AI决策别盲信！微软Decision-1基于Qwen3.5-9B的避坑指南

北京时间10月10日（美东10月9日），微软在官方开发者博客发布 Microsoft-Decision-1：一款不写文章、不编代码、只给一组固定候选项逐个打概率分的"决策打分模型"，训练底座是开源的 Qwen3.5-9B，已上线 Microsoft Foundry 和 OpenRouter。微软官方博客

中文圈的转述数字很抢眼：比 GPT-6 Sol 快 35 倍、比 Quyet-1.0-Large 快 4.5 倍。 微软公告自己的表述是另一组口径：在近 15 万道题、36 项与训练相互保密的基准中拿到最高准确率。 定价同样是卖点：输入每百万 Token 0.042 美元、输出免费。但把公告内嵌图表里的原始数据摊开对照，结论要收着说：准确率第一只领先第二名 1.2 个百分点，校准度只排第三，"快35倍"参照的是没下场的通用大模型，且全部数字出自微软自测、尚未见第三方复测。华尔街见闻微软官方博客

第一步别站错队：它只会做选择题，选项得你来定

它的用法和普通大模型完全不同：输入当前状态加一组预设候选答案，模型单次推理返回每个选项的校准概率，支持"是/否"、单选、等级评分，还能按规则给 AI 的回答和动作打分。 微软给它的定位是路由、分类、优先级、校验和工作流控制——给 Agent 当闸门用的零件，不是替你做决定的大脑。有知乎答主把这条路拆得更白：微软做的其实是在保留 Qwen3.5-9B 语言理解能力的前提下，“通过专项后训练让模型适应固定选项的概率判断任务”。 第一个坑就在这：它只会在你给的选项里选。选项集合是否完整、阈值卡在哪、判错了谁负责，依然是业务方的事；丢给它一个开放性问题，它没有能力兜底。微软官方博客知乎

坑一：35倍的参照物，不是同行

"快 35 倍"听起来像吊打全场，但对照官方图表里的延迟列，35 倍的分母 GPT-6 Sol 的 P50 是 3010 毫秒，是通用旗舰的参照值，连准确率都没进同一张对比表；真实同赛道选手里，第二快的 H2O-Lightning-4B v1.1 也只比它慢 2.5 倍。 正确读法：35 倍说的是"把通用大模型从决策步骤里换掉"的流水线收益，不是它比同行快一个数量级。微软官方博客

坑二：只赢1.2分，而且榜单还在官方自己手里

微软公告发布后还追加过一次修订：初版没有 Jev 的对比数据，后来才补上准确率和校准两项。 补齐后的官方图表数据如下，P50 延迟测于 10 月 7 日，JevBench 名次是 10 月 8 日的快照：微软官方博客

三个信息量：第一，83.5 对 82.3，领先幅度只有 1.2 个百分点，而且这 36 项基准含私有题目，目前除微软外没人复测过；第二，"准确率第一"和"榜单第一"不是一回事——JevBench 公开榜首 Quyet 在这套更广的自测题上只排第三，换基准集就换座次；第三，传播环节已经在出错：有热转帖把 83.5% 错写成校准度，而官方数据里 83.5 是准确率、校准分是 92.2。小红书

坑三：概率分离"可信"还差一截，翻转率是均值不是保证

这套模型的核心卖点本来就是"校准概率"，而官方图表自己的结论句写着：准确率第一、速度最快，但校准分只排第三、落后 Jev 1.5 分——它的自信还得再核验一层。 官方对校准分的定义是 100 means a model’s confidence exactly matches how often it is right——模型声称的把握要和实际答对的比例严丝合缝才算满分，83.5% 的准确率则意味着大约每六次判断就有一次是错的。微软官方博客

鲁棒性同理，官方测得八类输入扰动下平均只有 1.3% 的决策翻转率，选项乱序和同义改写时零翻转——但"平均"意味着存在分布，换到你自己的话术和数据上，翻转长尾要自己压测。微软官方博客

免费是真便宜，200倍是别人家的场景

这套定价不是让利，而是决策负载"输入长、输出短"的成本结构明牌——上下文里装着数据、候选方案、约束条件和历史记录，输出只有几个概率值，生成式模型最贵的输出端它本来就不产生。 有开发者点评得更直白：输出免费"与其说是让利，不如说是把真实的成本结构摊开明说"。微软官方博客知乎

内部实测数字也确实亮眼：Xbox Research 用它分类逾一万条玩家反馈，与 GPT-6 Sol 质量持平的同时快 14 倍以上、成本降到约 1/200。 但请注意，这是"固定主题集分类"这一特定任务上的持平，Copilot 团队在响应评估上得到的也只是与 GPT-5.6 Luna 相近而非更优。 抄这份成绩单之前，先在你自己的数据上复测一遍。微软官方博客华尔街见闻

底座可换、赛道拥挤，别把零件当护城河

更值得留意的信号在最后：微软在公告里明写，这个基于 Qwen3.5-9B 的模型 will soon rebase it on other models, including Microsoft AI (MAI) and OpenAI——底座是可替换的。 公告附录一口气列出了 Jev、Quyet、H2O、Surogate、deck-31B、Strands 以及 OpenAI 自家的 GPT-6 Luna Decisions 等被对标产品，连社区都在感叹：“看起来 Jev 这个赛道的门槛是真的低”。 也就是说，"微软用开源底座做出世界第一决策模型"这类标题里，真正稀缺的不是模型，而是场景数据和管道。微软官方博客知乎

怎么用才算没盲信

它适合高频率、固定选项、中低风险的判断环节——分流、打标、打分、把关；不适合一次性、高后果、选项集合还没定型的决策。微软官方给的用法边界其实就一句话：应用拿置信度来决定 act、defer 还是转人工。 接进去的时候盯三件事：第三方何时按公开口径复测 83.5% 和 1.3% 这两个数；换底座到 MAI 或 OpenAI 模型后同一组基准是否还成立；你的业务话术在扰动下的实际翻转率。决策模型把"判断"从大模型里拆出来单独计价，是这轮 AI 落地里少见的确定性趋势——工具值得用，但微软自己的图表已经划清了它的边界：它是打分器，不是权威。微软官方博客