微软推出 Decision-1：基于 Qwen3.5-9B 的快速决策评分模型

微软发布了一款专注于决策评分的新模型 Microsoft-Decision-1，专为路由、分类、优先级排序、结果验证和工作流控制等场景打造。该模型由首席技术官办公室软件工程副总裁 Achint Srivastava 对外公布，目前已通过 Microsoft Foundry 和 OpenRouter 以公开预览形式提供。

与生成自由文本的通用大语言模型不同，Decision-1 接收一段状态描述和一组固定的候选答案，然后为每个选项返回一个经过校准的概率值。这种结构化输出直接面向需要立即据此采取行动的软件系统，而非供人阅读的长文本。

模型是如何工作的

微软在阿里巴巴开源的 Qwen3.5-9B 权重基础上进行了后训练，使其专门执行单次决策评分任务。官方表示未来计划将该模型迁移到其他基础模型之上，包括微软自研的 MAI 以及 OpenAI 的模型。当前版本支持是非题、多选题、评分，以及对 AI 回答或智能体动作进行基于评分标准（rubric）的打分。

模型接受纯文本输入，上下文窗口为 32,768 个 token，输出为 JSON 格式。定价方面，输入 token 为每百万 0.042 美元，输出 token 完全免费。值得关注的是，微软并未释放权重，模型仅以托管 API 的形式对外提供。

微软强调了五个设计目标：低延迟（内部测试中 P50 约 85 毫秒）、跨未见过基准的泛化能力、对改述和选项重排的鲁棒性、概率校准质量，以及在拒绝有害请求的同时保留实用性的安全过滤。

**后训练（Post-training）**是指在预训练大模型的基础上，针对特定任务或行为目标进行进一步微调的过程，通常包括监督微调（SFT）和基于人类反馈的强化学习（RLHF）等技术。与从头训练相比，后训练可以在保留基础模型语言理解能力的同时，大幅压缩特定任务的输出空间——Decision-1 的做法正是如此：以 Qwen3-9B 的通用语言能力为底座，通过后训练将其输出锁定为结构化的概率评分，而非开放式文本生成。**概率校准（Probability Calibration）**则衡量模型输出的置信度是否与实际准确率相符：若模型对某选项给出 80% 的概率，该选项在统计意义上也应约有 80% 的概率是正确答案。校准质量差的模型可能过于自信或过于保守，导致下游系统基于失真的置信度做出错误决策，这也是为何微软将 92.2 的校准得分作为核心性能指标单独列出。

基准测试结果

在微软内部覆盖 36 项基准、近 15 万道题目的评估中（这些题目在训练阶段均被屏蔽），Decision-1 以 83.5% 的平均准确率位居首位。它超过了 Jev 1.13.0（82.3%）、Quyet-1.0-Large（81.9%）、GPT-6 Luna Decisions（79.4%）以及其他若干专用决策模型。

延迟表现尤为突出：报告称该模型比排名第二的决策模型快约 2.5 倍，在相同任务上比 GPT-6 Sol 快约 35 倍。校准得分为 92.2（满分 100）。鲁棒性测试显示，在各类扰动下决策平均仅有 1.3% 发生变化，而当选项描述被改述或选项被重新排序时，决策结果零翻转。

说一下，这些数据全部来自微软自身的报告。在发布之时，尚无独立第三方基准可供参考，这意味着真实表现仍有待外部验证。

微软内部的实际应用

微软已经在多个内部场景中部署了 Decision-1：

• Xbox 研究团队用它将超过 1 万条开放式反馈归类到研究人员定义的主题中，发现其表现可与 GPT-6 Sol 媲美，但运行速度快 14 倍以上、成本低 200 倍。
• Copilot 团队将其用于聊天和智能体回答的质量测量，称其性能可与 GPT-5.6 Luna 竞争，而速度约为后者的 100 倍。
• 值班工程师在实时故障处理中测试它检索相关知识的能力。
• Microsoft Discovery用它在科学实验中进行自适应重规划，报告称与基于 LLM 的方案相比，一致性更高、整体速度提升近 4 倍。

这些案例清晰地勾勒出该模型的定位：它是嵌入更大型智能体或工作流系统内部的一层快速、可靠的决策组件，而非对生成式模型的替代。

对开发者和企业的意义

这类决策模型反映了 AI 架构向模块化演进的更广泛趋势。并非智能体或应用的每一步都需要开放式生成——将请求路由到正确工具、识别用户意图、验证中间结果或为智能体动作打分，往往可以由一个专用评分器更高效地完成。

对于在 Microsoft Foundry 上构建应用或使用 OpenRouter 的开发者来说，Decision-1 为这些结构化任务提供了低成本、低延迟的选项。由于输出免费且延迟极低，它可以插入多步骤流水线中而不会占据过多的成本或时延预算。封闭权重加上 Azure 托管的特性，可能对那些倾向于使用托管模型而非自托管开源替代方案的组织更具吸引力。

但同时，由于性能依赖微软自家基准，团队在投入生产前仍应在自身的具体决策分布上验证效果。此外，模型目前仅支持文本、不支持多模态，这在某些可接受图像输入的竞品决策 API 面前构成了应用局限。

模块化 AI 架构的核心思想是将复杂智能体流水线拆解为功能单一、可独立优化的专用组件，而非依赖单一的大型通用模型包揽所有步骤。在典型的多智能体系统中，路由器负责判断应调用哪个工具，验证器负责检查中间结果是否符合预期，评分器负责在多个候选动作中选优——这些环节对生成能力的需求极低，却对速度和确定性要求极高。将这些任务交给轻量专用模型处理，不仅可以将昂贵的生成式模型算力集中在真正需要创造性输出的步骤上，还能通过降低单次调用延迟来支撑更复杂的多轮决策链。Decision-1 的定位即是此类架构中的"决策层"，其免费输出定价策略也明显针对高频调用的流水线场景设计。

为什么这件事值得关注

Microsoft-Decision-1 的发布进一步表明，前沿 AI 的进展已不再只关乎更大的生成式模型。针对速度、校准和结构化输出做优化的专用架构，正在成为实用的构建模块。对于已经深度投入微软生态的组织而言，它提供了一个可立即使用的工具，用以让智能体工作流更快、更可靠。而对整个行业来说，这标志着决策评分模型正在成熟为一个独立且具商业价值的品类，与传统 LLM 并行发展。