Microsoft-Decision-1 – 微软的快速决策模型,百万输入 token 0.042 美元

AI工具1个月前发布 aibin_cn
54 0

Microsoft-Decision-1是什么

Microsoft-Decision-1 是微软在 2026 年 10 月 9 日发布的决策打分模型,已在 Microsoft Foundry 上线。它不做对话也不写文章,只给一批固定选项打分:你给它一个情境和几个候选答案,它在一次推理里为每个选项算出校准过的概率,软件拿到数字就能决定是继续、重试、升级还是交给人审。底座是阿里开源的 Qwen3.5-9B,微软做的是后训练。上下文 32768 个词元,只吃文本,输出结构化 JSON,支持是 / 否、多选、打分三种形式。价格是每百万输入 token 0.042 美元,输出免费。

这个价格值得单独说:它和 TypeSafe 的 Jev 一模一样,而 Jev 是这赛道的开创者。微软还说今后会把它换到自家 MAI 和 OpenAI 的底座上。

Microsoft-Decision-1 - 微软的快速决策模型,百万输入 token 0.042 美元

微软的决策打分模型,基于 Qwen3.5-9B 后训练,每百万输入 token 0.042 美元,输出免费

Microsoft-Decision-1的主要功能

  • 给固定选项打分:输出的是每个选项的概率,不是一个排名。概率本身是接口的一部分,应用可以拿它设阈值,比如超过 90% 就自动执行,落在中间就转人工。
  • 四种决策形式:是 / 否、多选、数值打分,以及按给定评分标准去评 AI 生成的回答或智能体提出的动作。
  • 一次推理出结果:不做逐字生成,把情境和封闭选项集一起送进去,一次算完,这是它把延迟压下来的方式。
  • 决策稳健性:微软对同一个请求做了 8 种改写(换个说法、改选项描述、调换顺序、改键名、加格式噪音),测决策会不会翻,平均翻转率 1.3%,选项描述改写和顺序打乱这两种情况下翻转率为零。
  • 多选项可以共享输入:官方接口支持多个问题共用一段输入,配合路由、分类这类批量场景。

Microsoft-Decision-1的技术原理

  • 底座是别人的,训练是自己的:底座 Qwen3.5-9B 是 90 亿参数的稠密模型,微软在它上面做后训练,把它从一个通用 大语言模型 调成一个只会打分的东西。微软自己说得很直白,这不是新架构,是把一个开源权重底座引向一个窄任务。
  • 训练目标是校准而不是流畅:普通模型被训练成把话说明白,它被训练成「说自己 70% 对的时候,十次里大约七次真的对」。这个属性决定了应用能不能拿概率当阈值用。
  • 校准在陌生任务上会掉:官方文档有一句限定,说校准在熟悉的任务类型上最强。翻译过来就是,你自己那套标注数据才是真正的考试。
  • 速度来自单次推理:不做自回归生成,省掉了逐词吐字那一段。官方给的理由是决策会叠加,20 个串行决策每个多 100 毫秒,整条流程就多两秒。

Microsoft-Decision-1如何使用

  • 两个入口:Microsoft Foundry 已经可用,OpenRouter 官方说稍后接入。Foundry 上的版本号是 1,标注为正式可用。
  • 接口形态:一次结构化调用,送进情境加选项,拿回每个选项的概率。是 / 否、多选、打分、评分标准评级都是同一个接口。
  • 按预算估费用:每百万输入 token 0.042 美元,输出不收费。这个定价对高频重复的判断题最有利,因为输出侧的成本被抹掉了。
  • 想清楚哪些判断该交给它:选项封闭、标准明确的判断题适合,开放式推理不适合,它本来也不产出解释文字。

Microsoft-Decision-1的核心优势

  • 价格对齐了赛道开创者:0.042 美元每百万输入 token 与 TypeSafe 的 Jev 完全相同,输出都免费。这不是巧合,是照着对手定的价。
  • 延迟是它最强的一项:官方数据里中位延迟 85 毫秒,p95 是 125 毫秒,比 GPT-6 Sol 的 3010 毫秒快约 35 倍。
  • 准确率在自家榜单上排第一:36 项基准、147137 道题的平均分 83.5,第二名 Quyet-1.0-Large 是 81.9。前六名里第 2 到第 6 名只差不到 3 分,差距集中在延迟那一列而不是准确率那一列。
  • 内部有真实账本:Xbox 研究团队把 1 万多条玩家反馈拿它做主题分类,官方称质量与 GPT-6 Sol 相当,速度快 14 倍以上,成本约为两百分之一。
  • 数据不出自己的环境:走 Azure 的企业可以在既有合规框架里调用,这对金融和医疗这类行业是实际的门槛差异。

Microsoft-Decision-1的同类竞品对比

这次选 Jev(TypeSafe)作参照。它是这个赛道的第一款模型,比 Decision-1 早约三周半,价格与 Decision-1 一分不差,而且在微软自家的图表里校准那一项比 Decision-1 高。

对比维度 Microsoft-Decision-1 Jev 1.13.0
36 项基准平均准确率 83.5 未列入排名
中位延迟 85 毫秒 240 毫秒
校准分 92.2 93.7
输入价 / 输出价 0.042 美元 / 免费 0.042 美元 / 免费
是否开源权重 否,托管服务 否,托管服务
底座 Qwen3.5-9B 未公开

这张表里有几件事要说清楚。第一,「快 4.5 倍」这句话对不上它自己的原始数据。官方博客原文写的是「比 Quyet-1.0-Large 快 4.5 倍」,但 Quyet 是准确率的第二名,380 毫秒。按速度排,第二名是 H2O-Lightning-4B v1.1,210 毫秒,快 2.5 倍。有人把官方图表里的数据数组解了出来,85 毫秒、380 毫秒、210 毫秒都是原始值,2.5 倍才是速度上的真实差距。官方更新的版本已经把这句改成了「比 H2O-Lightning-4B v1.1 快 2.5 倍」,但中文报道基本还在写 4.5 倍。第二,校准这一项它不是第一。图表里 Jev 是 93.7、Quyet 是 93.1、Decision-1 是 92.2,排第三,这个名次官方在图表注释里自己写了出来。第三,榜单是微软自己搭的,也是微软自己赢的。36 项基准只给了一个平均分,没给清单、没给单项分数、没给每项题数、没给置信区间,也没有说明平均分是按题数加权还是按基准等权。评审方就是发布方。第四,这个「场」也是微软自己挑的。名单取自公开的 JevBench 榜单,里面有一个被脚注处理掉的:Strands-Decider 2B 只答了 36 项里的 23 项,最后没进排名。我们写过这个模型,可以对照 Strands Decider 2B。第五,博客发布后改过。官方加了一条编辑注记,说更新以补上 Jev 的准确率与校准基准,补进去之后 Decision-1 在校准项上就落到了第三。第六,Jev 也不是没有短板。同一批数据里,Jev 在这个 36 项基准上因为没测全而没有排名,只有在自家 JevBench 上才有名次,两边不能互换着看。而 JevBench 那个榜的第一名也不是 Jev(当前是 Cygnet 与 Winnow-12B 并列领先)。想了解同一赛道的另一条路线,可以看我们写过的 StartLux-Decision。

Microsoft-Decision-1的官方地址

Microsoft-Decision-1的应用场景

  • 智能体流程里的小判断:检索时选哪个工具、这段材料相不相关、证据够不够了、要不要再走一轮,这类步骤选项是封闭的,用它比每次都调一个大模型便宜得多。相关概念可以看 AI 智能体。
  • 模型路由:先判断一个请求该送给哪个模型,按质量、成本、延迟三个条件分派。
  • 数据打标:社交媒体内容、用户反馈的批量分类,跑量大的时候单价决定了能不能全量跑。
  • AI 当裁判:按给定的质量标准评判一条 AI 回答是该接受、改写还是退回,比用大模型当评委便宜。
  • 事故分级与派单:按类型和紧急度给工单分类,再决定派给哪个团队。
  • 安全与内容审核:判断一条输入该放行、拦下还是升级人工。同类工具可以看 AI 智能体分类。

© 版权声明

相关文章