微软Decision-1：大模型开始少说多做

微软最近推出了专用决策模型Microsoft-Decision-1，并已于2026年10月在Microsoft Foundry开启公开预览。

Microsoft-Decision-1不是又一个陪用户聊天、写报告的大语言模型，而是一款基于Qwen3.5-9B后训练、面向结构化判断任务的9B级决策模型。开发者向它提供背景信息、待判断的问题和一组固定候选项，模型通过一次推理为各个选项返回概率，用于完成分类、评分、排序、路由和智能体流程控制。

这款模型最值得关注的地方并不是参数量，而是微软开始把“生成”和“决策”拆成两类不同的基础设施。过去，企业习惯把所有任务都交给通用LLM：先让模型写一段分析，再要求它从A、B、C中选择一个答案。Decision-1则试图跳过中间那段文本，直接给出可供软件系统消费的概率分布。

截至10月26日，微软披露的内部测试场景已经覆盖事件响应、质量控制和科学发现，Xbox研究团队还使用该模型处理了超过1万条玩家反馈。微软的方向很清楚：能用9B模型完成的高频判断，不必每次都调用体量更大、推理链更长的通用模型。

Decision-1到底是什么

决策模型是一类将上下文、问题和候选项映射为概率或分数的专用模型，其核心输出是可比较的判断结果，而不是自然语言正文。

Microsoft-Decision-1的典型输入可以理解为三部分：一段业务背景、一个需要判断的问题，以及若干预先定义的选项。模型不会花数百个token解释原因，而是直接回答“选项A为0.72、选项B为0.21、选项C为0.07”这一类结构化结果。

这种输出方式更像一个经过自然语言增强的分类器，而不是缩小版聊天机器人。传统分类器需要企业提前定义特征、收集特定标签并针对每项任务训练；Decision-1保留了Qwen底座理解复杂自然语言的能力，因此同一个模型可以处理玩家反馈分类、工单升级、内容质量检查或Agent工具路由，只需改变上下文与候选项。

“固定候选项”是理解Decision-1边界的关键。它擅长从已知选项中选择，而不擅长凭空提出一个此前未定义的解决方案；它适合回答“这张工单应该进入哪个队列”，却不适合独立回答“公司未来三年的战略应该是什么”。

为什么微软没有继续堆大模型

企业AI的大部分调用并不是创作，而是判断。客服系统要判断工单优先级，安全平台要判断告警是否升级，代码Agent要判断下一步调用哪个工具，数据管道要判断一条记录是否异常，这些任务往往只需要几个稳定的标签或概率。

通用LLM处理这类任务存在明显浪费。模型通常先生成分析过程，再生成最终标签；企业随后还要解析文本、检查格式，并处理“模型明明只需回答A，却输出一篇小作文”的异常情况。推理token越多，延迟、成本和输出不确定性也越高。

Decision-1试图把这一过程压缩为一次评分。它不承担开放式内容生成，而是把算力集中在候选项之间的比较上；如果部署在高调用量工作流中，这种差异会比单次聊天中的体验差异更重要。

微软披露的测试覆盖36项基准、接近15万个问题，Decision-1在综合准确率上取得最高成绩。按照微软给出的结果，其测量速度约为排名第二的H2O-Lightning-4B v1.1的2.5倍，并达到GPT-6 Sol的35倍；微软同时表示，它在结构化决策任务的延迟与质量上超过Jev 1.13.0和多款通用LLM。

这些数字目前更适合被视为厂商基准，而不是跨平台定论。决策模型的速度高度依赖候选项数量、上下文长度、批处理规模、量化方式、部署硬件和“速度”的具体定义；在微软给出完整测试配置与可复现实验前，35倍并不意味着任何真实业务都能获得同等提升。

Decision-1与通用LLM有什么区别

Decision-1和通用LLM的根本差异是输出目标不同。通用LLM优化的是下一个token预测以及由此产生的文本质量，决策模型优化的是候选项排序、概率质量和判断稳定性。

| 对比维度 | Microsoft-Decision-1 | 通用大语言模型 | 传统任务分类器 | |---|---|---|---| | 核心定位 | 结构化决策模型 | 通用内容生成与推理 | 单任务预测模型 | | 底座规模 | Qwen3.5-9B，约90亿参数 | 通常从数十亿到数千亿参数 | 视任务而定，通常更小 | | 主要输出 | 候选项概率、分数或置信度 | 自然语言、结构化文本 | 类别或数值 | | 是否依赖固定选项 | 是 | 否，但可通过提示词限制 | 通常是 | | 典型任务 | 分类、路由、评分、排序、验证 | 对话、写作、开放式分析、代码生成 | 垃圾邮件识别、风控评分等固定任务 | | 推理开销 | 较低，强调单次评分 | 较高，随输出token数增长 | 最低，但泛化能力有限 | | 新任务适配 | 修改上下文和候选项即可覆盖部分任务 | 通过提示词或微调适配 | 通常需要重新训练或新增分类头 | | 可解释性 | 提供候选项概率，但不等于因果解释 | 可生成解释，但解释未必忠于真实计算 | 取决于算法与特征设计 | | 公开价格 | 截至10月26日未见完整独立定价 | 各厂商按token或请求收费 | 主要是训练与部署成本 |

概率输出是Decision-1进入生产系统的关键，但“给出概率”不等于“概率可信”。如果模型对错误选项给出0.95的置信度，它对自动化系统的危害反而可能高于一个会表达犹豫的聊天模型，因此企业仍需检查校准误差、类别不平衡和不同业务分布下的稳定性。

概率校准是指模型给出的置信度与真实正确率相匹配。例如，在所有输出0.8置信度的样本中，如果最终约有80%判断正确，这组概率才具有良好校准。企业部署Decision-1时，不应只看准确率，还应关注Brier Score、Expected Calibration Error、拒答阈值和各类别召回率。

Qwen3.5-9B为什么适合做底座

Qwen3.5-9B是阿里Qwen系列中的90亿参数级开放权重模型，Microsoft-Decision-1是在该底座上进行针对性后训练得到的专用模型。

微软选择Qwen而不是从头训练，首先是工程效率问题。一个成熟的9B底座已经具备语言理解、指令遵循、多领域知识和结构化信息处理能力，微软只需要把后训练重点放在“理解选项—比较选项—输出概率”这一决策链路上。

9B规模也落在一个务实区间。它比超大通用模型更容易部署、更适合高并发推理，又比传统小分类器拥有更强的上下文理解和跨任务迁移能力；在事件分类、审核、路由这类任务中，继续扩大参数规模不一定带来与成本成比例的收益。

Qwen生态的另一个优势是工具链成熟。Qwen在Hugging Face上的模型组织页和QwenLM GitHub组织已经覆盖模型权重、推理框架、微调方案与部署适配，这降低了企业围绕Qwen进行二次训练和工程集成的门槛。

已有统计显示，Hugging Face上129个开源决策模型项目中有84个基于Qwen开发，占比约65.1%。这一统计口径仍会随模型新增、标签定义和项目去重方式变化，但它至少说明一件事：Qwen正在成为专用决策模型常用的通用底座，而不仅是中文聊天模型的替代选项。

它真正适合放在哪里

Agent路由可能是Decision-1最直接的落地位置。一个拥有搜索、数据库、代码执行、邮件和浏览器工具的Agent，每一步都需要判断该调用哪个工具；让大型推理模型重复完成这种选择，成本高且延迟会层层累积，而9B决策模型可以充当专门的“调度器”。

事件响应是另一个高价值场景。系统可以根据日志、错误描述、影响范围和历史记录，在“自动恢复、通知值班人员、升级严重级别、继续观察”等选项之间返回概率，再由规则引擎根据阈值采取动作。

质量控制适合采用“决策模型初筛、通用模型复核、人工处理边界样本”的三级架构。Decision-1可以先处理大部分明显样本，把低置信度、多个选项接近或涉及高风险的案例交给更强模型，最后仅将少数疑难问题转给人工。

Xbox处理超过1万条玩家反馈的案例展示了这种模型的实际价值。玩家反馈通常包含口语、缩写、情绪表达和多个问题，传统关键词规则容易漏判，直接使用大型LLM又可能成本过高；决策模型可以利用语言理解能力，把反馈映射到预定义的产品问题、严重程度和处理队列。

企业不能把概率当成责任转移工具

Decision-1不应成为涉及人身安全、信贷、医疗、招聘或法律权益事项的唯一决策者。模型输出的是统计判断，不是事实证明，更不意味着系统已经解释了判断依据。

企业首先需要设置拒绝机制。当最高候选项概率低于阈值，或前两名概率过于接近时，系统应该进入复核流程，而不是强行选择一个答案；阈值也不能全局复用，内容推荐与安全事故响应显然需要不同风险标准。

企业还需要防范选项集本身的缺陷。Decision-1只能在给定选项中作答，如果真正正确的答案不在候选列表里，模型再高的置信度也只是“在错误题目中选出最像正确的答案”。因此，生产系统通常应提供“其他”“信息不足”或“交由人工处理”等退出选项。

企业最终还要记录输入、候选项版本、模型版本、概率结果和后续动作。决策模型一旦进入业务链路，就不再只是一个AI组件，而是审计系统的一部分；没有版本化与日志，团队很难追踪一次错误判断究竟来自模型漂移、提示变更还是业务规则失效。

微软这次押注的不是9B，而是模型分工

Microsoft-Decision-1的意义在于把企业AI从“一个大模型包办所有任务”推向“不同模型承担不同工序”。大模型负责理解复杂问题、生成方案和处理例外，小模型负责高频、封闭、可量化的判断，传统规则负责明确且不可违反的约束。

这种分工更接近成熟的软件架构，而不是早期AI应用的演示逻辑。真正进入生产环境后，企业不会关心模型能否写一首诗，而会关心它每秒能处理多少次判断、错误率是多少、概率是否校准、一次失败会不会触发不可逆动作。

Decision-1目前仍缺少几个决定其竞争力的关键信息。微软尚未完整公开独立定价、基准测试的全部硬件与参数设置、不同上下文长度下的吞吐表现，以及模型权重是否会以可自行部署的方式提供；公开预览可用不等于开放权重，也不等于企业能够在本地环境中自由部署。

微软基于Qwen3.5-9B而非自有超大模型推出Decision-1，也释放了一个现实信号：在垂直任务上，底座品牌没有最终任务指标重要。只要开放权重模型在尺寸、效果、训练工具和部署成本上更合适，大厂同样会选择外部底座，再通过后训练把它改造成自己的产品。

我们的判断

Microsoft-Decision-1是一个方向正确、但仍需更多可复现数据验证的产品。它没有试图在聊天榜单上再造一个全能助手，而是瞄准企业系统中数量更大、要求更稳定的微小判断，这类模型可能不容易制造演示视频，却更容易产生持续调用量。

它对开发者最实际的启示不是“立即替换所有LLM”，而是重新检查工作流。凡是输出空间固定、调用频率高、无需长文本、可以用准确率和校准指标验收的节点，都值得从通用大模型中拆出来，交给Decision-1这类专用模型。

它对Qwen生态的意义同样明显。Qwen正在从一个可用于对话和生成的开放权重模型家族，变成其他公司构建分类器、路由器、评估器和决策层的基础材料；如果65.1%的统计能够在更严格口径下成立，Qwen在决策模型赛道的影响力已经不只是中文能力领先这么简单。

Decision-1真正需要证明的是长期可靠性。一次基准领先可以说明模型有潜力，但企业是否愿意让它介入告警升级、质量放行和Agent动作，最终取决于概率校准、分布漂移监控、审计能力、部署成本和失败兜底，而不是一张准确率排行榜。

参考来源

• Hugging Face：Microsoft-Decision-1相关模型与资料检索——用于追踪模型页面、社区衍生版本及公开模型资料。
• Hugging Face：Qwen3.5-9B相关模型检索——用于查看Qwen3.5-9B底座及相关模型卡信息。
• Hugging Face：Qwen官方模型组织页——Qwen系列权重、模型卡和生态项目的集中页面。
• GitHub：QwenLM官方组织——Qwen系列推理、训练与部署项目的官方代码入口。