一条客服消息该交给哪个团队？一个告警要不要升级？智能体提出的下一步操作该放行，还是交给人工复核？
微软推出的快速决策评分模型 Microsoft-Decision-1，瞄准的是这些发生在AI应用内部的“选择题”。它不负责写文章或聊天，而是从预先设定的选项中作判断，并返回相应的概率分数。
模型基于 Qwen3.5-9B 后训练，已通过 Microsoft Foundry 和 OpenRouter 提供。微软公布的测试中，它在36项基准上取得最高准确率，速度也领先。它的定位不是取代通用大模型，而是承担分类、排序、路由和流程控制等固定决策环节。
01. 模型不生成长答案，而是给候选项打分
使用Decision-1时，开发者需要提供当前状态、要判断的问题，以及一组明确的候选项。模型支持是非判断、多选和等级评分，也能按预设标准评估AI回答或智能体操作。
以客服工单为例，系统收到“API每次调用都返回500”的反馈后，可以让模型在“账单、技术故障、账户问题”中选择处理团队；还可以同时判断事件严重程度、是否为重复来访。相关判断可以合并在同一次请求中，减少应用反复调用模型的步骤。
它返回的是结构化结果，而不是一段解释。应用可以根据分数和概率决定自动分流、交给另一个模型复核，或转由人工处理。它提供的是流程决策信号，不会代替后续模型把答案组织成自然语言。
02. 高频判断任务可以从生成式模型中拆出来
一个智能体的工作流程，可能连续经过分类、模型选择、工具调用和安全检查等环节。若每一步都调用通用大模型，等待时间和成本可能逐步累积。决策模型的思路，是处理那些选项有限、重复率高的节点，把生成式模型留给真正需要理解、推理或写作的部分。
以Xbox Research为例，团队用Decision-1处理超过1万条开放式反馈，再按研究人员设定的主题分类。微软给出的内部测试结果显示，这项工作在质量上接近GPT-6 Sol，速度超过14倍、成本低约200倍。
Copilot团队也用它评估聊天和智能体回答的质量，微软称测试速度比GPT-5.6 Luna快100倍。这些是内部应用案例中的结果，并非第三方独立评测，也不代表其他业务接入后一定能获得同样的提升。
03. 36项基准测试覆盖多种结构化任务
在微软公布的对比测试中，Decision-1在36项基准、近15万个问题上取得最高准确率。测试集与训练过程隔离，覆盖路由、排序、长上下文、多语言、分布外任务、推理和安全等类型。
速度方面，测试结果显示，Decision-1比其中的第二名 H2O-Lightning-4B v1.1 快2.5倍，比GPT-6 Sol快35倍。微软还测试了输入轻微变化时的结果稳定性：在八种扰动条件下，模型平均有1.3%的情况改变判断；选项换序或改写时，测试中没有出现判断翻转。
这些结果反映的是特定测试集和设置下的表现。实际效果仍会受到任务类型、选项设计和业务数据影响，不能直接推导出它在所有场景中都更快、更准。
04. 有清晰的适用范围，也需要留出人工复核
Decision-1适合处理有限范围内的判断，不适合开放式问答、翻译、摘要或内容生成。需要解释原因或生成文本时，仍要用生成式大模型；需要在固定选项中分类、排序或分流时，再考虑让Decision-1接手。
概率分数也不等于确定答案。问题和选项的措辞、排列都可能影响结果，因此应用上线前需要用自己的标注样本验证，并设置合适的自动处理阈值。对于信贷、就业、住房、医疗或法律等影响个人的重要事项，模型不应成为唯一决策者。
05. AI应用开始把“生成”和“决策”分开处理
Microsoft-Decision-1的看点，不是又多了一个聊天模型，而是把AI工作流中的判断环节单独做成一种模型能力。它目前可通过Microsoft Foundry和OpenRouter使用；输入价格为每百万Token 0.042美元，输出免费。
对于高频、选项清晰的流程，这种分工值得测试；遇到需要解释背景、处理模糊问题或承担高风险后果的场景，仍需要通用模型或人工把关。
END
