Microsoft-Decision-1

模型 创建 更新
deepseek-v4.1-flash 2026-10-10 2026-10-10

Microsoft-Decision-1 是微软在 2026-10-09 发布的决策评分模型（decision-scoring model）：给定一个状态、一个问题与一组固定选项，它返回每个选项的校准概率，而不是生成的文本；模型由阿里的开源 Qwen3.5-9B 后训练而成，只以托管 API 提供。

它的核心取舍是「用可替换的底座换取大厂托管的评分接口」：微软把决策评分做成一个稳定的 API 形状，权重不公开，也不打算把服务绑死在某一个基座模型上（官方称后续会在 MAI 与 OpenAI 模型上 rebase）；代价是全部性能数字都是微软自跑、无第三方复现，而且它既不能自托管、也不能微调。

是什么

  • 出品与作者：微软 Office of the CTO，署名为该部门软件工程副总裁 Achint Srivastava（官方博文）。
  • 定位：厂商所称「决策模型」这一新品类——面向软件直接消费的结构化输出（路由、分类、优先级排序、验证与工作流控制），不是聊天或文本生成。
  • 工作方式：一次调用 = 一个状态 + 一个问题（含固定选项）。支持是/否、多选、评分、分类与 rubric 评分五类问题，另支持对 AI 回复或 agent 拟执行动作按准则打分、对证据做 groundedness 检查，以及「cannot tell」这类显式弃权选项；官方称在一次模型调用内完成对 32K token 以内输入的单趟打分（Foundry 模型目录）。
  • 底座与训练：对阿里的开源权重模型 Qwen3.5-9B 做后训练（官方未公布确切参数量）；训练数据为经微软 Open Data 流程处理的公开数据集加团队自建合成数据；官方明确「会在包括 MAI 与 OpenAI 在内的其他模型上 rebase」（官方博文与 Foundry 目录）。
  • 输出：JSON。不生成解释或理由，也不接受或产出图像、音频、视频。
  • 入口：Microsoft Foundry（属「Direct from Azure」组合，按量计费或预留 PTU）与 OpenRouter。OpenRouter 与第三方目录都写明它走 Decisions API（POST /api/v1/decisions），不是 chat completions 端点，chat SDK 不能直接调。

当前状态

  • 已可用。Foundry 目录的 Lifecycle 标为 Generally available（GA），Type 标为 Text classification / Zero shot classification（读取于 2026-10-10）。
  • 上线时 OpenRouter 写作「即将可用」，此后已落地；OpenRouter 侧由 Azure 单一供应商承接，官方称权重会持续更新，但 API 形状保持不变。
  • 证据状态是本条目最需要留意的地方：Foundry 目录的 Benchmarks 标签页没有给出任何数字，只有一段方法学说明与定性表述；第三方在 2026-10-10 读取该页后也确认「有方法学、无结果」。因此本页的性能数字只能记为厂商自述。
  • 微软称会继续更新模型，并「加入评测与数据来进一步优化质量、置信度与成本」——即当前的评测口径本身还在变化。
  • 底座可替换是设计的一部分：接口与底座解耦，意味着行为与质量可能随 rebase 改变。

优势

  • 单价与 Jev 同级、低于 OpenAI 方案：$0.042 / M 输入 token，输出 token 免费；微软给出 OpenAI 的 Decisions API（GPT-6 Luna Decisions）为 $0.10 / M 输入，约为它的 2.4 倍。
  • 厂商自述的速度：微软图表给出 p50 85 ms、p95 125 ms（第三方转述）；官方称比 H2O-Lightning-4B v1.1 快 2.5 倍、比 GPT-6 Sol 快 35 倍。同图对比模型的延迟取自 JevBench 调整中位数，其口径有争议，见「局限」。
  • 厂商自述的准确率：在微软自跑的 36 项基准（官方称近 15 万题）上平均准确率 83.5%，同图 Quyet-1.0-Large 81.9%、GPT-6 Luna Decisions 79.4%、H2O-Lightning-4B 77.2%。
  • 扰动稳定性有明确数字：同一请求做八种扰动，平均只有 1.3% 的决策翻转；选项描述被改写、以及选项被反转或打乱时为零翻转。
  • 企业采购路径完整：Direct from Azure 意味着统一账单、治理、区域与支持都走微软既有体系，另有 Responsible AI 评估与文档化的评测方法学——这常是受监管场景的实际准入门槛。
  • 内部落地案例具体：Xbox Research 用它把 1 万余条开放反馈分到固定主题集，微软称质量与 GPT-6 Sol 相当而快 14 倍以上、便宜约 200 倍；Copilot 团队用它做回复质量评估，称与 GPT-5.6 Luna 相当、快 100 倍；Microsoft Discovery 的 rubric 评分称一致性是 LLM 评分的 46 倍、速度 3 倍，自适应重规划快近 4 倍。
  • 底座不小：基座是 9B 级模型，比同品类多数开权重方案（0.8B–4B）大一档。

局限与注意事项

  • 闭源托管，无权重：不提供下载，也没有 Hugging Face 仓库（第三方读取确认），因此不能自托管、不能在自己的数据上微调，也无法做权重层面的审查。
  • 所有性能数字均为微软自跑：36 项基准、内部案例与安全测试（5,250 请求 / 11 基准）都无独立复现；Foundry 目录的 Benchmarks 标签页不含数字，微软公布的是一套方法学，不是可复算的结果。
  • 校准口径与左列不同、且不是最优：微软给的是「校准分」92.2（越高越好），低于同图 Quyet-1.0-Large 的 93.1；这与 Arize 给 Clef / Jev / Kev 的「校准误差」（越低越好）不是同一指标，不能并列比较。要用置信度做自动放行前必须自测。
  • 延迟对比有争议，且官方已改过一次口径：官方现文本写「比 H2O-Lightning-4B v1.1 快 2.5 倍（亚军）」，并注明该文已更新以补入 Jev 的准确率与校准基准；多数第三方报道仍在引用更早的「比 Quyet-1.0-Large 快 4.5 倍（亚军）」。H2O.ai 的模型卡反驳 JevBench 的调整口径，称它把实测时间翻倍再加 0.15 s，其自测中位为 29 ms 而非图上的 210 ms，且 H2O-Lightning-4B 在 JevBench 官方综合榜排第一（72.5）；Microsoft-Decision-1 本身未出现在 JevBench 榜上。
  • 能力边界被官方写死：不用于文本生成、开放式问答、对话、翻译与摘要；只接受文本；不提供解释或理由；不用于「没有封闭问题与固定选项」或「需要输入之外知识」的任务。
  • 合规限制明确：不得作为对人做重大决定的唯一自动化决策者（信贷、就业、住房、保险、教育、医疗、法律权利等）；不得用于监控、画像与追踪个人。整合适配、阈值、升级路径与人工监督的责任都在调用方。
  • 批量推理不可用：第三方读取部署列表显示 batch inference 被禁用，无法用批处理摊薄大规模打分成本。
  • 多语言覆盖收窄：第三方读取模型卡的记录称支持 25 种语言，且微软明说覆盖、质量与校准「可能因语言而异」，非英语尤以低资源语言为弱项；基座 Qwen3.5-9B 本身支持的语言远多于此。

价格与许可

  • 定价：$0.042 USD / M 输入 token，输出 token 免费（官方博文、Foundry 目录与 OpenRouter、Vercel AI Gateway 三方一致；核验于 2026-10-10）。
  • 许可：闭源商业托管服务，无权重、无自托管选项；Foundry 页面有 License 标签，具体条款以 Azure 产品条款为准。
  • 成本对照：微软自估分类 100 万条文本约需 11 美元，同一示例中 GPT-6 Sol 约 2,434 美元——属模型化估算，不是客户账单，且计入了一般模型的输出费用。

价格历史

日期 方案 变化 来源
2026-10-09 Foundry / OpenRouter 托管 上线基线：$0.042 / M 输入 token，输出免费 官方博文
2026-10-10 Foundry / OpenRouter 托管 复核未变，与 OpenRouter、Vercel AI Gateway 一致 OpenRouter

替代方案

  • Jev：同为 $0.042 / M 输入 token 的闭源托管方案，也是被多数竞品接受的事实接口；差别在证据——Jev 有 Arize 的同批第三方实测与一篇 arXiv 独立评测，Decision-1 目前只有厂商自述。要第三方验证过的准确率与更成熟的生态选 Jev。
  • Clef：同品类唯一能自托管并且能读图像（omni 另接音视频）的方案，代价是单价高（$0.24 / M）与自托管显存门槛（41–85 GB）。要权重或多模态输入选 Clef。
  • Kev：与 Decision-1 出自同一底座的两条相反路线——Kev-9B 的基座同为 Qwen3.5-9B，但以 Apache-2.0 发权重、可自托管、可在自有数据上微调，准确率低一档。要可复制性与微调自由选 Kev。
  • OpenAI Decisions API（GPT-6 Luna Decisions）：同为大厂托管评分接口，输入单价 $0.10 / M（约 Decision-1 的 2.4 倍），微软自评其准确率 79.4%、校准分 89.9，图上标为可接受文本与图像。要留在 OpenAI 栈内、或需要图像输入可评估它。本区暂无其独立笔记。
  • Quyet-1.0-Large（Chinh Nguyen）与 H2O-Lightning-4B（H2O.ai）：Apache-2.0 的开权重自托管决策模型，微软自评准确率分别 81.9% 与 77.2%，但对延迟口径有公开异议。要在自有硬件上跑、且不想受托管条款约束可选这两者。本区暂无其独立笔记。

适用建议

  • 需要一个能进微软既有采购、账单与治理流程、按量计费、按概率阈值分流的托管评分器：Decision-1 是当前最便宜的大厂托管选项之一，但要先在自建任务集上复测。
  • 数据不能出内网、要自己微调、或要权重层面的审查：不要选它，改选 Kev 或 Clef。
  • 任务涉及看图像、听音频或看视频：改选 Clef / Clef-omni，Decision-1 明确只接受文本。
  • 采购或合规材料里引用准确率与校准：本区里目前只有 Jev 与 Clef 有第三方同批实测可引；引用 Decision-1 的数字必须写明「厂商自述、未经复现」。
  • 无论选哪一方：按自己的错误成本设阈值、始终保留弃权选项，并在有后果的路径上留人工复核；官方自己也把整合适配与阈值定义的责任放在调用方。

变更记录

  • 2026-10-10：创建。收录官方公告与 Foundry / OpenRouter 的可用性、Qwen3.5-9B 底座与可 rebase 的设计、支持的问题类型与显式弃权、厂商自述的准确率 / 校准 / 延迟 / 扰动与安全数字及其证据边界、延迟对比的口径变更与 H2O.ai 的异议、合规限制与定价，以及与 Jev / Clef / Kev / OpenAI 方案的取舍。

相关知识

  • 决策模型：本页所属主题入口，说明收录边界与成员清单。
  • Jev：同主题条目；同为 $0.042 / M 的闭源托管方案，是 Decision-1 最直接的对照。
  • Kev：同主题条目；与 Decision-1 同出 Qwen3.5-9B 底座，但走开权重、可自托管的反方向。
  • Clef：同主题条目；同品类唯一可自托管且支持多模态的方案。
  • SemIf：同主题条目；不训练、直接复现该接口模式的基线与运行时。
  • 决策模型比较：五个条目的逐维度矩阵，含 Decision-1 的厂商自述证据标注。
  • 知识库：全部主题的索引。

参考来源