معرفی Microsoft-Decision-1؛ مدل جدید مایکروسافت برای تصمیم‌گیری پرسرعت و ساختاریافته

مایکروسافت مدلی به نام Microsoft-Decision-1 را معرفی کرده است که رویکرد متفاوتی نسبت به مدل‌های زبانی بزرگ سنتی دارد. این مدل برای نوشتن متن، خلاصه‌سازی یا چت کردن طراحی نشده است، بلکه هدف آن خواندن محتوا و امتیازدهی به گزینه‌های از پیش تعیین‌شده در یک مرحله (Forward Pass) است.

زمینه و هدف از ساخت مدل

در حالی که صنعت هوش مصنوعی بر روی تولید متن‌های طولانی و دستیارهای گفتگوی بزرگ تمرکز دارد، مایکروسافت نیازی جدی در زیرساخت‌های مهندسی پیدا کرده است: تصمیم‌گیری سریع و کم‌هزینه. وظایف کلیدی مانند مسیریابی تیکت‌های پشتیبانی، تعدیل محتوا، بررسی صحت خروجی ایجنت‌ها و کنترل جریان کار به مدل‌هایی نیاز دارند که خروجی ساختاریافته و قابل پیش‌بینی داشته باشند.

مدل‌های زبانی بزرگ سنتی به پارس کردن خروجی متنی و حدس زدن میزان قطعیت نیاز دارند، اما یک مدل امتیازدهنده تصمیم، خروجی خود را به‌صورت توزیع احتمالاتی روی گزینه‌های مشخص‌شده ارائه می‌کند.

جزئیات فنی و انتخاب پایه Qwen3.5-9B

نکته جالب توجه در معماری این مدل، استفاده از مدل متن‌باز Alibaba یعنی Qwen3.5-9B به‌عنوان پایه‌ای برای Post-training است. مایکروسافت صراحتاً اعلام کرده است که این مدل را برای رسیدن سریع به بازار روی این وزن‌ها بهینه‌سازی کرده و قصد دارد در آینده پایه‌های مدل را به مدل‌های اختصاصی خود یا OpenAI تغییر دهد.

مشخصات و قابلیت‌های فنی این مدل شامل موارد زیر است:

• پشتیبانی از ورودی تا ۳۲ هزار توکن.
• خروجی شامل امتیازهای کالیبره‌شده برای گزینه‌های از پیش‌تعیین‌شده (بدون تولید توضیحات متنی).
• پایداری در برابر تغییرات کوچک ورودی (Perturbation-stable) با ضریب دقت بالا در آزمایش‌های داخلی.
• قیمت‌گذاری اقتصادی با نرخ تقریبی ۰.۰۴۲ دلار به ازای هر میلیون توکن ورودی و خروجی رایگان.

ادعاهای عملکردی و معیارهای سنجش

مایکروسافت ادعا می‌کند که این مدل روی ۳۶ بنچمارک مختلف و نزدیک به ۱۵۰ هزار سوال ارزیابی شده و به دقت بالایی دست یافته است. همچنین در تست‌های داخلی سرعت، بهینه‌سازی قابل توجهی در مقایسه با مدل‌های بزرگ‌تر گزارش شده است.

با این حال، کاربران و مفسران Hacker News به این نکته اشاره کرده‌اند که این اعداد از سوی خود شرکت منتشر شده و هنوز توسط منابع مستقل و شخص ثالث به طور کامل بازبینی نشده‌اند. یکی از کاربران به نام liuliu در بحث‌های هاکرنیوز پرسیده است که آیا کسی این مدل‌های تصمیم‌گیری متن‌باز را در بنچمارک‌های مانیتورینگ ارزیابی کرده است یا خیر، و برخی دیگر نیز به مقایسه آن با گزینه‌های مشابه مانند مدل‌های pplx-decider پرداخته‌اند.

دسترسی و نحوه به‌کارگیری

این مدل از طریق Microsoft Foundry در دسترس قرار گرفته و پس از آن روی OpenRouter نیز عرضه شده است. وزن‌های مدل به صورت عمومی برای دانلود و میزبانی محلی منتشر نشده‌اند و توسعه‌دهندگان باید از طریق APIهای میزبانی‌شده به آن دسترسی پیدا کنند. در برنامه‌نویسی و پایتون، مهندسان می‌توانند با استفاده از نمره‌های اطمینان (Confidence Scores) شرط‌های منطقی برای ایجنت‌ها و سیستم‌های خود تعریف کنند.