Microsoft vydal Microsoft-Decision-1, model zaměřený na hodnocení předem stanovených možností v AI aplikacích. Je určen pro směrování požadavků, třídění tiketů, filtrování obsahu nebo posuzování výstupů a akcí agentů. Vývojářům přes API vrací pravděpodobnostní skóre každé možnosti, nikoli volně napsanou odpověď.
API vrací skóre každé zadané možnosti
Požadavek obsahuje samotnou úlohu a pevně vymezenou sadu odpovědí. Vývojář k nim může připojit také hodnoticí kritéria. Ve strukturované odpovědi API pak dostane pravděpodobnostní skóre pro každou možnost, takže výstupem není pouze jedna vybraná odpověď.
Podporované úlohy sahají od jednoduchého rozhodnutí ano–ne po otázky s výběrem odpovědi. Model může pracovat také s hodnoticími škálami a rubrikami, které určují pravidla hodnocení. Do stejného rámce patří posuzování odpovědí AI i jednotlivých akcí agentů.
Microsoft označuje vracené pravděpodobnosti za kalibrované. Skóre 0,9 má podle firmy znamenat, že mezi reprezentativními případy s takovým skóre budou přibližně devětkrát z deseti předpovědi správné. Toto tvrzení se vztahuje k souboru případů se stejným skóre, nikoli k jistotě výsledku jednoho konkrétního požadavku.
Jeden průchod místo generování textu
Základem Decision-1 je Qwen3.5-9B, který Microsoft dodatečně trénoval pro hodnocení možností v jediném dopředném průchodu. Výpočet neobsahuje volné generování textu ani opakované cykly volání nástrojů. Jeho součástí nejsou ani vícekrokové záznamy uvažování.
Tomu odpovídá i vymezení použití: model není určen pro volné psaní, otevřené plánování, vykonávání nástrojů nebo vysvětlování postupu uvažování. Každou úlohu je nutné převést na předem určené možnosti či na skóre podle hodnoticí rubriky.
Microsoft porovnal rychlost i stabilitu rozhodnutí
Microsoft uvádí testování na 36 benchmarcích s téměř 150 000 otázkami, které podle firmy nebyly zahrnuty do tréninku. V tomto srovnání měl Decision-1 dosáhnout nejvyšší přesnosti a nejnižší latence ze zahrnutých systémů.
Při měření latence P50 byl podle výsledků Microsoftu 35krát rychlejší než GPT-6 Sol a 4,5krát rychlejší než Quyet-1.0-Large. Jde o srovnání rychlosti v této konkrétní metrice, zatímco přesnost firma popisuje výsledkem napříč uvedenou sadou benchmarků.
Firma zkoumala také citlivost rozhodnutí na úpravy vstupu. U osmi typů změn uvádí průměrnou míru změny rozhodnutí 1,3 %. Při parafrázování popisů možností, obrácení jejich pořadí a náhodném promíchání v testu nezaznamenala žádnou změnu rozhodnutí.
Nasazení v Xbox Research, Copilotu a Microsoft Discovery
V interním nasazení pro Xbox Research model třídil více než 10 000 odpovědí z průzkumů a recenzí ze Steamu a X do předem stanovených témat. Microsoft u této úlohy uvádí kvalitu srovnatelnou s GPT-6 Sol při více než 14násobné rychlosti.
V Copilotu sloužil Decision-1 k hodnocení kvality chatových odpovědí a odpovědí agentů. Podle Microsoftu zde dosahoval kvality srovnatelné s GPT5.6 Luna a stonásobné rychlosti.
Další interní využití se týkalo řešení provozních incidentů. Model vybíral relevantní informace z logů a tiketů; mezi další podklady patřily hovory, zprávy a ostatní data o incidentu. Firma uvádí lepší kvalitu vyhledávání i vyšší rychlost oproti blíže neurčenému výchozímu LLM.
V Microsoft Discovery hodnotil experimenty pro agenta, který upravuje svůj plán a opakuje jej. Microsoft pro toto nasazení uvádí 46krát konzistentnější hodnocení při trojnásobné rychlosti. Adaptivní přeplánování bylo podle firmy téměř čtyřnásobně rychlejší.
Dostupnost ve Foundry a plánované další varianty
Microsoft-Decision-1 je dostupný v katalogu Microsoft Foundry. Cena činí 0,042 dolaru za milion vstupních tokenů, výstupní tokeny jsou zdarma.
Microsoft plánuje také varianty založené na vlastních modelech MAI a na modelech OpenAI. U těchto budoucích verzí chce zachovat integrační postup, v němž aplikace předává pevně určené možnosti.
