微软发布 Microsoft-Decision-1：基于 Qwen3.5-9B 的决策评分模型

• 编辑精选
• 智能体 AI
• 技术
• AI 短片
• 人工智能
• 应用
• 语言模型
• 决策模型
• 面向开发者
• 大语言模型
• 机器学习
• 新发布
• 科技新闻
• Python
• 软件工程
• 员工专栏

微软发布了 Microsoft-Decision-1，这是一个用于路由、分类、验证和智能体控制的决策模型。Microsoft-Decision-1 是一个决策评分模型，它为每个固定的答案选项返回校准后的概率，而不是生成文本。该模型基于阿里巴巴的 Qwen3.5-9B 进行后训练，目前已在 Microsoft Foundry 和 OpenRouter 上提供使用。

TL;DR（太长不看）

• 规模：基于 Qwen3.5-9B 构建；确切参数量未披露。上下文窗口为 32,768 个 token。
• 运行环境：仅限托管 API（通过 Azure 在 Microsoft Foundry 和 OpenRouter 上）。无开源权重，无量化变体，硬件信息未披露。
• 性能：在微软的 36 项基准测试对比中，平均准确率最高，p50 延迟为 85 毫秒。
• 最佳表现：在 36 项基准测试中平均准确率为 83.5%，领先于 Quyet-1.0-Large 的 81.9%。
• 最差表现：校准度为 92.2，仅次于 Quyet-1.0-Large 的 93.1。仅支持文本输出，不提供解释。
• 总结：最大优点：快速、廉价且校准良好的决策，每百万输入 token 成本为 0.042 美元，输出免费。最大缺点：权重封闭，且所有基准测试均由厂商自行运行。

什么是决策模型？

决策模型读取输入并对一组封闭的选项进行评分。它不撰写散文。微软将决策模型定义为一种新的 AI 类别，专为软件能够立即执行的输出而构建。

Microsoft-Decision-1 如何工作？

微软对 Qwen3.5-9B 进行了后训练，以实现单次通过的决策评分。给定情境、问题和固定选项，它能在一次调用中返回每个选项的概率。微软计划未来版本将基于 MAI 和 OpenAI 模型重新构建基础。

• 是/否、多项选择、评级、分类和评分标准问题
• 对 AI 响应和拟议智能体行动进行评分
• 针对提供的证据进行事实核查
• 明确的弃权选项，如“无法判断”

训练使用了微软开放数据流程下的公共数据集以及合成数据。输出格式为 JSON。OpenRouter 指出，权重会持续更新，但 API 接口保持不变。

它的速度和准确性如何？

微软在 36 项基准测试中对 9 个系统进行了比较，共涉及 147,137 个问题。这些基准测试在训练过程中保持盲测状态。Microsoft-Decision-1 以 83.5% 的平均准确率位居榜首。

其 p50 延迟为 85 毫秒，p95 延迟为 125 毫秒。这比 Quyet-1.0-Large 快 4.5 倍，比耗时 3.01 秒的 GPT-6 Sol 快 35 倍。

微软还测试了模型的鲁棒性。它对每个请求进行了 8 种方式的扰动，包括改写和选项重排。模型平均在 1.3% 的扰动情况下改变了决策。当选项被改写、反转或重排时，决策翻转次数为零。

在安全性方面，微软在 11 项基准测试中运行了 5,250 个请求。这些测试涵盖了有害内容、越狱攻击和提示注入。微软报告称，模型在保持高实用性的同时正确拒绝了恶意请求，但未公布具体分数。

微软报告的内部结果

• Xbox Research：对 10,000 多条反馈项目进行了排序，速度比 GPT-6 Sol 快 14 倍，成本降低 200 倍。
• Copilot 质量控制：与 GPT5.6 Luna 相当，速度快 100 倍。
• Microsoft Discovery：一致性比 LLM 评分高出 46 倍，速度是其 3 倍。

它与其他决策模型相比如何？

准确率、校准度和延迟行数据来自微软的图表。竞争对手的延迟数据使用的是 JevBench v1.6.1 的调整后中位数。

延迟比较是否公平？

并不完全如此。微软通过 Foundry 测量了其自身模型的性能。竞争对手的数据使用的是 JevBench 的调整后中位数，而非原始计时数据。

H2O.ai 的模型卡片对此提出了异议。该卡片指出，JevBench 的调整后的数据将测量的时间翻倍并增加了 0.15 秒。H2O 表示其模型的中位数测量值为 29 毫秒，而非 210 毫秒。Microsoft-Decision-1 并未出现在 JevBench 榜单上。在该榜单的官方综合排名中，H2O-Lightning-4B 以 72.5 分位列第一。

开发者如何部署它？

开发者可以通过 Microsoft Foundry 将其作为一般可用的“Direct from Azure”模型进行调用。在 OpenRouter 上，它运行于 Decisions API，而非聊天端点。聊天补全 SDK 将无法使用。

定价为每百万输入令牌 0.042 美元，输出免费。OpenAI 的 Luna 决策端点收费为每百万输入令牌 0.10 美元。

存在哪些限制？

• 不用于文本生成、开放式问答、聊天、翻译或摘要。
• 仅限文本。不支持图像、音频或视频。
• 输出中不包含解释或理由。
• 不用于信贷、就业、住房、医疗保健或法律权利方面的单一自动化决策。
• 应用程序必须定义选项、阈值、升级路径和人工监督。

关键要点

• Microsoft-Decision-1 对固定选项进行评分，提供校准后的概率，而非生成文本。
• 基于 Qwen3.5-9B 进行后训练，拥有 32,768 个令牌上下文窗口。
• 在微软的 36 项基准测试对比中领先，准确率达到 83.5%，p50 延迟为 85 毫秒。
• 成本为每百万输入令牌 0.042 美元；输出令牌免费。
• 延迟比较存在争议；独立的 JevBench 结果仍在等待中。

Asif Razzaq 是 Marktechpost AI Media Inc. 的首席执行官。作为一名富有远见的企业家和工程师，Asif 致力于利用人工智能的潜力造福社会。他最近的举措是推出了一个名为 Marktechpost 的人工智能媒体平台，该平台以其深入报道机器学习与深度学习新闻而脱颖而出，内容既具备技术严谨性，又易于广大受众理解。该平台月浏览量超过 200 万次，彰显了其在受众中的受欢迎程度。