微软推出Microsoft-Decision-1决策评分模型

我们全新的决策评分模型在结构化决策任务上实现了延迟和质量的顶级表现，超越了LLM及其他决策模型。

决策模型正迅速崛起为AI领域一个重要的新类别。与旨在生成文本或推理复杂问题的LLM不同，决策模型是专门为交付软件可立即采取行动的结构化输出而打造的。一旦你理解了这种能力——以极低成本、高性能地做出决策并对事物进行分类——各种有用的任务便随之解锁。

今天我们推出Microsoft-Decision-1，这是我们用于快速决策评分的新模型，已在Microsoft Foundry和OpenRouter上线。该模型专为路由、分类、优先级排序、验证和工作流控制而设计，让你更轻松地将决策智能融入现有应用、agent和工作流，并在安全可信的环境中运行。Microsoft-Decision-1在结构化决策任务上实现了延迟和质量的顶级表现，超越了LLM及其他决策模型。

在我们的36项基准对比中，Microsoft-Decision-1取得了最高准确率，涵盖近150,000道题目，所有基准在训练中均保持盲测。在我们的基准测试中，它也是测得速度最快的：比排名第二的Quyet-1.0-Large快4.5倍，比GPT-6 Sol快35倍。

为构建Microsoft-Decision-1，我们对Qwen3.5-9B进行了后训练，用于快速、单遍的决策评分，并很快将基于其他模型重新构建，包括Microsoft AI (MAI)和OpenAI。当给定一组固定的答案选项时，Microsoft-Decision-1会为每个选项提供一个经过校准的概率分数。该模型支持是/否、多项选择和评分选项，以及基于评分标准对AI回复和agent操作进行打分，所有这些都通过一个简单的结构化API调用完成。

要构建一个可靠的决策模型，我们必须解决几个挑战：

每个决策都会增加延迟，尤其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，整个工作流就会增加两秒。

Microsoft-Decision-1的P50延迟比GPT-6 Sol快约35倍。

模型很容易针对某一个基准或某一类决策任务过拟合。我们需要知道这种质量能否迁移到模型未训练过的各种任务上。因此，我们在数十个训练中保持盲测的基准上评估了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。我们还选取了热门公开排行榜JevBench上几个顶级公开模型，在36个额外的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佳，展现出强大的泛化能力。

相同的输入应当产生相同的决策。在生产环境中，状态和指令会被改写，选项描述会变化，选项会被重新排序，键会改变，还会出现无害的格式噪声。这些变化都不应实质性改变决策。

我们将同一请求以八种方式扰动，并测量决策翻转的频率。Microsoft-Decision-1在扰动中平均仅1.3%的情况下改变决策，当选项描述被改写或选项被反转或打乱时，翻转率为零。

概率本身就是API的一部分，而不仅仅是排序分数。应用利用置信度来决定何时行动、推迟或请求复核，因此90%的预测在代表性案例中应当约十次有九次正确。

决策模型应当识别有害请求，同时不必要地拦截无害请求。我们在11个基准的5,250个请求上测试了Microsoft-Decision-1，涵盖有害内容、越狱尝试和提示注入，发现该模型成功拒绝了有害行为，同时保持了高度的实用性。

分类是决策模型的一个关键用例。看看Microsoft-Decision-1与GPT-6 Sol相比，能多么准确、快速地分类各种查询：

决策模型在计算机使用场景中也可以很高效。这个演示展示了Microsoft-Decision-1与GPT-6 Sol相比，能多快完成购买背包的任务：

以下是我们内部一直在测试Microsoft-Decision-1的一些方式，未来还有更多。

XBOX Research使用Microsoft-Decision-1处理了来自调查、STEAM和Twitter/X的超过10,000条开放式反馈和评论，并将它们归类到研究人员设定的一组固定主题中，以了解人们对不同游戏、发布、直播等的看法。他们发现Microsoft-Decision-1在质量上与GPT-6 Sol相当，同时运行速度快14倍以上，成本低200倍。

Copilot团队衡量聊天和agentic回复的质量。他们的测试发现Microsoft-Decision-1与GPT5.6 Luna相当，速度快100倍。

我们的值班工程师使用AI检索相关知识，以响应日志、工单系统、通话、消息和其他数据源中的实时事件。Microsoft-Decision-1在知识检索方面比LLM表现更好、更快。

Microsoft Discovery实现了一项自适应重新规划功能，其中agent评估先前的实验，根据评分标准打分修订其方法，并重复直到完成目标。Microsoft-Decision-1的评分一致性比基于LLM的评分高46倍，速度快三倍，并在自适应重新规划上带来近四倍的速度提升。

更快、更可靠的规划可能对长期运行的科学实验产生重大影响。

这些只是一小部分示例。Microsoft-Decision-1还有许多潜在用例。不妨试试以下这些：

（原文较长，此处译出前 6000 字，完整内容请点「打开原文」。）