Microsoft Decision-1 是什么：价格、API 调用，和 Jev、Laya 对比

Microsoft-Decision-1 是微软推出的决策模型。它不生成文字，而是读取一段输入（称为 state，可以是文本或 JSON），回答一组类型化问题，并给每个允许的选项一个概率：是/否判断、从固定选项里选一个，或者在量表上打分。微软在 2026 年 10 月 9 日通过官方博客 Command Line 发布了它，已在 Microsoft Foundry 上线，价格是每百万 input token $0.042，输出免费，和 TypeSafe 的 Jev 一样。

它属于 TypeSafe 用 Jev 开创的 System One 模型这一类：快速做有边界的判断，慢的推理交给大模型。Microsoft-Decision-1 的请求格式和 Jev 一样，但权重没有公开，只能作为 Azure 托管服务使用。本文汇总微软公开的信息、调用方法，以及它和 Jev、OpenAI Decisions API、Cloudflare Clef、开源 Laya 的对比。

Microsoft-Decision-1 一览

来源：微软的发布文章、Foundry 模型目录和 Microsoft Learn 文档《Deploy and use Microsoft-Decision-1》。Foundry 目录页没有写价格，$0.042 来自发布文章。微软表示之后会换用其他基础模型重新训练，包括微软自研的 MAI 和 OpenAI 的模型。

Microsoft-Decision-1 用来做什么

微软的定位是决策打分模型，用于路由、分类、排优先级、核查和工作流控制。Learn 文档把三种问题类型对应到具体任务：

• noul 做闸门和过滤。 这条回复有没有承诺退款？这份文档里有没有提示注入？这次工具调用会不会动到生产数据？返回 0 到 1 的概率，门槛由你自己定。
• choice 做分类和路由。 这张工单给哪个团队，这个请求交给哪个模型或工具。返回选中的选项和每个选项的概率；最高概率偏低时，可以转给人工处理。
• score 做排序和评分。 这个故障有多严重，这个模型回答好不好。量表从低到高列出，结果是按概率加权的等级序号平均值，所以四级量表的结果在 0 到 3 之间，可能落在两级之间。微软建议把分数用于排序和设门槛，不要当成绝对评分。

关于同一个 state 的多个问题可以放进一次请求，比如同时问分给哪个团队（choice）、严重程度（score）、是不是重复来问（noul）。

发布文章还提到微软内部的用法：给 Xbox Research 分拣 1 万多条开放式反馈、检查 Copilot 回答质量、在 Microsoft Discovery 里帮助重新规划任务。

微软的说法，以及怎么看

发布文章里的说法：

• 准确率： 在 36 个基准、近 15 万道训练时没见过的题上，准确率最高。对比对象有 Quyet-1.0-Large、Surogate Rune 26B-A4B、GPT-6 Luna Decisions、deck-31B、H2O-Lightning-4B 和 Strands-Decider 2B。编者按说后来补充了 Jev 的准确率和校准结果，但文章正文没有给出 Jev 的具体数字。
• 速度： 中位（p50）延迟比 GPT-6 Sol 低约 35 倍，比第二名 H2O-Lightning-4B v1.1 低 2.5 倍。
• 稳定性： 在八种输入改动下，平均只有 1.3% 的情况改变了判断；改写选项描述、调换选项顺序时一次都没变。
• 内部效果： Xbox 反馈分拣质量和 GPT-6 Sol「相当」，快 14 倍以上、便宜 200 倍；Copilot 质量检查和 GPT-5.6 Luna「相当」，快 100 倍；在 Microsoft Discovery 里，比基于 LLM 的打分稳定 46 倍。

怎么看这些数字：

• 全是微软自己测的。 截至 2026 年 10 月 13 日，还没有独立的第三方测试。
• 没和几个直接对手比。 公布的对比名单里没有 Cloudflare Clef 和 Perplexity 的 pplx-decider，Jev 是后来更新时才补上的，文章正文也没给出各基准的具体分数。
• 速度是和通用大模型比的。 「比 GPT-6 Sol 快 35 倍」是和生成文字的模型比；其他决策模型本来也是为快而设计的。
• 微软自己也写了局限。 Learn 文档提醒：问题和选项的措辞、顺序变了，分数可能跟着变；在熟悉的任务类型上校准最好；涉及人的决定，不能只靠它一个判断。

怎么调用 Microsoft-Decision-1

需要一个 Azure 订阅和 Microsoft Foundry 项目。在 Foundry 模型目录里部署，或者用 Azure CLI：

az cognitiveservices account deployment create \
  --name <ACCOUNT_NAME> \
  --resource-group <RESOURCE_GROUP> \
  --deployment-name <DEPLOYMENT_NAME> \
  --model-name "Microsoft-Decision-1" \
  --model-format Microsoft \
  --model-version "1" \
  --sku-name GlobalStandard \
  --sku-capacity 1

然后把 state 和问题发到你资源的决策接口。注意 model 填的是你的部署名，不是模型名：

curl "$AZURE_ENDPOINT/providers/microsoft/v1/systemone" \
  -H "Content-Type: application/json" \
  -H "api-key: $AZURE_API_KEY" \
  -d '{
    "model": "'"$DEPLOYMENT_NAME"'",
    "state": "Checkout is down for all EU customers since 09:00.",
    "questions": {
      "team": {
        "type": "choice",
        "instructions": "Which team should handle this ticket?",
        "criteria": {
          "billing": "Charges, invoices, and refunds",
          "engineering": "Bugs, errors, and outages",
          "support": "How-to and account questions"
        }
      },
      "severity": {
        "type": "score",
        "instructions": "How severe is this incident?",
        "criteria": ["Cosmetic", "Minor", "Major", "Critical"]
      }
    }
  }'

微软更推荐用 Microsoft Entra ID 代替 API Key：请求头带 Authorization: Bearer <token>，token 的资源是 https://cognitiveservices.azure.com。返回里的 answers 按你的问题名组织，另外带底层模型名和 token 用量。

从 Jev 迁移过来

请求体就是 Jev 的格式：state、noul / choice / score 三类问题和 criteria。要改的有三处：接口地址（你的 Foundry 资源加 /providers/microsoft/v1/systemone）、认证请求头（api-key 或 Entra token），以及 model 要填部署名。自己拼 Jev 请求体的代码只改这三处就行；用 Jev SDK 的话，先确认它能改基础地址和请求头。微软没说是否支持 Jev 的批量接口，也没写选项数、问题数上限，大请求上线前先测一下。

Microsoft-Decision-1 和 Jev、OpenAI、Clef、Laya 对比

这类模型的准确率都是各家自测、用的基准也不同，所以表里只比公开的事实。所有模型的并排对比见 System One 模型汇总。

该选哪一个？

• 系统已经在 Azure 上，用 Entra ID、数据区和 Azure 账单：Microsoft-Decision-1 最省事。要求数据不出区域的，用 DataZoneStandard。
• 已经在用 Jev 且满意：价格一样，只有在你自己的标注数据上它更准时才值得换。先拿几百条相同的样本两边都跑一遍。
• 判断时要看图片、视频或音频：用 Cloudflare Clef、Clef-Flash 或 Clef-Omni；OpenAI Decisions API 也能看图。Microsoft-Decision-1 只读文本。
• 需要开源权重，或数据必须留在自己机器上：有大显存 GPU 用 Clef；只有 CPU、笔记本或没有 GPU，用 Laya。Laya 还能用自己的标注数据微调，在单一任务上能补回不少准确率差距。
• 想要托管服务里最便宜的：Workers AI 上的 Clef-Flash（$0.038），其次是 Jev 和 Microsoft-Decision-1（$0.042）。

常见问题

Microsoft-Decision-1 开源吗？

不开源。它基于开源权重的 Qwen3.5-9B，但微软没有公开自己训练后的权重，只能在 Microsoft Foundry 上作为托管模型使用（微软也列了 OpenRouter）。需要同样请求格式的开源模型，可以看 Cloudflare Clef 或 Laya。

Microsoft-Decision-1 多少钱？

按微软发布文章，每百万 input token $0.042，输出 token 免费，和 Jev 一样。Foundry 目录页没有直接写价格，而是指向 Azure 的模型价格页，正式使用前请按你的地区和部署类型核对。

Microsoft-Decision-1 兼容 Jev API 吗？

请求和返回格式沿用 Jev：一个 state，noul、choice、score 三类问题，答案带概率。但接口地址、认证方式和 model 的含义（填部署名）是 Azure 的，所以要改这几处，而不只是换个模型名。

能微调或自部署 Microsoft-Decision-1 吗？

目前不能。微软的文档只讲了部署和调用，没有微调选项，也没有可下载的权重。想用自己的标注数据训练决策模型，Laya 有一条命令完成的 laya-train，Clef 的权重也可以在 GPU 上继续训练。

该用 Microsoft-Decision-1 还是 Laya？

想要 Azure 里的托管模型、通用知识更广、不用自己运维，用 Microsoft-Decision-1。需要在普通硬件上毫秒级出结果、数据不出自己的机器，或者打算针对某个单一任务微调小模型，用 Laya。