一、微软首款”决策模型”
2026年10月10日（周六），微软通过Microsoft Foundry和OpenRouter正式上线Microsoft-Decision-1——微软首款专为”结构化决策任务”设计的AI模型。
这与10/11我写的Liquid AI开源d1决策模型（zero output tokens，3B小模型，8ms边缘推理）形成完美对仗：
| 维度 | Liquid AI Open d1（开源小模型） | Microsoft-Decision-1（商业决策模型） |
|---|---|---|
| 主体 | MIT孵化创业公司 | 微软官方 |
| 定位 | 边缘推理+零输出Token | 云端结构化评分 |
| 输出 | 完全无Token（结构化标签） | 评分+概率（仍是Token，但短） |
| 价格 | 免费（年收入$1000万以下） | 输入$0.042/百万tokens，输出免费 |
| 速度 | 8ms边缘推理 | GPT-6 Sol的35倍速度 |
| 适用 | 本地、隐私敏感、机器人/工业 | 云端、路由/护栏/打分等企业场景 |
这是一个清晰的“决策模型”双子星——开源派（Liquid AI）面向边缘，商业派（Microsoft）面向云端。
二、Microsoft-Decision-1解决了什么问题
传统LLM做决策类任务（路由、护栏、内容分类、任务优先级）有三个浪费：
- 逐Token生成导致延迟高——哪怕一个分类也要等几十ms~几百ms
- 需要额外工程解析输出——JSON/标签解析容易出错
- 概率未校准——难以直接做下游判断
Microsoft-Decision-1的解决方案：
- 从预设选项中选取最优解并赋予概率评分（不再自由生成）
- 单次前向推理，支持路由分发、内容分类、任务优先级排序等
- 输入$0.042/百万tokens，输出免费——典型的”按需付费、超低成本”
三、关键性能数据：35倍速度 + 200倍降本
微软公布的内部测试数据：
| 对比对象 | 速度提升 | 成本降低 |
|---|---|---|
| vs GPT-6 Sol（内部测试） | 35倍 | （输入$0.042，输出免费） |
| Xbox Research反馈分类 | 14倍 | 200倍 |
其中Xbox案例最具说服力——超过10000条反馈条目的分类任务，速度提升14倍，成本降低200倍。这意味着传统LLM做这类任务”既慢又贵”的问题，在专用决策模型上被一次性解决。
四、应用场景
Microsoft-Decision-1的官方推荐场景：
- 路由分发（Routing）：Agent接到的任务该由哪个模型/工具/人接手？
- 内容分类：合规、风险、意图识别
- 任务优先级排序：哪个先做？哪个紧急？
- 质量控制护栏：判断Agent的输出是否合规
- 对话意图识别：客服场景中理解用户真实需求
- 打分/评分：用LLM-as-a-Judge评估另一个模型的输出
这些场景有个共同特点：不需要生成自然语言，只需要返回结构化判断——这是决策模型的天然主场。
五、与GPT-6 Sol的对比哲学
微软的策略很清晰：
| 模型 | 适用场景 | 价格 |
|---|---|---|
| GPT-6 Sol（通用旗舰） | 复杂生成、推理、创意 | 标准定价 |
| Microsoft-Decision-1（决策专用） | 路由、分类、护栏 | 输入$0.042/百万tokens |
微软没有把Decision-1定位为”更小的通用模型”，而是“专门做决策的窄模型”。这种“通用模型+专用模型”的分层思路，呼应了我之前写的Liquid AI决策模型——两者都认为”大模型不一定要更大，专门做一件事的小模型更经济”。
六、Microsoft-Decision-1的核心使用方式
通过Microsoft Foundry（微软的AI开发平台）和OpenRouter（第三方模型路由平台）调用。
典型调用流程：
- 把”决策问题”和”候选答案”作为输入
- 模型返回每个候选答案的概率评分
- 应用代码按概率最高项做后续动作
示例（伪代码）：
result = decision1.predict(question="用户投诉属于哪类？", candidates=["billing", "technical", "service"], return_scores=true)
action = max(result.scores, key=lambda x: x[1])[0] 选择概率最高的选项
七、与Liquid AI d1的5个关键差异
| 维度 | Liquid AI d1 | Microsoft-Decision-1 |
|---|---|---|
| 输出格式 | 完全不输出Token | 输出评分（短Token） |
| 部署方式 | 边缘本地（3B/600M） | 云端API（无明确参数规模） |
| 目标用户 | 隐私敏感、机器人、工业 | 企业路由、护栏、内容分类 |
| 许可证 | LFM Open License（年收入$1000万以下免费） | 商业API（按token计费） |
| 开放性 | 完全开源（Hugging Face） | 闭源（仅API调用） |
两个模型代表”决策模型”领域的两条路线：开源边缘 vs 商业云端。短期内两者会共存而非互相替代。
八、5个值得记住的关键事实
- 发布时间：2026-10-10（周六）
- 访问方式：Microsoft Foundry + OpenRouter（无需Azure订阅）
- 价格：输入$0.042/百万tokens，输出免费
- 关键数据：内部测试35倍GPT-6 Sol速度，Xbox Research分类任务14倍速度/200倍降本
- 核心应用：路由分发、内容分类、任务优先级排序、质量控制护栏
九、5个常见疑问
Q1：Microsoft-Decision-1能取代GPT-6 Sol吗？
不能。它是专用模型，不能做对话、写作、代码生成。决策任务用Decision-1，复杂生成任务用GPT-6 Sol——分层使用。
Q2：$0.042/百万tokens是多便宜？
对照：GPT-6 Sol标准定价约$1-3/百万tokens（按输入估算）。Decision-1便宜约24-71倍——对每天亿级调用的企业来说，能省下巨大的成本。
Q3：决策模型是不是”伪需求”？
不是。30-40%的LLM生产调用是分类、路由、意图识别这类不需要生成的任务。微软内部数据显示，这类任务用LLM做”既慢又贵”——专用决策模型正是为这个市场设计。
Q4：能本地部署吗？
目前不行（闭源，仅API）。如果你需要本地决策模型，选Liquid AI d1（开源、边缘友好、零输出Token）——详见10/11发布的另一篇笔记。
Q5：和其他决策模型（Liquid AI、Goodfire、Clef-omni）什么关系？
都属于”决策模型范式“这一波浪潮。Liquid AI面向开源边缘，Microsoft面向企业云端，Cloudflare的Clef-omni面向多模态决策——三者覆盖不同细分市场。
十、为什么这条值得收藏
Microsoft-Decision-1的发布标志着”决策模型“从学术/开源小众概念正式进入主流商业市场。三个层面的意义：
对开发者：路由、护栏、分类任务用Decision-1，速度快35倍、成本低200倍，别再让GPT-6 Sol做这类事了。
对企业IT：分层模型组合（GPT-6 Sol + Decision-1 + 第三方模型）能显著优化整体成本结构，特别是有大规模自动化任务的企业。
对AI行业：决策模型将在2026年下半年正式成为独立类别，开源（Liquid AI d1）+ 云端（Microsoft-Decision-1）+ 多模态（Clef-omni）+ 监测（Goodfire inside-out monitors）四条线同步推进。
当”大模型不一定要更大“成为共识时，专门化、场景化、价格低廉的小模型将吃掉传统LLM 30-40%的“非生成类调用”。这是AI成本结构优化的下一波大趋势。
📚 信息来源
- AI Impact Hub 10/12 Daily Briefing：Microsoft launches a decision model at $0.042 per million input tokens
- 华尔街见闻早餐FM-Radio 2026-10-12：微软推出高速决策AI模型，36项测试准确率第一
- AI/TLDR 10/10 MODEL MAJOR：Microsoft-Decision-1 — a fast decision model at $0.042 per million tokens
- 微软官方命令文档：commandline.microsoft.com（待API调用）
本文为编辑独立撰写的AI产品动态分析。所有数据均来自上述公开信源。Microsoft-Decision-1的具体参数规模、训练数据、技术细节以微软官方为准。与Liquid AI Open d1的对比是同一范式下的不同实现路径，两者非竞争而是互补。