评测结论先行：微软Decision-1是2026年迄今最值得开发者关注的决策模型。它用阿里Qwen3.5-9B做底座，在36项基准、近15万道题目的盲测中拿到准确率第一；P50延迟比OpenAI GPT-6 Sol快35倍，输入价格每百万token仅0.042美元、输出免费，比OpenAI同类决策端点便宜58%。对高吞吐、低延迟、强鲁棒性要求的Agent生产环境，它今天的性价比几乎没有对手。但它的短板同样清晰：32K上下文、纯文本、不做复杂推理——它不是万能的，它是一台被刻意磨快的"选择题专机"。
01写在前面：我为什么花一整篇写一个"分类器"
在写这篇评测之前，我先说一个判断：决策模型（Decision Model）是2026年AI行业被严重低估的一条新赛道，而微软是第一个把它的商业账算明白的大厂。
过去两年，我们习惯了把大模型当成"什么都能答"的黑盒。你问它写代码，它写；你问它写诗，它写；你问它该不该给某个用户发优惠券，它也能给你一段"从多个维度考虑"的废话。
但真实的生产系统不需要废话。一个推荐系统、一个内容审核管道、一个客服路由，每天要处理的是几千万次"从有限选项里选一个"的判断题。这类任务用通用LLM做，又慢又贵又不稳定——同一个问题换个问法，答案可能就变了。
这就是决策模型存在的理由：它不是用来"生成"的，它是用来"选择"的。 输入一段文本和一组预设选项，它只干一件事——选一个最对的，并告诉你有多确定。
这个品类真正进入主流视野，是2026年9月。
TypeSafe AI发布Jev，OpenAI在9月17日悄悄上线了基于GPT-6 Luna的决策端点，字节跳动的Quyet模型、Cloudflare的Clef-flash也先后入场。
大家都在抢一个共识：当Agent开始大规模落地，推理的瓶颈不在"生成"，而在"判断"。
10月9日，微软下场了。而且是用一种让所有人意外的方式下场的。
0201 Decision-1是什么：微软的"选择题专机"
1.1 一句话定义
Microsoft Decision-1，是微软发布的首个决策专用模型。它不做自由文本生成，不做多轮对话，专门处理结构化决策任务：给定上下文和一组预设选项，模型输出最优选项及其校准概率。
微软官方给出的典型场景是四类：
- 路由分发：把用户请求路由给正确的Agent、团队或内部系统；
- 内容分类：对文本、反馈、工单进行标签分类；
- 任务优先级排序：判断任务队列里谁先谁后；
- 结果验证：校验上游LLM输出是否符合预期。
换句话说，凡是生产系统里"本来要写if-else或调分类器"的地方，它都能顶上来，而且比传统分类器更能理解语义。
1.2 最有争议的底座：Qwen3.5-9B
这是Decision-1身上最戏剧性的一笔：它的底座是阿里的通义千问Qwen3.5-9B，不是微软自家的MAI，也不是微软深度绑定的OpenAI模型。
微软在技术文档里毫不避讳这一点——Decision-1是基于Qwen3.5-9B做后训练（post-training）得到的。
后训练的核心是把通用语言模型"掰成"一个决策专家：用大规模决策数据做监督微调，再用偏好优化强化"选对"的行为。
这个选择的商业含义比技术含义更耐人寻味：
- 微软一边是OpenAI最大的股东和独家云服务商，一边用中国开源模型做自己的决策引擎；
- 9B参数量意味着它可以跑在更便宜的推理芯片上，成本压到极致；
- 微软官方还披露了路线图：后续Decision系列将rebase到MAI自研模型与OpenAI底座上。
翻译成人话：先用性价比最高的开源底座把市场打下来，再逐步换装自研引擎。 这是一套非常标准的平台型打法——你很难说微软背叛了OpenAI，你只能说微软从来没打算把命门押在任何单一底座上。
1.3 核心参数一览
先把硬指标列清楚（均来自微软官方技术博客与Foundry产品页）：
| |
|---|
| |
| |
| |
| |
| |
| |
| |
| |
| P50比GPT-6 Sol快35倍，比Quyet-1.0-Large快4.5倍 |
| Microsoft Foundry（Azure AI Foundry）已上线，OpenRouter接入中 |
| |
注意两个细节：
第一，输出免费。决策模型的输出就是"选中项+概率"，token量极小，微软干脆把输出价格归零——这是教科书级的定价心理战：输入便宜到可以忽略，输出免费，开发者没有任何理由不试。
第二，纯文本、32K上下文。这意味着它不处理图像、不做超长文档分析。它是被刻意做窄的：窄，所以快；窄，所以便宜；窄，所以稳定。
0302 实测：准确率、速度、成本、鲁棒性，四张账逐一算
2.1 准确率：近15万题盲测第一
这是Decision-1最硬的一张牌。
微软披露的数据是：在36项基准测试、总计近15万道题目的盲测（blind evaluation）中，Decision-1准确率排名第一。
微软还特别强调，为排除数据污染与"刷榜"嫌疑，评测采用盲测方式——评测者不知道模型身份。
需要打折扣的地方在于：这份榜单是微软自己出的，样本构成、题目难度、对手模型的配置细节尚未完全公开。
独立第三方榜单JevBench v1.6.2上，目前头部是TypeSafe的Jev（71.5分）与字节跳动的Quyet（71.4分），Decision-1尚未上榜——发布时间太短，独立评测还没来得及覆盖。
我的判断是："第一"可以存疑，"第一梯队"基本坐实。 以微软的数据质量和后训练投入，Decision-1进入决策模型头部阵营没有悬念，具体是不是绝对第一，等第三方榜单补测。
2.2 速度：35倍，不是一个量级的差距
延迟数据是Decision-1最炸裂的部分。
微软公布：P50延迟比GPT-6 Sol（OpenAI旗舰推理模型）快35倍，比Quyet-1.0-Large快4.5倍。
什么概念？我算了一笔账。假设一个Agent在工作流里需要连续做20次决策（比如多轮路由+质检+优先级排序），如果单次决策延迟是200毫秒，总延迟4秒，用户能明显感觉到卡顿；
如果单次决策压到50毫秒，总延迟1秒，交互就是"顺滑"的。
在Agent场景里，决策延迟是决定产品体验的天花板。 通用LLM的推理延迟动辄数百毫秒甚至数秒，决策模型把这条曲线整体下移了一个量级。
这也是为什么我认为"生成与决策分离"会成为Agent架构的主流趋势——不是理论上的，是成本与体验双重倒逼的。
2.3 成本：0.042美元/百万token，输出免费
定价层面，微软把账算到了极致：
- 输入0.042美元/百万token；
- 输出免费；
- 对比：OpenAI基于GPT-6 Luna的决策端点0.10美元/百万token（输入），微软便宜58%；Cloudflare同日把Clef-flash从0.090砍到0.038；
Perplexity的Decisions API挂0.02。
整个决策模型赛道正在经历一场惨烈的价格战，而微软是第一个用"输出免费"把战火烧到零的大厂。
一个真实场景测算：假设一个内容平台每天要分类100万条用户反馈，每条平均500 token输入。用Decision-1，一天的推理成本是0.042×100万×500/100万=21美元/天（输入），输出免费。
同样的量如果用通用旗舰模型做，成本至少是这个数字的几十倍。
对于"预算敏感、量极大、延迟敏感"的生产场景，这个价格不是有竞争力，是降维打击。
2.4 鲁棒性：选项乱序，答案不变
鲁棒性是被大多数评测忽略、但生产系统最要命的指标。
微软披露了这么一组数据：在8种扰动条件下（选项措辞改写、顺序颠倒、上下文重排、加入噪声等），Decision-1的决策翻转率平均仅1.3%；
其中"选项顺序颠倒"场景的翻转率为0——把选项顺序打乱，它选出来的答案完全不变。
这个指标为什么重要？
因为通用LLM的著名缺陷就是"prompt敏感"：同一个选择题，选项顺序换一下，答案可能就变了；措辞改一个词，输出就漂移。生产系统里这是灾难——你今天过滤了一条违规内容，明天同样的内容换个写法就漏过去了。
决策模型的卖点之一，就是把这个"漂移"压到接近零。 1.3%的平均翻转率、0%的选项乱序翻转率，在行业里是顶级水平。当然，这同样来自微软自测，独立复测有待补充。
2.5 安全：11项基准、5250条请求
安全层面，微软披露：在11项安全基准、总计5250条请求的评估中，Decision-1表现合规。作为参考，同期的模型事故新闻是：Anthropic刚披露了四类模型越权行为，白宫随即要求强制报告AI事故。
在"模型乱跑"成为行业头号新闻的当下，一个把决策面收窄到"选择题"的模型，天然就比全能LLM更可控。 它没有创作冲动，没有联网冲动，它唯一的输出就是"你选A还是选B"。这种"无聊"，恰恰是生产系统最需要的品质。
0403 场景实测：四个真实案例拆解
微软公开了三个内部落地案例，我逐一拆解，再补一个我自己的推演场景。
3.1 Xbox Research：1万条玩家反馈分类
场景： Xbox Research团队需要对1万多条玩家反馈做分类与筛选。
结果： 用Decision-1的分类质量与GPT-6 Sol相当，但速度快14倍，成本约为GPT-6 Sol的1/200。
拆解： 这是决策模型的教科书场景——数据量大、分类维度固定（反馈类型、严重程度、所属模块）、质量要求稳定。通用LLM做这件事不是不行，是贵且慢；而1/200的成本差，意味着同一笔预算下可以处理200倍的数据量。
3.2 Copilot质检：比GPT-5.6 Luna快约100倍
场景： 微软Copilot团队需要评估AI生成的响应质量（质检、审核、标注）。
结果： 用Decision-1做AI响应评估，比GPT-5.6 Luna快约100倍。
拆解： "用AI评估AI"是2026年最热的工程实践之一。质检管道的输入量是用户请求的若干倍——每一次生成都要配一次评估。评估环节如果用通用LLM，成本会翻倍甚至翻三倍；
把评估换成决策模型，等于给整个管道装了一个便宜的"质检闸门"。
3.3 Discovery：科研重规划，一致性高46倍、快3倍
场景： 微软Discovery团队用Decision-1做自适应重规划（根据中间结果决定下一步科研路径）。
结果： 与LLM方案相比，Decision-1的重规划一致性高46倍，速度快3倍。
拆解： 这是最有想象力的一个案例。科研智能体（AI Scientist类）的多步推理里，每一步都需要"决定下一步做什么"——这是典型的决策任务。
决策模型在这里不是取代LLM，而是给LLM当"路由大脑"：LLM负责生成候选方案，Decision-1负责选哪条路走。分层架构，各司其职。
3.4 推演场景：电商客服路由
场景： 某电商平台客服管道，每天50万条进线。
传统方案： 关键词规则+意图分类器，对"模糊表达"（比如"你们家这个怎么退"）识别率低，需要大量人工兜底。
Decision-1方案： 把进线文本+预设意图选项（退换货/物流/价格/质量/人工）输入Decision-1，输出最优意图+概率；概率低于阈值时再转人工。
账目： 假设每条进线平均600 token，50万条/天的输入成本约12.6美元/天；对比通用LLM方案动辄数百美元/天，或传统分类器难以处理长尾语义。
速度上，P50延迟按100毫秒估算，50万条进线分摊到峰值秒级并发，完全无压力。
我的结论： 只要是"选项固定、量极大、延迟敏感、预算敏感"的任务，Decision-1在2026年10月这个时间点，几乎是最优解。
0504 竞品横评：决策模型的牌桌上有谁
决策模型赛道过去一个月密集开牌。我把主要玩家摆上桌：
几个关键判断：
第一，微软是用"性价比"入场的。 0.042美元+输出免费，直接把高端玩家的价格打穿。
它不是最便宜的（Perplexity 0.02更狠），但它是"性能第一梯队+价格第一梯队"里唯一的大厂——TypeSafe的Jev虽然同价，但独立榜单还没完全坐实其性能；
Perplexity的0.02是端点价格，性能数据披露更少。
第二，OpenAI的位置很尴尬。 0.10美元的价格贵了一倍多，但它的优势是生态：基于GPT-6 Luna，能与自家生成模型无缝衔接。不过当价格差拉到58%，开发者会用脚投票——尤其在高吞吐场景。
第三，独立榜单是目前的裁判真空。 JevBench v1.6.2上Jev（71.5）与Quyet（71.4）咬得很紧，Decision-1未上榜。
第三方复测是接下来一周最值得关注的事——谁在榜单上坐稳第一，谁就吃下开发者的默认选项。
0605 争议与风险：我不能只说好话
这篇评测如果只说优点，那是不负责任的。Decision-1有几个绕不开的问题：
5.1 "第一"的含金量存疑
微软的"36项基准、近15万题第一"是自测数据。自测榜单天然有选择偏差——基准选哪些、对手怎么配置、评测样本怎么抽，都是出题人说了算。
这不是微软独有的问题，OpenAI、Anthropic都这么干过，但作为评测者我必须把这句话写清楚：在独立第三方复测出来之前，"第一"要打八折看。
5.2 底座是"别人的"
Qwen3.5-9B底座是一把双刃剑。
好处是成本低、开源透明、可审计；风险是：一是地缘与合规敏感性——中国企业客户的敏感场景、美国国防相关场景，用中国底座可能触发合规审查；
二是供应链风险——阿里若调整Qwen系列策略或授权条款，Decision-1的底座供给会受影响。微软的应对是"后续rebase到MAI与OpenAI底座"，但这意味着迁移成本和性能的不确定性。
5.3 能力边界：它真的只会"选择题"
Decision-1不做自由生成，不做复杂多步推理，32K上下文、纯文本。这意味着：
- 它不能替代LLM做内容生成，两者是分工关系；
- 超长文档决策（比如读一份50页合同做判断）它做不了；
- 需要"开放式判断"的场景（比如没有预设选项的战略分析）它没有用武之地。
它是一把极其锋利的窄刀，不是瑞士军刀。 如果开发者指望用Decision-1解决所有分类问题，会在边界场景碰得头破血流。
5.4 价格战是双刃剑
输出免费、输入0.042美元，这个价格长期看不可持续。整个赛道——Jev、Clef-flash、Perplexity——都在用补贴价抢开发者心智。一旦市场格局稳定，价格回升是大概率事件。
今天的"免费午餐"是在买明天的垄断，开发者做架构选型时要算的是长期总账，不是今天的单价。
0706 开发者与决策者建议
给开发者的实操建议
1. 先做"决策任务审计"。 盘点你现有管道里，哪些环节是"从固定选项里选一个"——路由、分类、排序、校验、质检、意图识别。这些就是决策模型的替换候选。
2. 不要全盘替换，先做闸门。 最稳的切入姿势是"分层架构"：LLM负责生成与理解，Decision-1负责路由与校验。
比如用Decision-1给LLM输出做质检闸门，用Decision-1把请求路由给不同Agent。
3. 关注概率输出。 Decision-1输出校准概率，这是它比传统分类器强的地方——低概率时转人工兜底，这是生产系统最实用的能力。
4. 等第三方榜单再下重注。 如果项目对准确率极其敏感，建议等JevBench等独立榜单覆盖Decision-1后再做架构迁移。如果追求的是"立刻省钱"，现在就可以试。
5. OpenRouter接入后用API试跑。 微软披露OpenRouter正在接入中，届时可以用统一API接口快速对比Jev、Quyet、Clef-flash与Decision-1在你自己数据上的表现。
给决策者的判断框架
如果符合以下条件，Decision-1值得立即试点： 高吞吐（日请求百万级）、选项固定、延迟敏感、预算敏感、对鲁棒性要求高（选项乱序不能变答案）。
如果符合以下条件，建议观望： 需要复杂推理、长上下文、多模态、开放生成；或者你的合规体系对"中国底座"有硬性限制。
0807 结语：决策模型的牌局，微软刚刚下了重注
回到开头那个判断。
决策模型是2026年被低估的新赛道，这一点我在一个月前写Jev时就这么看。今天微软用0.042美元+输出免费+近15万题第一的成绩单入场，等于把这条赛道的天花板与地板同时钉死了：天花板是性能，地板是价格。
接下来的看点有三个：
一是独立榜单补测。JevBench能不能覆盖Decision-1，谁坐稳第一，直接决定开发者默认选项。
二是OpenAI的回应。0.10美元的决策端点被58%的价格差架在火上，OpenAI要么降价，要么拿出差异化能力——它手里最大的牌是生态与旗舰模型的"生成+决策"一体化。
三是微软的底座迁移。当Decision系列rebase到MAI自研模型后，性能还能不能保持？如果自研底座能接住Qwen交出的接力棒，微软就真的在Agent时代拿到了平台级的门票。
最后说一句大白话：当"生成"开始免费、当"决策"开始按分计价，Agent的规模化落地就不再是成本问题，而是工程问题。 这一轮，微软把工程问题往前推了一大步。
至于用阿里Qwen打败OpenAI这件事——在AI行业，没有永恒的盟友，只有永恒的成本结构。
— END —
关于「AI最前沿」
专注人工智能产业的专业资讯平台，覆盖前沿大模型、AI产品、公司动态、技术研究与政策监管。
官网：aiforefront.cn
关注我们，第一时间获取AI行业最前沿资讯
