評分標準措辭是否會有相同的行為，而評分標準的指引——把它寫成直接的 yes/no 問句、避免使用否定句——的寫法隱含假設了呼叫端是以英語撰寫英語評分標準的人。對於一個實際上會被拿來處理國際支援工單的分類器而言，這正是你在投入之前必須填補的落差，而這個落差只有你自己的評估才能填補。

如果你需要有文件記載的語言涵蓋範圍，這項比較就到此為止，Microsoft 預設勝出。如果你只使用英文，數量不是考量因素，其餘決策取決於輸入長度與閾值。

上下文：32,768 個 token，對比一百萬

Microsoft 記載單次叫用最多可處理 32,768 個 token。ScaleDown 則記載 1M token 的輸入上限，並表示無論區塊是單獨送出，還是作為五十個區塊批次的一部分送出，逐區塊校準都完全相同，且共用的設定檔每次請求只計費一次。就原始數字來看，這是三十倍的差距，也是這兩項產品之間最大的單一落差。

它換來的不是吞吐量——而是你是否需要一個分塊層。一個支援討論串、一張帶有歷史紀錄的工單、一段簡短的檢索段落：這些全都塞得進 32k，還留有空間容納問題結構描述，而兩個模型在那樣的大小下大致旗鼓相當。一份完整合約、一份多頁政策文件、一段冗長的檢索上下文，或是一張掃描表單：這些全都塞不進 32k，而 Classify 的文件路徑——base64 JPEG、PNG、TIFF 或 PDF，單頁或多頁，並將擷取出的文字回傳到 ocr_text 欄位——意味著文件可以用位元組形式送入，而不是以預先處理過的文字形式送入。

這兩個數字都是供應商自己提供的。ScaleDown 的百萬 token 宣稱尚未經過獨立佐證，而第三方目錄對該模型的刊載資訊顯示上下文長度為不適用，並未重述該數字；這是目錄本身的限制，而不是矛盾。

解釋：一個拒絕，一個收雙倍費用

Microsoft-Decision-1 不會產生任何說明，而模型頁面將此列為一項限制，而非設計選擇。ScaleDown Classify 會回傳其最高標籤的一句話說明，而文件對於那句話究竟是什麼相當謹慎：它是在最高標籤固定之後才生成的，因此它是在解釋該決策，而不是對其提出質疑；它是自由形式的，而且會以 2 倍計費輸入 token 重新傳送標籤與評分準則。它僅適用於具有單一文字或文件輸入的單標籤請求——多標籤與批次請求永遠不會回傳它。

對於人工審核佇列來說，這句話往往決定了審核人員是接受某項分類，還是重新再做一次；這也讓針對實際進入人工處理的那一小部分流量收取 2 倍附加費，顯得容易站得住腳。至於自動化流程，它只是帳單上白白增加的負擔，應該關掉。

兩者都是封閉的，而這會改變你可以測試的內容

• 權重 — 兩者皆不提供；ScaleDown 可應要求提供企業自架與授權，微軟的頁面則完全未記載任何微調途徑

• 選項上限 — ScaleDown 每個請求 20 個標籤，多標籤模式下為 16 個，獨立評分；Microsoft-Decision-1 的選項集上限並未在模型頁面上說明

• 批次推論 — ScaleDown 記載每個要求最多可處理 50 個區塊，並對照共用的標籤設定檔；Microsoft 的頁面將批次推論列為已停用

• 計費資訊揭露 — Classify 的費率有明確列出，為每百萬個輸入 token 收費 0.05 美元、每百萬個輸出 token 收費 0 美元；Foundry 的每 token 費率則未列於模型頁面上

• 價格結構 — Classify 在多標籤模式下會隨你的標籤數量倍增，啟用推理功能時則加倍；Foundry 的費率是按 token 計算，並無公佈的標籤乘數

• 空白答案 — Classify 會傳回一個優勝者，即使沒有任何項目符合也一樣，因此閾值由你撰寫；Microsoft 所述的運作方式是，即使問題的框架不佳，仍會傳回分數

兩者都封閉的後果在兩種情況下都相同：你無法檢視產物，因此你唯一的驗證方式是行為驗證。這使得一組你自己標註資料的留出集成為不可或缺，也使得切換供應商的成本是重新執行該評估，而非修改程式碼。

OrcaRouter 在一個建構於任一者之上的管線中位於何處

這兩款模型都不在我們的型錄中，而且這裡沒有任何內容是在宣稱可用性——兩者都是結構化評分端點，而非 chat-completions 目標，而路由層也不是它們任何一方所需要的。我們提供的是它們上層的那一層：超過 200 個生成式模型，全藏在單一 OpenAI 相容金鑰之後，負責產出分類器所評判的草稿，以供應商定價原價轉嫁、0% 加價，並具備路由 DSL，可將多個模型組合成單一次呼叫，還能在服務路徑效能下降時自動容錯切換。如果決策模型把關著你的生成層被允許交付什麼，那麼生成層就是你停機風險的所在，而這正是一把金鑰能整合起來的那一半。

該選哪一個

若你需要有文件記載的語言涵蓋範圍、如果你已經身在 Azure 之中，或者對你的採購作業來說，大型供應商的合規態勢比公開的準確率數字更重要，就選擇 Microsoft-Decision-1。請接受：你將完全用自己的資料來評估它，因為 Microsoft 選擇不提供任何其他東西。

如果你的輸入超過 32k 個 token，如果你想把抽取步驟併入分類呼叫，或者如果你想要一套可逐標籤重寫、且無需重新訓練任何東西的評分規準，就選擇 ScaleDown Classify。接受這一點：準確度的論點是供應商自己的說法且未經重現，沒有公布任何校準數字，而且你得自己撰寫置信閾值與一個無所不包的標籤。

能決定這件事的衡量結果——兩個模型在相同輸入、相同選項排序、相同閾值掃描下，由不涉及利害關係的人執行——兩家供應商都尚未公布。在他們其中一方進行之前，誠實的解讀是：Microsoft 是較安全的預設選擇，而 ScaleDown 是能力更強的工具。

像這樣的比較，也正是失效模式會浮現的地方：這一類模型背後有紀錄的 AI 事故與代理失效，都彙集在OrcaRouter AI 事故檔案庫，其中每一筆條目都附有自己的來源、嚴重程度、信心等級與爭議標記。