微软发了个只做选择题的模型，自测比GPT-6 Sol快35倍

AI模型库 · 今日一模

Microsoft-Decision-1

9B 小模型 · 只做选择题 · 给 Agent 拍板

每百万输入 0.042 美元，输出不收钱；已上微软 Foundry

今天凌晨，纳德拉发了一条帖子。我看完第一反应是：微软怎么发了个这么“不起眼”的模型？

它叫 Microsoft-Decision-1。不聊天，不写代码，也不生成图片，只干一件事：给它一道题和几个固定选项，它给每个选项打一个概率。说白了，就是一个专门做选择题的模型。

帖子发出几个小时，浏览就过了 60 万，6000 多人点赞，2100 多人收藏。我把发布说明和几家报道对着看了一遍，越看越觉得，这东西比名字有意思得多。

普通大模型回答问题，是一个字一个字往外写。你问“这条用户反馈是不是 bug”，它可能先铺垫两句，再给结论，程序还得从一段话里把答案抠出来。

Decision-1 的做法是：选项你先定好，比如“是 bug / 功能建议 / 看不出”，它一次前向计算就给每个选项一个校准过的概率。支持是非题、多选题、打分，还能按评分细则给 AI 的回答和 Agent 的动作打分。

底座有点意思：它是在阿里的 Qwen3.5-9B 上做后训练得来的，微软说之后还会换到自家 MAI 和 OpenAI 的模型上。一个 9B 的开源底座，被微软拿来做成了正式产品，开源模型的价值又被证明了一次。

微软给的成绩单：在 36 个测试集、将近 15 万道训练时没见过的题上，它的准确率在参比模型里最高；延迟中位数比第二名 Quyet-1.0-Large 快 4.5 倍，比 GPT-6 Sol 快 35 倍。

我更在意的是稳定性这一项。同一个问题换 8 种问法，它平均只有 1.3% 的时候改了答案；把选项描述换个说法、把选项顺序倒过来或打乱，答案一次都没变。用过大模型做分类的人都知道，选项一换顺序结论就跟着变，是很头疼的事。

内部试用的例子也挺实在。Xbox 研究团队用它给 1 万多条玩家反馈打标签，质量和 GPT-6 Sol 差不多，速度快 14 倍以上，成本低 200 倍。Copilot 团队拿它评估 AI 回答，效果和 GPT-5.6 Luna 接近，速度快了约 100 倍。

不过冷水也得泼：这些数字全是微软自己测的。已经有媒体指出，公告没给出完整的数据集和延迟测试条件，外人暂时没法复现。“比 GPT-6 Sol 快 35 倍”这句话也要看清楚，拿一个专门打分的小模型去比一个写长文的大模型，快是意料之中的，真正要看的是准不准。

如果只有微软在做，这事可能就是个小产品。但把时间线拉出来看，就不一样了。

TIMELINE

OpenAI 的 Decisions API 用的是 GPT-6 Luna，每百万输入 0.10 美元，输出同样不收费；微软这次直接报到 0.042 美元。同一周，还有团队开源了 4B 的 cribl-decision-1.0，Nace AI 开源了不到 10B 的 Drex 1.5，都能本地跑。

X 上有人一句话总结：决策模型正在批量出现。也有人调侃，Decision-1 的第一个任务，应该是给自己挑个好点的名字。

我觉得这才是重点。现在的 Agent 要连着做很多小判断：这条消息该交给谁、这一步做完了没有、这个回答合不合格。每个判断都去问一遍大模型，又慢又贵。

发布说明里算过一笔账：每个判断多 100 毫秒，连着 20 个判断，整个流程就多等 2 秒。决策模型的思路是把“拍板”这件事单独拎出来，用小模型快速出结论，再按把握大小决定下一步：把握高就直接执行，一般就重试或换个模型，把握低就交给人。

这个分工我很喜欢。大模型负责想和写，小模型负责快速判断，能省下的不只是钱，还有用户等待的那几秒。如果你在做客服分流、内容审核、工单分类，或者给自己的 Agent 加检查点，值得拿真实数据测一测。

要注意的地方也很明确：现在只在微软 Foundry 上能用，OpenRouter 说是很快接入；概率准不准，得拿自己的标注数据校一遍，不能直接信成绩单。要求数据不出本地的，可以先看那几个开源的小模型。

你手上有哪些活，适合交给这种只做选择题的模型？评论区聊聊。

往期 · 接着看

Step 5：600B 只激活 27B

最近刷屏的 AI 模型，到底哪些是真有用，哪些只是热闹？

信息来源：Satya Nadella 与微软官方 X 账号、微软 Foundry 发布说明及 TestingCatalog、Windows Report 等报道、OpenAI Decisions API 公开信息、X 用户公开讨论。

觉得有用的话，点个赞或在看，我们下篇见

THANKS FOR READING