微软用超低价模型接管AI决策

微软正式发布 Microsoft-Decision-1.1,以每百万输入 Token 0.042 美元的价格处理路由、分类、核验和工作流控制。它不负责生成内容,而是试图成为 AI 应用中速度更快、风险更可控的“决策层”。
微软用超低价模型接管AI决策
微软在 11 月 17 日正式发布 Microsoft-Decision-1.1,一款专门处理路由、分类、优先级排序、内容核验和工作流控制的决策模型,目前已经在 Microsoft Foundry、OpenRouter 和 Vercel 上线。
这不是又一个用来聊天、写文案或回答开放问题的大语言模型。**决策模型是一类从开发者预先给定的选项中作出选择,并为每个选项返回概率分数的专用模型。**它更像软件系统里的调度员、审核员和交通信号灯,而不是直接替用户完成任务的知识工作者。
Microsoft-Decision-1.1 最值得关注的地方也不是跑分领先了几个名次,而是微软把 AI 决策的价格压到了每百万输入 Token 0.042 美元,输出 Token 免费。按照 IT之家给出的汇率折算,全球标准版每百万输入 Token 约合人民币 0.28 元;美国数据区为 0.046 美元,欧盟和亚太数据区为 0.05 美元。(commandline.microsoft.com)
这个价格意味着,过去因为调用通用大模型太贵而只能用规则引擎解决的高频判断任务,现在第一次有了值得认真考虑的模型方案。

它不生成答案,只决定下一步做什么
Microsoft-Decision-1.1 的核心能力是“选”,而不是“写”。
开发者需要向模型提供当前状态、判断问题和一组明确的候选答案,模型随后为每个答案返回概率。例如,一个客服系统可以要求它判断工单应该进入“退款”“物流”“账号安全”还是“人工处理”;一个 AI Agent 可以要求它判断某次工具调用应该“允许”“拒绝”“重试”还是“升级审核”。
这种工作方式与通用大语言模型存在根本区别:
| 对比维度 | Microsoft-Decision-1.1 | 通用大语言模型 | |---|---|---| | 核心输出 | 固定选项及概率分数 | 自由生成的文本或结构化内容 | | 主要任务 | 路由、分类、排序、核验、流程控制 | 问答、写作、推理、代码与内容生成 | | 行为边界 | 只能从开发者允许的操作中选择 | 可能生成预期之外的答案或操作 | | 不确定性处理 | 可设置弃权选项和置信度阈值 | 通常倾向于继续生成答案 | | 推理成本 | 每百万输入 Token 0.042 美元起 | 通常明显更高 | | 输出成本 | 免费 | 通常按输出 Token 收费 | | 适用位置 | AI 系统的控制层和判断节点 | AI 系统的执行层和生成层 |
Microsoft-Decision-1.1 支持布尔判断、多项选择、等级评分和基于规则的评估,并能在一次调用中对多个候选选项进行打分。模型上下文窗口为 32K Token,除文本外还支持图像输入,单次请求最多可包含 8 张图片。(ai.azure.com)
图像输入让它可以处理更多真实业务场景,例如判断商品图片是否符合平台规范、核验截图与用户描述是否一致,或者根据界面截图决定自动化流程应该点击哪个操作。不过,它并不输出图像,也不负责解释自己的完整推理过程。
置信度比“答案正确”更重要
Microsoft-Decision-1.1 真正有价值的能力是校准,而不只是分类准确率。
**校准是指模型给出的概率能够较真实地反映答案正确的可能性。**如果模型把 100 个判断都标成 90% 置信度,那么理想情况下,其中应该大约有 90 个判断是正确的,而不是模型对每个答案都习惯性地表现得很自信。
在企业工作流中,一个模型偶尔判断错误并不可怕,可怕的是系统无法区分高置信度答案和猜测。Microsoft-Decision-1.1 允许开发者按照概率设置不同的自动化策略,例如:
- 置信度高于 95%:自动执行操作;
- 置信度在 70% 至 95%:重新调用模型或补充上下文;
- 置信度低于 70%:转交人工审核;
- 多个选项概率接近:选择弃权,不触发后续工具。
这套机制让模型可以明确地说“我不知道”。对于涉及删除数据、退款审批、账号封禁或生产环境操作的 Agent 来说,会弃权的模型通常比总能给出答案的模型更可靠。
但置信度并不等于安全保证。微软也明确限制该模型作为信贷、就业、住房、保险、医疗、教育和法律权利等重大个人决策的唯一自动化依据;真正上线时,开发者仍需自行设计阈值、审计记录、回滚机制和人工升级路径。(ai.azure.com)
速度翻倍,跑分升至 68 分
Microsoft-Decision-1.1 在 Artificial Analysis Decision Index v2.1 中获得 68 分,比上一代 Microsoft-Decision-1 提高 6 分,并且在价格不变的情况下将处理速度提升到两倍以上。(commandline.microsoft.com)
按照目前公布的榜单信息,它在决策模型中排名第八,得分比 Elephant 9B 和 Jev 1.14 高 2 分,比 d1.2 低 1 分,同时领先 Gemini Decision 1 和 GPT-6 Luna Decisions。
| 模型 | Decision Index v2.1 | 与 Microsoft-Decision-1.1 的差距 | 位置判断 | |---|---:|---:|---| | d1.2 | 69 | +1 | 略高 | | Microsoft-Decision-1.1 | 68 | 0 | 第八名 | | Elephant 9B | 66 | -2 | 略低 | | Jev 1.14 | 66 | -2 | 略低 | | Gemini Decision 1 | 低于 68 | 未公布具体差值 | 微软领先 | | GPT-6 Luna Decisions | 低于 68 | 未公布具体差值 | 微软领先 |
微软还用 102 项内部基准、超过 38.5 万个未进入训练集的问题测试了该模型,覆盖路由、排序、长上下文、多语言、安全性和分布外任务。按照微软自己的结果,Microsoft-Decision-1.1 在 8 个受测决策模型中取得最高平均准确率,并在 9 类能力中的 7 类排名第一。(commandline.microsoft.com)
这些内部数据仍然需要谨慎看待。厂商可以决定数据集、提示方式、并发量和统计口径,因此微软的内部测试更适合说明模型的设计方向,而不能代替开发者用真实业务数据进行验证。
Gemma 4 MoE 是低成本的技术底座
Microsoft-Decision-1.1 基于 Gemma 4 26B A4B 这一中型混合专家模型进行后训练,而不是从头训练一个全新的基础模型。(commandline.microsoft.com)
**混合专家模型是每次推理只激活部分参数、以较低计算量获得较大模型容量的架构。**Gemma 4 26B A4B 虽然拥有约 260 亿参数规模,但每次推理只激活约 40 亿参数,适合追求低延迟和高吞吐量的判断任务。
微软为 Decision-1.1 定制了推理引擎,并通过智能调度把请求分配到 A100、H100、H200、GB200 和 GB300 等不同 GPU 上。相比逐 Token 生成长文本的传统推理引擎,这套系统更关注一次前向计算完成选项评分,因此不需要等待模型连续生成大量输出 Token。
这也是“输出 Token 免费”的技术原因之一:Decision-1.1 返回的是结构化概率,而不是几百或几千 Token 的自然语言答案。输出本身的计算量很小,真正的成本主要集中在读取上下文和完成选项判断上。
训练方面,微软组合使用了监督微调和强化学习,数据包含公开数据、授权数据以及合成数据,覆盖数万种任务类型。其训练目标不是记住某一套分类标签,而是学习如何区分相近选项、识别信息不足,并在必要时拒绝作出确定判断。
便宜到可以替代一部分规则引擎
Microsoft-Decision-1.1 的价格优势只有放到实际调用量中才足够直观。
假设一个客服平台每天需要处理 100 万个路由请求,每个请求平均包含 500 个输入 Token,那么每天总输入量约为 5 亿 Token。按照全球标准版价格计算,每天的模型费用约为 21 美元,一个月约为 630 美元。
如果把单个请求压缩到 200 Token,同样是每天 100 万次判断,每月成本会下降到约 252 美元。由于输出免费,增加候选选项或返回概率分布不会像生成式模型那样产生明显的输出费用。
这种成本结构会直接改变企业对 AI 自动化的计算方式。过去使用大模型做工单路由时,团队通常要在准确率和成本之间做取舍;现在,简单判断交给 Decision-1.1,复杂问题再升级到更大的推理模型,可能比所有请求都调用大模型便宜一个数量级。
微软已经在自己的产品里采用这种分层架构。在 Copilot 中,Decision-1.1 用于判断用户请求应该交给 Copilot 还是 Cowork,微软称其准确率与大型语言模型相当,但速度快 2.2 倍,成本降低 4.4 倍;在 Cowork 的 Auto 模式中,它还负责动态选择任务所需的推理强度。(commandline.microsoft.com)
微软表示,公开预览启动约五周后,已经有超过 4000 家客户使用该模型,场景包括模型路由、客服分流、业务流程自动化、标签生成和分类,早期用户包括 Epic、Equinor、Atos Group 和 Raiffeisen Bank。(commandline.microsoft.com)
它不会取代大模型,而会成为大模型的控制层
Microsoft-Decision-1.1 更像是给 AI Agent 增加了一块专门负责判断的控制芯片。
在一个完整的 Agent 系统中,生成式模型负责理解复杂需求、制定计划和生成内容,决策模型则负责判断计划是否合理、工具是否应该调用、结果是否需要重试,以及下一步应该交给哪个模型执行。
一个典型的分层流程可能是:
- Decision-1.1 判断请求属于搜索、编码、写作还是数据分析;
- 系统把任务路由给对应的专业模型;
- 专业模型生成计划或工具调用请求;
- Decision-1.1 根据安全规则判断是否允许执行;
- 工具返回结果后,Decision-1.1 核验结果是否满足要求;
- 高置信度结果直接交付,低置信度结果升级给更强模型或人工处理。
这种设计把“思考”和“放行”拆成两个角色,类似软件工程中的业务服务与权限系统分离。主模型即使生成了错误操作,决策层也有机会在工具真正执行前将其拦截。
Microsoft-Decision-1.1 因此最有可能影响的不是聊天机器人,而是企业软件的后端架构。只要一个系统每天存在大量重复判断,而且每个判断都能被表达为有限选项,它就可能成为 Decision-1.1 的目标场景。
微软押注的是一个新模型层级
Microsoft-Decision-1.1 证明了“更大的通用模型”并不是所有 AI 任务的最优答案。
AI 应用正在逐渐形成不同的模型分工:大型推理模型处理少量高价值复杂任务,小型生成模型完成日常内容生产,Embedding 模型负责检索,而决策模型负责路由、评分、核验和风险控制。
微软这次最激进的动作不是把 Decision Index 提高到 68 分,而是把价格固定在每百万输入 Token 0.042 美元。在这个价位上,Decision-1.1 不只是在和 GPT-6 Luna Decisions、Gemini Decision 1 或 Jev 竞争,也是在和传统分类器、关键词规则、人工抽检以及企业内部多年积累的 if-else 流程竞争。
它的局限同样明确:模型不能回答开放问题,不能替代复杂推理,也不能凭空调用输入中没有提供的知识。开发者还必须先把业务问题拆成清晰的候选选项,并建立可执行的置信度阈值。
但这恰恰是它的价值所在。生成式 AI 过去两年的主要方向是让模型拥有更多能力,而 Microsoft-Decision-1.1 代表的是另一条路线:主动限制模型能做什么,以换取更低成本、更快响应和更可预测的行为。
如果这类模型能在真实生产环境中保持校准稳定,未来 AI 应用调用次数最多的模型,未必是用户直接看到的聊天模型,而可能是藏在每一个工作流节点后面、每次只回答“走哪条路”的决策模型。
参考来源
- IT之家:微软决策模型 Microsoft-Decision-1.1 登场 — 汇总模型发布日期、Foundry 定价、基准成绩与技术架构。
- GitHub:System One Decision Benchmark — 社区维护的决策模型测试项目,可用于了解决策模型的延迟、校准和成本评估方式。
- GitHub:Awesome Decision Models — 收录决策模型、基准测试、工具和相关研究的社区资源列表。



