决策模型正成为人工智能新类别，不同于生成文本或推理的 LLM，它输出可立即执行的结构化结果，以低成本高性能做决策与分类。今天，微软（Microsoft）推出用于快速决策评分的微软决策 1（Microsoft-Decision-1），在 Microsoft Foundry 和通过 OpenRouter 提供，面向路由、分类、验证和工作流控制；它在结构化决策任务上优于 LLM 和其他决策模型，并在含近 150,000 个问题且训练未见过的 36 项基准中准确率最高、速度最快。
正文
决策模型正在迅速成为 AI 中一个重要的新类别。与为生成文本或推理复杂问题而设计的 LLM 不同，决策模型专门用于输出软件可以立即执行的结构化结果。一旦理解了这种能力——以低成本、高性能做出决策并对事物分类——各种有用的任务就成为可能。
今天，我们推出 Microsoft-Decision-1，这是我们用于快速决策打分的新型模型，已在 Microsoft Foundry 上线，并通过 OpenRouter 提供。该模型面向路由、分类、优先级排序、验证和工作流控制而设计，让决策智能更容易以安全、可信的方式融入现有应用、智能体和工作流。在结构化决策任务上，Microsoft-Decision-1 在延迟和质量上都达到顶级表现，优于 LLM 和其他决策模型。
在包含近 15 万个问题的 36 项基准对比中（这些基准对训练保密），Microsoft-Decision-1 取得了最高准确率。在我们的基准测试中，它也是测得最快的：比亚军 Quyet-1.0-Large 快 4.5 倍，比 GPT-6 Sol 快 35 倍。
Microsoft-Decision-1 的工作原理
为了构建 Microsoft-Decision-1，我们对 Qwen3.5-9B 进行了后训练，用于快速、单遍决策打分，并将很快将其重新基于其他模型，包括 Microsoft AI（MAI）和 OpenAI 的模型。在给定一组固定答案选项时，Microsoft-Decision-1 会为每个选项提供经过校准的概率得分。该模型支持是/否、多项选择和评分选项，以及对 AI 响应和智能体动作进行基于评分标准的分级，所有这些都通过一个简单的结构化 API 调用完成。
要构建可靠的决策模型，我们必须解决几个挑战：
1. 速度
每个决策都会增加延迟，尤其是当一步依赖另一步时。例如，在 20 个顺序决策中，每个仅增加 100 毫秒，就会让整个工作流增加 2 秒。Microsoft-Decision-1 的 P50 延迟约为 GPT-6 Sol 的 35 倍快。
2. 可泛化的质量
很容易让模型在单一基准或单一类型决策任务上过拟合。我们需要知道这种质量是否能迁移到模型未训练过的各类任务。因此，我们在数十个对训练保密的基准上评估了 Microsoft-Decision-1，涵盖路由、排序、长上下文、多语言和分布外任务、推理以及安全性。我们还选取了热门开放排行榜 JevBench 上几个领先的公开模型，在另外 36 个公开和私有基准上进行了测试。Microsoft-Decision-1 在这些更广泛的基准集上表现最好，展现出强泛化能力。
3. 鲁棒性
等价的输入应产生等价的决策。在生产环境中，状态和指令会被改写，选项描述会变化，选择会被重排，键名会改变，还会出现无害的格式噪声。这些变化都不应实质改变决策。我们以八种方式扰动同一请求，并测量决策翻转的频率。Microsoft-Decision-1 平均在 1.3% 的扰动下改变决策；当选项描述被改写，或选项被反转、打乱时，翻转次数为零。
4. 概率与置信度校准
概率本身是 API 的一部分，而不只是排序分数。应用会用置信度来决定何时执行、推迟或请求人工复核，因此在代表性案例中，90% 的预测应当大约有九次是对的。
5. 安全性
决策模型应能识别有害请求，同时不必过度拦截无害请求。我们在 11 个基准、5250 个请求上测试了 Microsoft-Decision-1，覆盖有害内容、越狱尝试和提示注入。结果发现，模型成功拒绝了有害行为，同时保持了很高的实用性。
演示示例
分类是决策模型的一个关键用例。来看看 Microsoft-Decision-1 与 GPT-6 Sol 相比，能以多高准确度和速度对各类查询进行分类：
决策模型在计算机操作场景中也很高效。该演示展示了 Microsoft-Decision-1 与 GPT-6 Sol 相比，完成购买背包任务的速度有多快：
我们内部如何测试 Microsoft-Decision-1
以下是我们内部测试 Microsoft-Decision-1 的一些方式，后续还会有更多。
数据标注
XBOX Research 使用 Microsoft-Decision-1 处理了来自调查、STEAM 和 Twitter/X 的超过 1 万条开放式反馈与评论，并按研究人员设定的固定主题集进行分类，以了解人们对不同游戏、发布、直播等的评价。他们发现，Microsoft-Decision-1 在质量上可与 GPT-6 Sol 竞争，同时运行速度快 14 倍以上，便宜约 200 倍。
质量控制
Copilot 团队负责衡量聊天和智能体响应的质量。他们的测试发现，Microsoft-Decision-1 可与 GPT5.6 Luna 竞争，并且快 100 倍。
事件响应
我们的值班工程师使用 AI 检索相关知识，以响应来自日志、工单系统、通话、消息和其他数据源的线上事件。在知识检索方面，Microsoft-Decision-1 的表现和速度都优于 LLM。
科学发现
Microsoft Discovery 实现了一种自适应重新规划功能：智能体评估先前的实验，根据评分标准修正方法，并重复这一过程直到完成目标。Microsoft-Decision-1 的评分一致性是 LLM 评分的 46 倍，速度是其三倍，并使自适应重新规划整体速度提升近四倍。
Video 5 更快、更可靠的规划可能对长期科学实验的结果产生重大影响。
以上只是少量示例。Microsoft-Decision-1 还有许多潜在用例。可以尝试以下方向：
- 智能体控制： 评估智能体提出的下一步动作，决定继续、停止、重试，还是交给模型、工具或人工。
- 模型路由： 评估传入请求，根据质量、成本和延迟要求选择最适合该任务的模型。
- 基于技能的决策： 应用智能体技能中的规则来选择合适的下一步动作，而无需反复处理一长串指令。
- 数据标注： 为社交媒体帖子、客户反馈和其他数据分配一致标签，用于分析或训练。
- AI 评审： 根据定义的质量标准评估 AI 生成的响应，决定接受、修改还是拒绝。
- 意图分析： 识别用户想要完成什么，并将其请求匹配到受支持的意图。
- 事件响应路由： 按类型和紧急程度对事件分类，然后路由给合适的团队或工作流。
- 数据验证： 检查输入是否满足既定要求，决定接受、拒绝还是标记复核。
- 推荐： 从一组候选项中选出最相关的项目、优惠或下一步动作。
- 搜索相关性： 评估搜索结果与查询的匹配程度，并分配相关性标签或优先级。
- 内容分类与过滤： 按主题或策略对内容分类，决定展示、过滤还是送审。
- 代码扫描： 根据既定标准评估代码，标记潜在缺陷或策略违规以供复核。
- 安全与安保筛查： 按风险对请求、输出或拟议动作分类，决定允许、阻止还是升级处理。
- 计算机与 UI 操作： 根据当前屏幕和任务，从一组选项中选择下一个界面动作。
- 机器人： 根据观测、任务目标和操作约束，在预定义的机器人动作中进行选择。
- 科学发现： 根据既定标准筛选候选假设、化合物或实验，并排定优先级以供进一步评估。
开始使用
开发者今天就可以在 Microsoft Foundry 中开始使用 Microsoft-Decision-1：https://ai.azure.com/catalog/models/Microsoft-Decision-1。也可以通过 OpenRouter 开始使用：https://openrouter.ai/microsoft/microsoft-decision-1。
定价
输入 token 价格为每百万 token 0.042 美元。输出 token 免费。
展望未来
既然智能体 AI 已成为现实，我们发现成本在人们决定如何使用 AI 时起着重要作用。为合适的工作选择合适的模型也变得越来越重要。随着智能体在现实世界中采取行动并产生影响，决策模型有潜力帮助人们在复杂环境中引导和控制这些智能体。
我们期待看到开发者用 Microsoft-Decision-1 构建出什么，也期待听到他们的反馈。我们将持续发布模型更新，包括通过纳入评估和数据，进一步优化质量、置信度和成本。
附录：参与基准测试的模型
Quyet-1.0-Large — https://huggingface.co/chinhnc/Quyet-1.0-Large Surogate Rune 26B-A4B — https://huggingface.co/surogate/rune-26b-a4b-GGUF GPT-6 Luna Decisions — https://developers.openai.com/api/docs/guides/decisions deck-31B — https://github.com/krishna-gogineni-765/deck31b H2O-Lightning-4B — https://huggingface.co/h2oai/h2o-lightning-4b Strands-Decider 2B — https://github.com/strands-labs/strands-decider
评论
讨论整体充满调侃与怀疑，主轴是微软这款决策模型究竟是借开源小模型快速蹭热点，还是真在押注本地推理与廉价决策评分。多数人质疑它的定价、文档与评测透明度，也有评论指出它只是基于 Qwen 等开源小模型的包装；少数人则从本地推理/Windows AI API 方向理解微软，或对微软品牌只剩怜悯。
认为它只是基于 Qwen 小模型的快速包装，开放权重生态才是赢家
- 这款决策模型被指和 Cloudflare Clef 等近期一批产品同源，都是拿较小的 Qwen 模型做后训练/包装；微软说明中确认用 Qwen3.5-9B 做快速单遍决策评分，之后还会换到 MAI、OpenAI 等模型，这被看作开放权重正在驱动整个生态，也反直觉地说明对中国模型的恐惧在消退。（少数人）
为了构建 Microsoft-Decision-1，微软用 Qwen3.5-9B 做后训练来实现快速的单遍决策评分，看来对中国模型的恐惧终于消退了。（@simonw）
质疑它定价不具竞争力、评测避重就轻，像为炒作赶工
- 有人问为什么不做对 Jev 的准确率评测；也有人发现微软只把自己的价格和 GPT Sol 比，却不比 GPT Terra、GPT Luna，更不比真正的低价竞品 Jev，而 Jev 成本只有 Luna 的四成，因此认为它价格毫无竞争力、评测在避重就轻。加上 API 文档还没有、不知道怎么试用，整个发布看起来像赶热度。（较多人）
微软只把自己的价格和 GPT Sol 比，却不比 GPT Terra 或 GPT Luna（OpenAI 的 Jev 模仿品基于它们），更不比 Jev，而 Jev 的成本只有 Luna 的四成。（@HarHarVeryFunny）
认为微软在押注本地推理与 Windows 原生 AI API
- 有人从战略角度看，认为微软并非只发一个单点模型，而是在重押本地推理，未来 Windows 可能会有可本地运行、也可选在云/边端运行的原生 AI API；这款决策评分模型只是该路线的一部分。（少数人）
微软似乎在重押本地推理，未来 Windows 会有原生 AI API，可在本地或按需在云/边端运行。（@chris_money202）
认为微软品牌已经烂到只剩怜悯
- 有人表示微软品牌受损太严重，自己连负面情绪都没有了，只剩下怜悯；这种反应不是单纯吐槽产品，而是对微软整体信任耗尽后的冷漠与怜悯。（少数人）
微软品牌已经受损到我甚至不再有负面情绪，只剩下怜悯。（@bflesch）
有价值的补充
- 有人用恶搞工单讽刺决策模型的路由输出：
一条“我拉在裤子里了，现在我的裤子里有屎”的消息被问“该哪个团队处理”，结果判给 Tech Support（85%），作者还补一句“听上去还真对”。（@MisterMunchkin）