Microsoft 发布 Decision-1：基于 Qwen3.5-9B 的决策打分模型

微软利用2026年10月9日发布了一款拒绝为你撰写段落的模型。Microsoft-Decision-1 不聊天、不总结、也不起草邮件。它在单次前向传播中对一份固定的答案选项列表进行打分，并返回每个选项的概率，然后就此退场。该公司基于阿里巴巴的 Qwen3.5-9B 构建了它，立即通过 Microsoft Foundry 提供，随后不久也通过 OpenRouter 上线，并且已经指出其内部用途涵盖从事件响应到科学发现。

1. Microsoft-Decision-1 的实际功能
2. 模型内部：为何选择 Qwen3.5-9B 作为基座
3. 基准测试声明：36 项测试，近 15 万个问题
4. 定价：每百万输入 token 0.042 美元，输出免费
5. 可用性：Foundry 先行，OpenRouter 紧随其后
1. 在 Foundry 中使用 Decision-1
6. 纳德拉的推介与微软的内部用例
1. 早期内部试验与决策示例
7. Decision-1 与其他小型专用模型的对比
8. 决策评分工作原理浅析
9. 历史背景：从分类器到校准评判器
10. 市场影响：谁将承压
11. 重基座计划：当 Qwen 消失时会发生什么
12. 未解问题与风险
13. 预测：决策评分模型的下一步走向
14. 开发者现在应该做什么
15. 常见问题
1. 相关报道

这是一次刻意收窄的发布，而这恰恰是它有趣的地方。当业界其他公司竞相推出更大、更健谈的助手时，微软却把 10 月的发布重点放在一个只做一件事的模型上：从列表中快速选出一个答案，并告诉你它有多确信。对于构建智能体流水线、路由层和自动化验证系统的工程团队来说，这可以说比又一个通用聊天机器人更有用。

Google · 首选来源

不要错过 Google 上的新技术故事

在 Google 应用中添加一次 Shattered，我们的故事就会出现在你的新闻推荐中。

立即添加

Microsoft-Decision-1 的实际功能

今年大多数 AI 头条都是关于生成更多内容的模型：更多 token、更多上下文、更多创意输出。Microsoft-Decision-1 则朝相反方向走。根据该公司自己的公告，该模型读取所提供的内容以及一组预定义的答案选项，并为每个选项返回一个校准后的概率分数，而不是生成开放式文本。这与 GPT-6 Sol、Gemini 4 Argon 或 Claude Opus 5.5 所构建的任务有本质不同。

微软在发布时列出了该模型的四个核心用例：路由、分类、优先级排序和验证，外加它所谓的流程控制。想想一个需要被路由到正确团队的支持工单、一段需要做出是/否审核判断的用户内容，或者一个 AI 智能体的输出在获准继续之前需要进行的通过/失败检查。这些都是高吞吐、低延迟的决策，而这正是 9 亿参数的专业模型能够比全尺寸推理模型更廉价完成的任务。

对于如今任何使用大型语言模型进行构建的人来说，这一区别都很重要。聊天机器人会生成一个回复，而你必须解析它、猜测它的置信度，并寄希望于它遵循了你的格式指令。决策评分模型则完全跳过了这一解析步骤：输出格式已经是你所定义选项上的概率分布。这是一个更小、更机械的问题，而微软押注大量生产系统对此有旺盛需求。

模型内部：为何选择 Qwen3.5-9B 作为基座

引发最多议论的细节并非用例，而是基座。Microsoft-Decision-1 是在 Qwen3.5-9B 基础上进行后训练的，后者是来自阿里巴巴的一个 90 亿参数开放权重模型。The Register 直接指出了这一选择，将此次发布解读为微软借助一家中国 AI 实验室的开放权重发布来快速推出产品，同时指出微软自己声称有意随时间推移迁移该模型的基座。

微软已明确表示这只是一个起点，而非终点。在其发布文章中，该公司表示：“为构建 Microsoft-Decision-1，我们对 Qwen3.5-9B 进行了后训练，以实现快速、单次通过的决策评分，并很快将把它重新基于其他模型，包括 Microsoft AI (MAI) 和 OpenAI。”对于一家通过 Microsoft Foundry 平台及其 OpenAI 合作伙伴关系在自有模型开发上投入了数十亿美元的公司来说，这是一个值得注意的坦白。这表明选择 Qwen 基座是为了在一个狭窄、定义明确的任务上快速推向市场，而非作为长期的架构承诺。

在 2026 年，使用他人的开放权重模型作为脚手架并不罕见。许多更小的、任务特定的工具都是这样构建的，这与推动 JetBrains 的 Mellum2.1 编码模型等项目选择紧凑参数规模而非原始规模的理念相同。这里值得注意的是，微软——一家拥有自己前沿模型雄心的公司——公开为一款旗舰命名的产品选择了竞争对手实验室的权重，然后提前告知客户底层引擎日后将会更换。

基准测试声明：36 项测试，近 15 万个问题

微软大力依赖数字来为产品辩护。该公司称，在涵盖 36 项基准和约 15 万个留出问题的比较中，Decision-1 取得了最高准确率，这一规模意在表明广度，而非单一精心挑选的测试。微软报告称该评估的准确率为 83.5%，德国媒体 BornCity 也转述了这一数字。

速度方面的宣称同样遵循了给出巨大而具体数字的模式。行业通讯 AI Weekly 和 AI 追踪网站 TestingCatalog 均报道称，微软声称 Decision-1 的运行速度比其称为 Quyet-1.0-Large 的模型快 4.5 倍，比 GPT-6 Sol 快 35 倍。Data Studios 的另一篇报道则以 35 倍这一数字作为标题框架。微软自己的发布材料将 GPT-6 Sol 的结果描述为在其自有基准上测得的 P50 延迟约低 35 倍，并称 Decision-1 比其对比中的第二名 H2O-Lightning-4B v1.1 快 2.5 倍。这是一个具体的 P50 测量值，而非通用意义上的速度优势，因为两个系统执行的任务不同：Decision-1 对固定选项打分，而 GPT-6 Sol 生成文本。台湾《自由时报》报道称响应时间在 85 毫秒左右，但未说明该数字背后的硬件或测试条件。

这里正需要保持适度的怀疑。这些都是微软自己的基准测试结果，通过公司的发布材料公布，并由报道该公告的媒体转述。本文所查阅的报道中，没有任何一篇包含对 36 项基准对比、4.5 倍和 35 倍速度倍数或 85 毫秒延迟数字的独立第三方复现。这并不意味着这些数字是假的，但确实意味着它们应被解读为厂商报告的性能声明，而非经过同行评审的结果，至少在没有微软外部人士运行相同测试之前是如此。

有一个数字受到的关注较少，但在生产环境中可能更重要：据 AI Weekly 援引的微软发布摘要，微软称该模型的决策在 98.7% 的情况下是“扰动稳定”的。对于任何做出二元或多选项判断、且下游系统会据此自动行动的模型来说，输入微小变化下的稳定性都是一个切实的关切。如果某个路由决策因为一次无关紧要的措辞改动而翻转，那就是一个迟早会发生的生产缺陷，因此一个高稳定性数字，若能在外部测试中站得住脚，对于评估该模型的工程团队来说将是一个真正有用的数据点。

定价：每百万输入 token 0.042 美元，输出免费

本文所查阅的来源中，微软自己的公告和 Microsoft Foundry 文档均未公布确认的价格。流传的价格来自 OpenRouter 自己的模型列表，并被 AI Weekly 和意大利媒体 Pasquale Pillitteri 引用：每百万输入 token 0.042 美元，输出免费。这种定价结构对于一个全部输出只是简短概率分数列表而非生成文本的模型来说是合理的，因为输出侧实际上没有什么可计量的。

按此价格，Decision-1 被定位为高频路由和分类工作的一种真正廉价的选择，这类任务目前大多被交给较小的通用模型，主要是因为没人愿意为问一句“这是垃圾邮件吗，是或否”而支付全尺寸模型的价格。这与今年早些时候推动 Anthropic 将 Claude Haiku 价格下调 75% 的成本逻辑类似：廉价、快速的模型赢得 API 流量蛋糕中高频、低复杂度的那一块，即便旗舰模型在技术上也能胜任。

可用性：Foundry 先行，OpenRouter 紧随其后

Microsoft-Decision-1 已在 Microsoft Foundry 上开启公开预览，文档中将其描述为可用于分类、路由、排序、评分和二元决策。微软的发布文章最初称 OpenRouter 上的可用性为“即将推出”，但 OpenRouter 自己的模型列表 确认，该模型在公告发布后大约一天内就以标识符 microsoft/microsoft-decision-1 上线，OpenRouter 发帖称其“已在 OpenRouter 上线”。

根据 Data Studios 的报道，该模型的权重不会分发，这意味着开发者只能通过托管 API 访问 Decision-1，而无法下载并自行托管，这与它所基于的完全开放的 Qwen3.5-9B 形成对比。对于开放权重模型的商业衍生版本来说，这是一种常见模式，但对于那些以为基于 Qwen 的产品会像基础模型一样开放的团队来说，这一点值得注意。

在 Foundry 中使用 Decision-1

该模型接受文本输入，支持最多 32,000 个 token。它会为预定义选项返回校准后的分数，不生成解释，也不处理图像、音频或视频。需要书面理由或多模态输入的团队必须将其与通用模型配合使用，而不能指望 Decision-1 承担这些工作。

置信度分数是应用程序据以采取行动的那部分输出。概率本身是 API 的一部分，而不仅仅是排名分数，应用程序利用置信度来决定何时行动、推迟或请求审查。一个路由示例写道：如果 urgent 高于 0.9 且 priority 高于 1.5，立即呼叫值班工程师。另一个示例设定了一个下限：如果最高概率低于 0.65，本地策略可以避免降级，保留当前模型或请求手动选择。

文档中的一个完整示例显示，该模型返回加权优先级分数 1.9868，置信度为 98.08%。在代表性案例上，90% 的预测应该大约每 10 次正确 9 次，这是团队在自己的数据上测试分数时应遵循的标准。快速入门需要 Python 3.10 或更高版本，因此首次试点可以规模很小。由于微软将定价描述为动态定价，在确定部署规模之前，值得查看当前的 Foundry 定价列表。

纳德拉的推介与微软的内部用例

萨提亚·纳德拉亲自在 X 上介绍了该模型，他写道：“隆重推出 Microsoft-Decision-1，这是我们用于快速决策的新模型。它在结构化决策任务上表现出顶级性能，在延迟和质量上均优于 LLM 和其他决策模型。我们已经在微软内部从事件响应、质量控制到科学发现等各个领域进行测试。”这是一组具体、有名称的内部应用，总共三个，这表明微软不仅仅是将 Decision-1 提供给第三方开发者。该公司正在首先通过自己的运营工作流运行它。

事件响应是合乎逻辑的第一站：决策评分模型可以对告警进行分诊、评定严重程度，或判断工单是否需要升级给人工处理，这些任务都完美契合“固定选项加置信度评分”的形态。质量控制与科学发现则是更宽泛的说法，除纳德拉外，没有任何具名的微软高管公开描述过这些工作流实际如何使用该模型，尽管微软此后发布的材料更详细地描述了其他内部试验。

早期内部试验与示例决策

微软报告称，Xbox Research 使用 Decision-1 将超过 10,000 条开放式反馈归类到预定义主题中，其质量被描述为可与 GPT-5 竞争，执行速度据报告快 80–100 倍。微软发布的其他材料称，团队还评估了该模型用于 Copilot 响应评估和自适应重新规划。这些均为公司报告的结果，因此它们更多展示的是这项工作的预期形态，而非独立测量结果。

微软的文档还具体描绘了它所设想的决策场景。其中一个示例描述的事件是：“结账服务已不可用 20 分钟。客户无法完成购买，且没有变通方案。”模型会针对优先级对该报告进行评分，应用程序则决定如何处理结果。Foundry 列出的支持用途包括支持工单分诊、事件优先级排序、内容过滤、模型、工具与智能体选择，以及模型输出评估。

微软开发者社区一篇关于 GitHub Copilot 在 CLI 和 VS Code 中决策路由的文章展示了同一思路在模型选择上的应用，路由器被置于 Copilot CLI 的原生 /model 命令中，以及 VS Code 的 Chat Model Picker 中。在部署方面，文档列出的选项包括 Global Standard，以及在部分区域提供的 Data Zone Standard。对于正在评估该模型的团队而言，实用建议是从一个已有明确选项的决策入手，例如工单队列或模型选择器，并在让评分自动触发任何操作之前，先对照过去的人工决策来衡量这些评分。

Decision-1 与其他小型专用模型的比较

微软并非唯一押注 2026 年 AI 市场在 frontier 巨头之外仍有小型任务专用模型空间的公司。亚马逊也推出了自己的产品 Strands Decider 2B，这是一个 20 亿参数的开源智能体模型，专为快速决策而构建，在 AWS 自己的测试中耗时约 100 毫秒。其参数规模小于 Decision-1 的 9B 基础模型，且为开源，而 Decision-1 仅提供 API，但两款产品追逐的是同一细分领域：无需完整推理模型的智能体护栏与路由决策。

2026 年 10 月的更广泛 AI 模型市场呈现出杠铃形态。一端是实验室持续推动 frontier 模型规模，例如 Mistral 约 1 万亿参数的 Large 4 预览版，或 GPT-6 在 ChatGPT 内分四档推出。另一端是厂商推出廉价、狭窄、快速的模型，用于支撑这些旗舰助手底层重复性的决策工作。Decision-1 稳稳属于第二阵营，尽管它与通用语言模型同源，但在精神上更接近分类器而非聊天机器人。

这一对比凸显了一个重要事实：Decision-1 并不是真的在与 GPT-6 Sol 或 Gemini 4 Argon 就同一任务正面竞争。它是在成本与延迟上，针对那些完全不需要生成的请求子集——是/否判断、A/B/C 分类、通过/失败检查——与它们竞争。如果企业 AI 流量中真有相当大一部分如此机械，那么一个廉价的专用模型就可能从通用 API 手中抢走惊人的流量，哪怕它从未写出过一句散文。

决策评分工作原理简述

与提示聊天机器人相比，其机制很直接。开发者提供上下文和一组封闭选项，模型为每个选项返回一个概率。一个简化的请求可能如下所示：

{
  "model": "microsoft/microsoft-decision-1",
  "input": "Customer message: 'My payment failed twice today.'",
  "options": ["billing_support", "technical_support", "spam", "escalate_to_human"]
}

// Example response shape
{
  "scores": {
    "billing_support": 0.81,
    "technical_support": 0.11,
    "spam": 0.01,
    "escalate_to_human": 0.07
  }
}

这种输出格式正是关键所在。应用可以设置置信度阈值，比如高于 0.75 自动路由，低于该值则转交人工审核，而无需编写任何文本解析逻辑。对于任何用传统机器学习构建过分类层的人来说，这种模式都很熟悉，只是被重新包装在现代 transformer 基础之上。

历史背景：从分类器到校准评判器

决策评分并非新想法，更像是回归本源。在生成式 AI 热潮之前，大多数生产机器学习正是如此：为单一狭窄任务训练的分类器、排序器和评分模型。2022 至 2025 年的生成式浪潮将大量工程注意力引向能处理任何任务的聊天机器人和智能体，代价是对简单任务更慢、更贵。Microsoft-Decision-1、AWS Strands Decider 及类似产品代表了一种行业纠偏：任务真正需要开放式推理时使用前沿模型，不需要时则使用小而廉价、快速的模型。

“LLM 作为评判者”模式——即语言模型评估或给另一个模型的输出打分——多年来一直是 AI 评估流水线的标配。2026 年的变化在于，厂商将这一模式打包为专用、定价的产品，而非开发者用提示工程在通用模型上手工实现。微软将 Decision-1 定位为“AI 评判”和“智能体护栏”用例，正属于这一脉络，只是被正式化并作为基础设施出售。

市场影响：谁将承压

最直接的压力落在那些向客户销售通用模型用于路由和分类任务的厂商身上——客户目前为这些任务支付的价格，相对于任务实际复杂度而言过高。如果企业开始将高流量、低复杂度的 API 调用转向专用评分模型，那么对于依赖按全模型费率收取那些并不需要全模型推理的任务费用的提供商来说，token 量将受到切实冲击。

这也给 Google 和 Anthropic 带来了竞争压力，迫使它们决定是需要推出自己命名的决策评分产品，还是将类似功能并入现有的轻量级层级。Google 今年已经通过 Gemini 4 Argon 的定价与基准测试拆分 收紧了其免费层级模型阵容，而 Anthropic 对 Claude Haiku 的降价也暗示了同样的本能：把前沿模型的价格维持在高位，同时在销量所在的大众市场奋力竞争。

还有一个云基础设施的角度。Microsoft Foundry 是微软向企业客户销售 AI 算力和 模型访问 的平台，而路由和分类这类廉价、高流量、粘性强的负载，正是能让客户留在一个云生态内、而不是跨供应商采购 API 调用的流量类型。一款每百万 token 0.042 美元的产品，如果表现如宣传所言，即使永远不会像新聊天机器人那样成为头条产品，也可能成为 Foundry 安静的销量驱动力。

重基计划：当 Qwen 消失时会发生什么

微软声称计划将 Decision-1 重基于 MAI 和 OpenAI 模型，这对任何现在采用它的团队都提出了一个明显的运营问题：在这一过渡期间，评分、校准和延迟能否保持稳定？微软将 MAI 和 OpenAI 的重基描述为计划中而非已发布，并且在本文所审查的来源中，它没有公布迁移时间表，也没有承诺对现有集成保持向后兼容。如今基于 API 标识符 microsoft/microsoft-decision-1 构建生产系统的团队，实际上是在押注未来底层模型的替换不会显著改变其路由或分类阈值的行为。

对于内容路由这类低风险用例，这是一个合理的赌注；而对于任何涉及合规、安全分类或财务决策的场景，风险则大得多——在这些场景中，模型校准的悄然变化可能会改变现实世界的结果，却没有明显的代码变更可供追溯。预计微软会在企业客户投入可观用量之前，围绕这一点发布版本管理和变更日志实践。

未解问题与风险

在目前公开确认的信息中，有几个空白点很突出。除了纳德拉本人的社交帖子外，微软没有指定发言人，因此 Decision-1 背后的产品或研究团队尚未提供详细的技术说明。基准测试方法——包括使用了哪 36 项基准以及对比模型如何配置——尚未以外部研究人员可复现的形式公布。而速度倍数，包括相对于 GPT-6 Sol 约 35 倍的 P50 延迟降低，仍只是微软自己的基准测试声明，而非独立确认的结果。

这些都不构成否定理由。许多正当的产品发布都会在完整技术披露之前先以营销数字打头阵。但对于任何超出低风险试点范围来评估 Decision-1 的买家来说，应当预期自行进行基准测试对比，而不是直接采信 35 倍和 4.5 倍的速度声明。

预测：决策评分模型的下一步走向

• Google 和 Anthropic 将在两个季度内做出回应。预计其中至少一家会将决策评分或评判产品正式命名，而不是将该品类拱手让给 Microsoft 和 Amazon。
• 路由任务的价格将持续下降至接近零。如果每百万输入 token 0.042 美元的价格得以维持，竞争对手将跟进或压低价格，因为服务 9B 级模型的边际成本很低，而规模带来的回报巨大。
• 独立基准测试将在数周内出现。Microsoft 速度声明的规模几乎必然促使第三方研究人员尝试复现其相对 GPT-6 Sol 的 35 倍数据，而一旦测试条件标准化，真实数字很可能更低。
• MAI/OpenAI 重新构建将成为 2027 年的故事。不要指望 Microsoft 会迅速更换底层模型；中途更换基础模型可能会破坏企业客户正在围绕其构建工作流的校准。
• Agent 护栏将成为突破性用例。随着越来越多公司部署自主 AI agent，一个能在 agent 采取行动前给出“是、否或升级”判断的廉价、快速模型，其采用速度可能快于单纯的路由或分类。

构建者现在应该做什么

对于已经在通用模型上运行分类或路由逻辑的团队，Decision-1 值得试点，但不值得全面迁移。选择一个低风险工作流，让当前模型和 Decision-1 同时运行两到四周，直接比较准确率、延迟和成本，而不是相信 Microsoft 公布的多倍数。对于从零构建新 agent 流水线的团队，值得将 Decision-1 与 AWS 的 Strands Decider 2B 并排比较，因为两者用途非常接近，选择很可能取决于托管偏好（仅 API 还是开放权重）以及技术栈其余部分已经所在的云。

任何涉及合规、安全或金融决策的人，都应等待 Microsoft 发布版本管理政策后，再将 Decision-1 用于该路径。快速、廉价的评分模型确实有实际优势，但一旦承诺的基于 MAI 或 OpenAI 技术的重新构建真正发生，未事先通知的校准变化风险也同样存在。

常见问题

什么是 Microsoft-Decision-1？
这是 Microsoft 于 2026 年 10 月 9 日发布的一款专用 AI 模型，用于以校准概率对固定答案选项进行评分，而不是生成开放式文本。Microsoft 将其定位用于路由、分类、优先级排序、验证和工作流控制。

Microsoft-Decision-1 基于什么模型？
Microsoft 对阿里巴巴发布的 90 亿参数开放权重模型 Qwen3.5-9B 进行了后训练，构建了 Decision-1 的第一个版本。Microsoft 表示计划将未来版本基于其自家的 Microsoft AI (MAI) 模型和 OpenAI 技术重新构建。

在哪里可以使用 Microsoft-Decision-1？
它现已通过 Microsoft Foundry 提供公开预览版，并在发布公告后约一天内以模型标识符 microsoft/microsoft-decision-1 上线 OpenRouter。

Microsoft-Decision-1 的价格是多少？
Microsoft 在 Foundry 中列出的美国及欧盟 Datazone 产品定价为每百万输入 token 0.042 美元，不收取输出 token 费用，OpenRouter 的列表及二手报道也显示相同数字。Microsoft Community 的指引称定价是动态的，因此部署时应以 Foundry 当前的列表为准。

Microsoft-Decision-1 比 GPT-6 Sol 或其他大型模型更快吗？
Microsoft 声称，根据其自家的基准对比，它比 GPT-6 Sol 快约 35 倍，比其称为 Quyet-1.0-Large 的模型快 4.5 倍。这些是厂商报告的数字，在本文所审阅的报道中尚未被独立复现，因此应将其视为起点而非已验证的结果。

我可以下载并自行托管 Microsoft-Decision-1 的权重吗？
不可以。报道表明权重并未分发，因此访问仅限于通过 Foundry 或 OpenRouter 使用 Microsoft 的托管 API，这与其所衍生的完全开源的 Qwen3.5-9B 模型不同。

这与 AWS Strands Decider 2B 有何不同？
两者都是为智能体式决策而非开放式生成而构建的小型快速模型。Strands Decider 2B 是开源的，参数规模更小，为 20 亿；而 Decision-1 更大，基础规模为 9B，且只能通过 Microsoft 的托管 API 访问，无法自行托管。

Microsoft-Decision-1 会取代企业用的通用聊天机器人吗？
不会。它专为狭窄的一类任务而构建，即从固定列表中选出一个答案并给出置信度分数，而非用于对话、内容生成或开放式推理。它的定位是与通用模型并存，处理那些不需要完整聊天机器人响应的高频、低复杂度决策。