10 月 9 日，微软发布了一个不太起眼但值得细看的新模型：Microsoft-Decision-1。它不写文章、不画图、不聊天，只干一件事——做决策。
一、它到底是什么
Decision-1 是专为结构化决策任务设计的模型：从预设选项里挑出最优解，并给每个备选答案附上概率评分。
用人话说，它只做"选择题"，不做"问答题"。典型场景：
- 路由分发：用户这句话该进哪个处理分支
- 内容分类：这条评论是好评、差评还是广告
- 任务优先级排序：这 50 个待办先干哪个
- 结果验证：Agent 上一步的输出合不合格，要不要重做
- 工作流控制：继续执行、重试、升级人工，听它的
二、技术底子：Qwen3.5-9B 后训练
微软披露这个模型基于 Qwen3.5-9B 做后训练——也就是 90 亿参数的小模型。
这本身就是一个判断：决策类任务不需要千亿参数。从几个选项里挑最优，本质是判别任务，不是生成任务，小模型加针对性后训练完全够用。而小的好处是直接的：快、便宜、可私有化部署。
三、数字拆解
- 速度是 GPT-6 Sol 的 35 倍
- 输入 $0.042 / 百万 token，输出免费
- 微软自测 36 项基准、近 15 万道问题，准确率排名第一
- Xbox Research 团队用它分类 1 万多条游戏反馈，质量与 GPT-6 Sol 相当，成本低约 200 倍
冷静一下：准确率第一是微软自测数据，尚无第三方验证，看看就好。但"成本低约 200 倍"这个量级，即便打折，也足以改变工作流的设计方式。
四、为什么微软要做这个
看一组对比就明白了。今天大家搭 Agent 工作流，最烧钱的环节往往不是"生成"，而是"判断"：每一步要不要继续、结果合不合格、走哪个分支——这些判断以前都得调一次大模型，又贵又慢。
Decision-1 是把"判断"独立成一个便宜又快的分层。微软的规划也写得很明白：未来迁移到 MAI 系列与 OpenAI 模型之上。翻译一下："决策层"会成为模型厂商的标配分层，就像今天每家都有 embedding 模型一样。
五、三种落地用法
- Agent 的"裁判"：工作流里每个节点的输出，先过 Decision-1 判定合不合格，不合格自动重试。这是眼下最直接的用法。
- 分类网关：客服、评论区、工单系统，先用它做一层廉价分类，再决定走人工还是自动化。
- 多模型路由：根据任务类型把请求分给不同的模型，贵的只用在刀刃上。
六、边界
它只做选择题。开放式生成、复杂推理、创意写作，都不是它的活。以及再次提醒：性能数据来自微软自测。
一句话总结：大模型负责"想"，小模型负责"判"，分工之后账单直接下来。这是 2026 年下半年最值得跟进的一个工程趋势。