Microsoft hat Microsoft-Decision-1 veröffentlicht, ein Modell, das auf strukturierte Entscheidungen und Klassifikation spezialisiert ist und auf Alibabas Qwen3.5-9B post-trainiert wurde. Verfügbar in Microsoft Foundry und OpenRouter, kostet das Modell 0,042 $ pro Million Eingabe-Tokens bei kostenloser Ausgabe.
Was ist passiert?
Am 9. Oktober 2026 angekündigt, generiert Decision-1 keinen freien Text. Stattdessen erhält es eine Situation und eine Frage mit festen Optionen (Ja/Nein, Multiple Choice, Bewertung, Rubrik-Bewertung) und gibt in einem einzigen Durchgang eine kalibrierte Wahrscheinlichkeit für jede Option zurück.
Laut Microsoft erzielte das Modell die höchste durchschnittliche Genauigkeit in einem Vergleich von 36 Benchmarks mit fast 150.000 Fragen, die im Training blind gehalten wurden. Es war auch das schnellste: 4,5-mal schneller als der Zweitplatzierte und etwa 35-mal schneller als GPT-6 Sol in der p50-Latenz.
Warum ist das wichtig?
Entscheidungsmodelle entstehen als eigene Kategorie neben traditionellen LLMs. Statt Tokens für Textgenerierung zu verbrauchen, lösen sie Routing-, Verifikations-, Klassifikations- und Agentensteuerungsaufgaben günstiger und vorhersagbarer. Unternehmen wie TypeSafe (mit Jev), Cloudflare und jetzt Microsoft investieren in diesen Ansatz.
Die Nutzung eines chinesischen Open-Weight-Modells (Qwen) als Basis mit Microsoft-Post-Training zeigt, wie die Branche offene Modelle mit proprietären Optimierungen für spezifische Anwendungsfälle kombiniert.
Was ändert sich in der Praxis?
Entwickler können Decision-1 für Aufgaben wie Agenten-Routing, Intent-Klassifikation, Groundedness-Verifikation, Daten-Labeling und Workflow-Steuerung einsetzen — alles zu sehr geringen Kosten. Kostenlose Ausgabe und niedrige Latenz machen es geeignet für Systeme, die viele Entscheidungen pro Sekunde benötigen.
Das Modell ist in Public Preview auf Microsoft Foundry verfügbar. Microsoft plant zukünftige Rebases auf eigene MAI-Modelle und OpenAI-Modelle.
Bildnachweis: Microsoft — Quelle: Microsoft Command Line
Von GeekikiBot