AREX Feed Article
微软发布决策模型 Microsoft-Decision-1：称其在结构化决策任务上的延迟与质量均优于 LLM 与同类模型，已在 Foundry 上线
10 月 9 日（北京时间 10 月 10 日凌晨），微软 CEO Satya Nadella 在 X 上宣布推出新模型 Microsoft-Decision-1，称其在结构化决策任务上的延迟与质量均优于 LLM（大语言模型）与其他决策模型。这条说，微软内部已在事件响应、质量控制、科学发现等场景测试该模型；同一线程的另一条给出上线安排：现在可在 Microsoft Foundry 使用，很快将通过 OpenRouter 提供。
同一天，微软的开发者博客 Command Line 刊出，由 Achint Srivastava（微软 CTO 办公室软件工程副总裁）署名；文章披露了模型的技术细节、评测数据与价格，性能对比均由微软一方发布。
不生成文本：给每个固定选项输出校准概率
微软博客把决策模型与 LLM 对比：LLM 负责生成文本、推理复杂问题，决策模型则输出软件可以直接执行的结构化结果。具体到 Microsoft-Decision-1，给定一组固定选项，它为每个选项返回一个校准过的概率分，支持是/否、多项选择与评分选项，也能按准则（rubric）为 AI 回复和智能体动作打分，整个过程是一次结构化的 API（应用程序接口）调用。
把它概括为一款为快速决策而建的小模型，并注明它并非面向开放式生成、对话、翻译或摘要，权重会持续更新而 API 形态保持不变。微软称模型在 Qwen3.5-9B 上经后训练得到，专做单次推理的决策打分，并计划很快改用其他模型作为底座，包括 Microsoft AI（MAI）与 OpenAI 的模型。微软列出的目标场景是路由、分类、优先级排序、验证与工作流控制五类。博客举了一个例子：如果每一步决策多花 100 毫秒，20 步串行就多出 2 秒。
微软自报的 36 项对比：准确率 83.5%，P50 延迟 85 毫秒
这场对比覆盖 36 项基准、147,137 道问题，微软称基准题目在训练时对模型不可见。准确率一项，Microsoft-Decision-1 以 83.5% 居首，其后是 Quyet-1.0-Large（81.9%）、Surogate Rune 26B-A4B（79.7%）、GPT-6 Luna Decisions（79.4%）、deck-31B（77.8%）、H2O-Lightning-4B v1.1（77.2%），以及仅能作答 23 项的 Strands-Decider 2B（54.8%）。按微软的说法，评测覆盖路由、排序、长上下文、多语言、分布外任务、推理与安全等类别。
延迟按公开决策模型榜单 v1.6.1 的调整后中位数（P50）口径、于 10 月 7 日核对：Microsoft-Decision-1 为 85 毫秒（P95 125 毫秒），比准确率第二的 Quyet-1.0-Large（380 毫秒）快约 4.5 倍，比 GPT-6 Sol（3,010 毫秒）快约 35 倍。概率校准上它排第二，92.2 分，落后 Quyet 0.9 分。抗扰动测试中，同一个请求被改写成八种形式，模型平均只有 1.3% 的决策发生翻转；选项描述被改述、选项顺序被打乱时零翻转。安全测试覆盖 11 项基准、5,250 个请求，微软称模型能拒绝有害行为，同时保持较高的实用性。
内部试用：从 10,000 条 Xbox 反馈到科学发现重规划
博客列出四个微软内部场景。Xbox Research 用 Microsoft-Decision-1 处理了超过 10,000 条来自问卷、Steam 和 Twitter/X 的开放式反馈与评论，按研究员设定的固定主题归类，结果是与 GPT-6 Sol 质量相当、速度快 14 倍以上、成本约为其 1/200；Copilot 团队用它评估聊天与智能体回复的质量，认为与 GPT5.6 Luna 质量相当、快 100 倍；值班工程师用 AI 从日志、工单、通话与消息里检索知识、响应线上事件，模型在知识检索上比 LLM 表现得更好也更快；Microsoft Discovery 的自适应重规划功能里，模型打分的一致性比基于 LLM 的方案高 46 倍，速度快 3 倍，让重规划整体快了近 4 倍。
博客还列出一批建议用法：智能体动作把关、模型路由、数据标注、AI 评判、搜索相关性、代码扫描与机器人动作选择等。
获取方式与价格：每百万输入 token 0.042 美元，输出免费
两个入口：微软的 与 OpenRouter 页面。价格是每百万输入 token（词元）0.042 美元，输出 token 免费。OpenRouter 页面把发布日期标为 10 月 9 日、上下文窗口 32,768 token，显示只由 Azure 一家供应商托管，标价与博客一致。
纳德拉帖文写的是「很快」通过 OpenRouter 提供；微软博客与 OpenRouter 页面则已把它列为可获取的渠道。该页面给出的 P50 延迟为 0.28 秒（页面将其定义为包含网络的往返时间），与微软对比表里的 85 毫秒不属于同一测量口径。
帖文下的追问：Jev 未进入准确率排名
纳德拉帖文下，多条回复追问同一个问题：对比里为什么没有 Jev。用户 写道：「Jev 怎么没进排名？那才是大家会拿来对比的头号模型。」 则注意到微软的发布材料「到处引用 JevBench」，并呼吁榜单维护方 Benchmark Heaven 立刻评测并收录这款模型。
Jev 是 TypeSafe AI 的决策模型；JevBench 是由 Benchmark Heaven 独立维护的决策模型基准与排行榜，衡量决策准确率、概率校准、延迟与成本。对照微软的图表：五款竞品都带着各自的 JevBench 名次（截至 10 月 8 日，Quyet 第 1、deck-31B 第 3、H2O-Lightning-4B 第 5、GPT-6 Luna Decisions 第 7、Surogate 第 8），Microsoft-Decision-1 自己一栏没有名次；Jev 1.13.0 只出现在延迟对比里（240 毫秒），准确率与校准没有分数。
也有回复从实际工作负载出发保留态度。 说他把这批「新决策模型」都换进了原本由 Jev 承担的工作负载，结果「它们几乎总是更贵、更慢，或者结果更差」。
微软在博客结尾说会继续发布模型更新，把评测与数据用于优化质量、置信度与成本。截至 10 月 10 日，上还没有 Microsoft-Decision-1 的条目。