大语言模型

微软发布 Microsoft-Decision-1：专做选择题的小模型，85 毫秒给答案

2026 年 10 月 10 日

微软推出专用决策模型 Microsoft-Decision-1，专为结构化选择题任务设计，不生成文本、仅输出校准概率。其在36项测试中平均准确率83.5%居首，中位延迟85毫秒，比GPT-6 Sol快35倍。模型基于Qwen3.5-9B后训练，输入纯文本（最长32K token），输出JSON格式概率，已上线Microsoft Foundry。

专为结构化决策而生

北京时间 10 月 10 日凌晨 2 点 37 分，微软 CEO 纳德拉发帖：微软有了一个新模型，叫 Microsoft-Decision-1。

它不写文章，不聊天。你给它一道选择题，它告诉你每个选项有几成把握。

官方说，它在 36 项测试里平均准确率排第一，中位延迟 85 毫秒，比 GPT-6 Sol 快 35 倍。

Microsoft-Decision-1 来了。这是我们做的快速决策模型，在结构化决策任务上，延迟和质量都是顶级，表现超过大语言模型和其他决策模型。

@msdev 官方帖截图，展示 Microsoft-Decision-1 发布消息 — @msdev 官方帖。帖子里的链接卡片图是空白的，我们截图时裁掉了，不影响文字内容

「决策模型」是什么

先打个比方。大模型像一个会写作文的专家，你问什么他都能洋洋洒洒写一篇。

决策模型更像医院的分诊台护士。她不给你写病历长文，只问几句，然后说：去急诊 90%，去内科 8%，去皮肤科 2%。

答案是固定选项里的一个，后面跟着一个把握程度。程序拿到这个数，就能直接往下走：把握高的自动处理，把握低的转人工。

这类活很多：给客服工单分类、判断一个搜索结果相不相关、让 AI 给另一个 AI 的回答打分、决定智能体下一步该继续还是停下。

单次不难，难在量大、链条长。官方算过一笔账：每个决策多等 100 毫秒，连着做 20 个，整个流程就多等 2 秒。

它是怎么做出来的

官方页面写得比较清楚：

基座：阿里的开放权重模型 Qwen3.5-9B，微软做了后训练
输出：给每个选项一个校准过的概率，一次调用算完，不生成文字
题型：是非题、多选题、打分题，也能按评分标准给 AI 的回答和智能体的动作打分
输入：纯文本，最长 32K token；输出是 JSON
训练数据：公开数据集（过了微软的开放数据审核）加团队自己合成的数据

微软还说，之后会把它换到别的基座上重做，包括微软自家的 MAI 和 OpenAI 的模型。

它有几个明确不做的事：不生成文字，不聊天，不翻译，不做总结，也不解释为什么选这个。

成绩单

官方做了一张对比图，放在纳德拉的帖子里，是个 10 秒的动画。下面是它的最后一帧：

微软官方对比图，显示 Microsoft-Decision-1 在准确率与延迟上的领先表现 — 微软官方对比图（纳德拉帖子里的视频末帧）。手机上字太小，下面把数字逐条列出

官方拿了 36 个测试集，共 147,137 道题，说这些都是训练时没见过的。里面有公开的，也有私有的，覆盖路由、排序、长上下文、多语言、推理、安全等。

准确率（36 项平均）：

Microsoft-Decision-1：83.5%
Quyet-1.0-Large：81.9%（JevBench 榜单第 1）
Surogate Rune 26B-A4B：79.7%
GPT-6 Luna Decisions：79.4%
deck-31B：77.8%
H2O-Lightning-4B v1.1：77.2%
Strands-Decider 2B：54.8%（只跑了 36 项里的 23 项）

中位延迟（越低越好）：

Microsoft-Decision-1：85 毫秒（p95 为 125 毫秒）
H2O-Lightning-4B v1.1：210 毫秒
Jev 1.13.0：240 毫秒
GPT-6 Luna Decisions：300 毫秒
Quyet-1.0-Large：380 毫秒
Surogate Rune 26B-A4B：380 毫秒
deck-31B：400 毫秒
GPT-6 Sol：3.01 秒

官方的算法是：比 Quyet-1.0-Large（亚军）快 4.5 倍，比 GPT-6 Sol 快 35 倍。

校准度（100 分为满分，指「说有 90% 把握时，真的对九成」）：

Quyet-1.0-Large：93.1
Microsoft-Decision-1：92.2，排第二，差 0.9 分
Surogate Rune 26B-A4B 和 H2O-Lightning-4B：都是 91.8
GPT-6 Luna Decisions：89.9；deck-31B：83.5

所以更准确的说法是：准确率第一、速度最快，校准度第二。

看数字时有一点要留意。图注写明，对手的延迟取自 JevBench 的校正后中位数（10 月 7 日），Microsoft-Decision-1 则是微软自己在 Foundry 同区域实测的。两边测法不完全一样。

另外两项自测：

稳定性：同一个请求换 8 种方式扰动（改写、换选项描述、调顺序、改字段名、加格式噪音等），决策平均只翻转 1.3%。改写选项描述、颠倒或打乱选项这两类，一次都没翻
安全：在 11 个测试集、5,250 个请求上测有害内容、越狱和提示词注入，官方说能拒绝有害请求，同时不误伤正常请求，没给具体数字

微软内部先用了什么

官方列了 4 个内部试用，数字都是微软自己报的：

Xbox 研究团队：把问卷、Steam 和推特上 1 万多条玩家反馈，分进研究员定好的主题。质量和 GPT-6 Sol 相当，快 14 倍多，便宜 200 倍
Copilot 团队：给聊天和智能体的回答打质量分。和 GPT5.6 Luna（官方原文写法）相当，快 100 倍
值班工程师：出故障时检索日志、工单等资料，比大模型更好也更快，没给数字
Microsoft Discovery：科研智能体评估上一轮实验、再调整方案。评分一致性是大模型打分的 46 倍，速度 3 倍，自适应重规划整体快近 4 倍

纳德拉的帖子也提到，微软内部在各处测试它。

纳德拉推文截图，宣布 Microsoft-Decision-1 发布 — 纳德拉（@satyanadella，约 958 万粉丝）的帖子，北京时间 10 月 10 日 2:37。帖子里的视频预览就是上面那张对比图

怎么用，多少钱

在哪用：Microsoft Foundry 已上线，目录页标的是正式可用。OpenRouter 官方说「即将」上线
价格：输入每百万 token 0.042 美元，输出免费

按这个价格粗算：1 万条各 500 token 的请求，一共 500 万 token，约 0.21 美元。这是我们的算术，不是官方案例。

官方还写了一些限制：不能把它当作信贷、就业、住房、保险、教育、医疗、法律权利这类重大决定的唯一依据，也不能用来监控或给个人画像。

开源吗？官方没说

官方页面只说它基于开放权重的 Qwen3.5-9B，没说 Microsoft-Decision-1 自己的权重会不会放出来。

我们在 Hugging Face 上搜了名字，也没找到。目前能确认的用法只有上面的 Foundry。

这些官方没说

最终模型的参数量。只知道基座是 9B 的 Qwen3.5
训练方法和数据规模。只知道是后训练，数据来自公开数据集加合成数据
36 个测试集的完整名单
GPT-6 Sol 的具体规格
支持哪些语言。测试里有多语言类，但没给分语种的成绩

以上成绩都来自微软自己的测试，我们没有独立复现。

JOTO 企业落地观察

企业部署决策模型需重新评估服务链路中的“等待成本”——当单次决策延迟从 300 毫秒降至 85 毫秒，20 步串联决策的整体响应时间可压缩近 4 秒，这对实时性敏感场景（如客服路由、风控拦截）构成实质性工程阈值突破。
该模型放弃通用能力换取确定性输出，意味着企业在构建智能体工作流时，可将“判断节点”标准化为轻量级、高吞吐、低延迟的专用服务，降低对大模型 API 的依赖强度与调用频次，从而优化整体系统稳定性与成本结构。
输出为 JSON 格式校准概率、不生成解释文本，契合 RAG 知识工程中“可信度驱动决策”的需求——下游系统可直接消费置信度数值，用于动态触发知识召回、人工复核或 fallback 路由，无需额外解析不可控的自然语言输出。
模型明确禁止用于信贷、医疗等高风险领域，且未披露多语言细粒度性能，表明其当前定位是“受控环境下的结构化辅助决策”，企业若计划将其嵌入关键业务流程，需自行完成领域适配验证与合规边界界定。