微软发布决策模型Microsoft-Decision-1：基于Qwen3.5-9B的专用打分模型

什么是决策模型？

决策模型（Decision Model）是一种新型AI范式，其核心功能是接收输入，并对一组封闭、预定义的选项进行打分或概率分配，而非生成开放式文本。微软将其定位为‘可被软件直接执行’的AI输出类型，适用于需要确定性、低延迟、高可靠性的自动化决策场景，如AI智能体的动作选择、响应质量评估、证据一致性校验及拒绝选项（如‘无法判断’）触发等。

模型架构与部署方式

Microsoft-Decision-1基于阿里巴巴开源模型Qwen3.5-9B进行后训练（post-training），未披露具体参数量，但明确采用32,768 token上下文窗口。该模型仅以托管API形式提供，支持平台包括Microsoft Foundry与OpenRouter（通过Azure基础设施），不开放权重、无量化版本、未公开硬件配置。输入为结构化提示（含情境、问题与固定选项），输出为JSON格式的各选项校准概率。OpenRouter指出，其权重持续更新，但API接口保持稳定。

训练数据与能力范围

训练数据融合微软Open Data计划下的公开数据集与合成数据。模型支持多种决策任务格式，包括：是非判断（yes/no）、多选题（multiple-choice）、评分（rating）、分类（classification）、AI响应与智能体动作的评分（rubric grading）、基于给定证据的‘事实依据性’检查（groundedness checks），以及显式拒绝选项（如‘cannot tell’）。

性能表现：速度、准确率与鲁棒性

微软在36项闭源基准测试（共147,137个问题）中对比9个系统，所有基准均在训练阶段严格隔离。Microsoft-Decision-1以83.5%平均准确率位居第一，略高于Quyet-1.0-Large（81.9%）；校准度（calibration）为92.2，仅次于Quyet-1.0-Large（93.1）。延迟方面，p50为85毫秒，p95为125毫秒——约为Quyet-1.0-Large（380毫秒）的1/4.5，GPT-6 Sol（3010毫秒）的1/35。鲁棒性测试中，模型在8种扰动（如改写提问、打乱选项顺序）下平均仅1.3%发生决策翻转；当仅对选项本身进行改写、反转或重排时，翻转率为零。

安全与内部应用实测

在安全测试中，微软对5,250个请求、覆盖11类风险（有害内容、越狱、提示注入）进行了评估，报告称模型能‘高保留效用地正确拒绝’，但未公布具体分数。内部落地效果显著：Xbox研究团队用其处理超1万条用户反馈，速度提升14倍、成本降低200倍；Copilot质量管控性能媲美GPT-5.6 Luna，且快100倍；Microsoft Discovery场景下，一致性达传统LLM打分的46倍，速度提升3倍。

跨模型横向对比的局限性

微软提供的对比表格涵盖Quyet-1.0-Large、H2O-Lightning-4B与GPT-6 Luna等竞品，但在延迟指标上存在方法论差异：微软对其自身模型使用Foundry实测值，而竞品数据源自JevBench v1.6.1的‘调整后中位数’——H2O.ai公开质疑该调整方式高估其模型延迟（声称实测中位数为29毫秒，非表格所列210毫秒）。值得注意的是，Microsoft-Decision-1未参与JevBench官方榜单评测。

商业定价与关键权衡

当前定价为$0.042/百万输入token，输出免费。其最大优势在于‘快速、廉价、校准可靠’；主要短板则是完全闭源、权重不可获取，且全部基准测试均由微软内部运行，缺乏第三方复现与验证。