Το Microsoft-Decision-1 είναι η νέα προσπάθεια της Microsoft να λύσει ένα διαφορετικό πρόβλημα από αυτό που αντιμετωπίζουν τα μεγάλα γλωσσικά μοντέλα. Αντί να παράγει μεγάλες απαντήσεις, κώδικα ή αναλύσεις, έχει σχεδιαστεί για να παίρνει γρήγορες και δομημένες αποφάσεις – όπως ποιο AI model πρέπει να χρησιμοποιηθεί, σε ποια κατηγορία ανήκει ένα αίτημα ή αν ένας agent πρέπει να συνεχίσει, να σταματήσει ή να ζητήσει ανθρώπινη παρέμβαση.
Η Microsoft παρουσίασε το νέο μοντέλο στις 9 Οκτωβρίου και το διαθέτει ήδη μέσω του Microsoft Foundry. Η εταιρεία το εντάσσει σε μια νέα κατηγορία που αποκαλεί decision models, η οποία αρχίζει να αποκτά ιδιαίτερη σημασία όσο τα AI agents αναλαμβάνουν περισσότερες πραγματικές εργασίες.
Δεν παράγει απαντήσεις, βαθμολογεί επιλογές
Η βασική λειτουργία του Microsoft-Decision-1 είναι αρκετά διαφορετική από αυτή ενός συνηθισμένου LLM.
Ο developer δίνει στο μοντέλο ένα input και ένα προκαθορισμένο σύνολο πιθανών απαντήσεων. Το σύστημα επιστρέφει probability score για κάθε επιλογή.
Μπορεί, για παράδειγμα, να αποφασίσει αν ένα αίτημα είναι ασφαλές ή όχι, ποιο από πέντε AI models είναι καταλληλότερο για μια εργασία, ποια ομάδα πρέπει να αναλάβει ένα incident ή αν μια απάντηση που δημιούργησε άλλος agent πληροί συγκεκριμένα κριτήρια ποιότητας.
Υποστηρίζει yes/no αποφάσεις, multiple choice, numerical ratings και αξιολόγηση βάσει rubric.
Αυτό επιτρέπει σε ένα software system να χρησιμοποιεί άμεσα το αποτέλεσμα χωρίς να χρειάζεται να ερμηνεύσει ένα μεγάλο κομμάτι παραγόμενου κειμένου.
Βασίζεται στο Qwen3.5-9B
Το Microsoft-Decision-1 δεν είναι μοντέλο που έχει δημιουργηθεί εξ ολοκλήρου από τη Microsoft από μηδενική βάση.
Η πρώτη έκδοση έχει προκύψει μέσω post-training του Qwen3.5-9B, με τη Microsoft να βελτιστοποιεί το μοντέλο ειδικά για γρήγορο single-pass decision scoring.
Η εταιρεία αναφέρει ότι στο μέλλον σκοπεύει να μεταφέρει την ίδια τεχνολογία και πάνω σε άλλες οικογένειες μοντέλων, μεταξύ των οποίων τα δικά της MAI models αλλά και μοντέλα της OpenAI.
Η επιλογή ενός σχετικά μικρού μοντέλου δεν είναι τυχαία. Για tasks όπως routing ή classification, ένα μεγάλο reasoning model μπορεί να είναι πολύ πιο αργό και ακριβό από όσο χρειάζεται.
35 φορές ταχύτερο από GPT-6 Sol σύμφωνα με τη Microsoft
Η Microsoft δίνει ιδιαίτερο βάρος στην ταχύτητα.
Στις δικές της δοκιμές, το Microsoft-Decision-1 είχε περίπου 35 φορές χαμηλότερο median latency από το GPT-6 Sol και ήταν 4,5 φορές ταχύτερο από το Quyet-1.0-Large, το οποίο ήταν το δεύτερο ταχύτερο μοντέλο στη συγκεκριμένη σύγκριση.
Παράλληλα, η εταιρεία υποστηρίζει ότι πέτυχε την υψηλότερη accuracy επίδοση σε σύνολο 36 benchmarks και σχεδόν 150.000 ερωτήσεων που είχαν κρατηθεί εκτός training.
Τα αποτελέσματα καλύπτουν routing, ranking, multilingual tasks, long-context workloads, reasoning, safety και out-of-distribution δεδομένα.
Χρειάζεται πάντως προσοχή στην ερμηνεία τους. Πρόκειται για benchmarks που δημοσίευσε η ίδια η Microsoft και όχι για ανεξάρτητη αξιολόγηση τρίτου φορέα.
Γιατί η ταχύτητα έχει τόσο μεγάλη σημασία
Σε έναν απλό chatbot, μερικά επιπλέον milliseconds συχνά δεν αλλάζουν σημαντικά την εμπειρία.
Στους AI agents, όμως, μπορεί να συσσωρευτούν.
Αν ένας agent πρέπει να πάρει 20 διαδοχικές αποφάσεις και κάθε μία προσθέτει 100 milliseconds, δημιουργούνται δύο επιπλέον δευτερόλεπτα latency πριν ολοκληρωθεί η εργασία.
Ένα decision model μπορεί να λειτουργεί ως γρήγορο control layer ανάμεσα στα διαφορετικά βήματα.
Για παράδειγμα, μπορεί να αποφασίζει αν ένα task πρέπει να σταλεί σε φθηνό ή ισχυρότερο μοντέλο, αν χρειάζεται χρήση εργαλείου ή αν το σύστημα πρέπει να σταματήσει και να ζητήσει έγκριση από άνθρωπο.
Η Microsoft το δοκιμάζει ήδη εσωτερικά
Η εταιρεία αναφέρει ότι χρησιμοποιεί ήδη το Microsoft-Decision-1 σε διαφορετικά workloads.
Η ομάδα Xbox Research το χρησιμοποίησε για να κατηγοριοποιήσει περισσότερα από 10.000 σχόλια χρηστών από surveys, Steam και κοινωνικά δίκτυα.
Σύμφωνα με τη Microsoft, πέτυχε ποιότητα συγκρίσιμη με GPT-6 Sol, ενώ ήταν περισσότερο από 14 φορές ταχύτερο και περίπου 200 φορές φθηνότερο στη συγκεκριμένη εργασία.
Η ομάδα Copilot το δοκίμασε για quality control απαντήσεων, ενώ χρησιμοποιείται επίσης σε incident response και πειραματικά scientific discovery workflows.
Μια νέα κατηγορία AI αρχίζει να σχηματίζεται
Η Microsoft δεν είναι μόνη σε αυτή την κατεύθυνση. Μόλις λίγες ημέρες νωρίτερα, η OpenAI άνοιξε σε public beta τη Decisions API, η οποία χρησιμοποιεί GPT-6 Luna για predicates, choices και scores και έχει επίσης σχεδιαστεί ώστε να επιστρέφει γρήγορες δομημένες αποφάσεις αντί για εκτενές κείμενο.
Η σύμπτωση δείχνει πού μετακινείται ένα μέρος της αγοράς.
Καθώς τα AI systems γίνονται πιο agentic, το ζητούμενο δεν είναι πλέον μόνο ποιο μοντέλο μπορεί να γράψει την καλύτερη απάντηση. Χρειάζονται και μικρότερα, φθηνότερα συστήματα που αποφασίζουν ποιο εργαλείο θα χρησιμοποιηθεί, ποια ενέργεια θα εκτελεστεί και πότε πρέπει να αναλάβει άνθρωπος.
Πολύ χαμηλότερο κόστος
Η Microsoft τιμολογεί το Microsoft-Decision-1 στα 0,042 δολάρια ανά εκατομμύριο input tokens, ενώ δεν χρεώνει output tokens.
Αυτό δείχνει ξεκάθαρα ότι το μοντέλο δεν προορίζεται για δημιουργία περιεχομένου αλλά για χρήση σε τεράστιο όγκο μικρών decisions μέσα σε εφαρμογές και agents.
Η μεγάλη υπόσχεση των decision models είναι ακριβώς αυτή: να μη χρησιμοποιείται ένα μεγάλο και ακριβό LLM κάθε φορά που το software χρειάζεται απλώς να επιλέξει ανάμεσα σε Α, Β ή Γ.
Το Microsoft-Decision-1 είναι ίσως ένα από τα καθαρότερα σημάδια ότι η επόμενη φάση της AI αγοράς δεν θα αφορά μόνο μεγαλύτερα μοντέλα. Θα αφορά επίσης μικρότερα και εξαιρετικά εξειδικευμένα μοντέλα που θα λειτουργούν αθόρυβα στο παρασκήνιο, αποφασίζοντας ποιο από όλα τα υπόλοιπα AI systems πρέπει να κάνει τη δουλειά.
