Microsoft stellt Decision-1 als Modell für Entscheidungen vor

Anders als ein Allzweck-Sprachmodell, das Erklärungen und andere natürlichsprachliche Inhalte erzeugen kann, gibt Decision-1 Wahrscheinlichkeiten für die verfügbaren Antworten zurück. Laut Microsoft nimmt das Modell eine feste Auswahl an Antwortoptionen entgegen und gibt in einem einzigen Durchlauf für jede Option eine kalibrierte Wahrscheinlichkeit zurück, statt eine Freitextantwort zu verfassen. Microsoft zufolge kann Decision-1 mehrere Entscheidungen parallel innerhalb einer einzigen Anfrage bewerten. Darüber berichten Computerworld und InfoWorld.

Das Modell zielt auf Aufgaben wie die Klassifizierung von Anfragen, die Priorisierung von Vorfällen und die Prüfung KI-generierter Antworten. Decision-1 ist darauf ausgelegt, Routing-, Klassifizierungs- und Verifizierungsaufgaben effizienter zu bewältigen als universelle große Sprachmodelle, so Microsoft. Decision-1 unterstützt Ja-oder-Nein-Urteile, Auswahl unter vordefinierten Optionen, Bewertungen und rubrikbasierte Einschätzungen von KI-Antworten und Agent-Aktionen, so Microsoft. Entwickler können die Ausgaben von Decision-1 nutzen, um Eingaben zu klassifizieren, Arbeit zu priorisieren, Antworten zu verifizieren oder die nächste Aktion in einem KI-Agenten-Workflow zu bestimmen.

Microsoft-Decision-1 ist laut dem Unternehmen über Microsoft Foundry und OpenRouter verfügbar. Microsoft hat das Modell durch Post-Training von Qwen3.5-9B entwickelt und plant, es auf anderen Modellen neu zu basieren, darunter Microsoft AI (MAI) und OpenAI-Modelle.

Microsoft gibt an, dass Decision-1 in einem Vergleich von 36 Benchmarks mit fast 150.000 Fragen, die vom Training ferngehalten wurden, die höchste Genauigkeit erreichte. Das Unternehmen berichtete zudem, das Modell sei etwa 2,5-mal schneller gewesen als der Zweitplatzierte und 35-mal schneller als GPT-6 Sol. Die Benchmark-Ergebnisse und Kostenberechnungen sind Angaben von Microsoft und wurden nicht unabhängig überprüft.

Laut dem Blogbeitrag gibt Microsoft den Preis mit 4,2 Cent pro Million Eingabe-Token an, ohne Berechnung für Ausgabe-Token. In einem Beispiel zur Vorfallpriorisierung gab Microsoft an, dass eine Anfrage mit 86 Eingabe-Tokens und zwei Ausgabe-Tokens etwa 0,0000036 US-Dollar kostete. Bei dieser Rate würde 1 US-Dollar mehr als 275.000 ähnliche Entscheidungen abdecken.

Charlie Dai, Vice President und Principal Analyst bei Forrester, sagte, spezialisierte Entscheidungsmodelle könnten Kosten und Latenz agentischer KI-Workflows senken. Amit Kumar Jena, Development Manager für KI bei Kanerika, sagte, das Verlagern routinemäßiger Routing- und Genehmigungsprüfungen weg von großen generativen Modellen stelle eine bedeutende architektonische Änderung für Unternehmen dar, die KI-Agenten skalieren.

Decision-1 gibt Scores zurück, liefert aber keine Begründung für jede Entscheidung; die Dokumentation von Microsoft warnt zudem, dass Ergebnisse je nach Formulierung der Fragen variieren können, so Jena. Jena äußerte die Sorge, dass eine präzise wirkende Wahrscheinlichkeit einer unsicheren Entscheidung mehr Autorität verleihen könne, als ihr zusteht. Jena warnte davor, Microsofts Benchmark-Ergebnisse zur Vorhersage von Unternehmenseinsparungen zu nutzen; Organisationen sollten laut Jena „cost and latency per successfully completed workflow, including fallbacks and mistakes“ messen.