微軟推 Decision-1 模型 採 Qwen3.5-9B 專攻決策評分

微軟於上週五（10月9日）發布一款名為 Microsoft Decision-1 的新型人工智慧模型，該模型旨在提供快速、精準的決策評分功能，而非傳統大型語言模型（LLM）常見的開放式文字生成。微軟執行長納德拉（Satya Nadella）在社群平台 X 上宣布這項產品，並表示 Decision-1 已在微軟內部應用於事件應變、品質控制及科學探索等領域。

Decision-1 的核心技術建立在阿里巴巴的 Qwen3.5-9B 模型之上。Qwen3.5-9B 是一個擁有 90 億參數（parameters）的開源模型，模型參數的數量通常代表了模型學習的複雜度和能力。微軟透過後訓練的方式，將 Decision-1 專為評估一組預設答案選項，並為每個選項提供校準後的機率分數，而非生成開放式文本。

這款專用型 AI 模型被設計來處理四大核心應用情境：路由、分類、優先排序和驗證，以及所謂的工作流程控制。由於它省略了傳統 LLM 中文字解析的步驟，因為輸出格式已是使用者定義選項的機率分佈，因此運行速度極快。根據微軟聲稱，Decision-1 比 Quyet-1.0-Large 模型快 4.5 倍，更比 GPT-6 Sol 快 35 倍，回應時間僅約 85 毫秒。

在準確性方面，微軟指出 Decision-1 在涵蓋 36 項基準測試和近 15 萬個問題的比較中，取得了最高準確度，平均達 83.5%。此外，其決策穩定性高達 98.7%。

Decision-1 透過 Microsoft Foundry 平台立即上市，隨後也將在 OpenRouter 上提供。微軟目前不分發該模型權重，開發者只能透過託管的 API 存取。OpenRouter 上的定價為每百萬輸入 Token 0.042 美元，輸出則免費。

微軟表示，Decision-1 僅是一個起點，未來計畫將其重塑（rebase）於自家的 MAI 模型和 OpenAI 技術之上。此舉反映了產業對於「量身打造」AI 模型的趨勢，即針對特定重複性、低複雜度的決策任務，採用成本更低、速度更快的專用模型，而非過度使用通用型大型語言模型。同時，亞馬遜也推出類似的 Strands Decider 2B 模型，顯示市場對此類需求漸增，對目前將通用模型用於路由和分類任務而支付過高費用的供應商構成壓力。