مایکروسافت روز ۹ اکتبر ۲۰۲۶ (۱۷ مهر ۱۴۰۵) مدلِ تازه‌ای به نامِ Microsoft-Decision-1 را در سرویسِ Microsoft Foundry عرضه کرد. این مدل برخلافِ ChatGPT متن نمی‌نویسد؛ از میانِ چند گزینه‌ی مشخص، برای هر کدام یک احتمالِ دقیق برمی‌گرداند تا نرم‌افزار بتواند سریع تصمیم بگیرد. قیمتش ۰٫۰۴۲ دلار برای هر یک میلیون توکنِ ورودی است و خروجی‌اش رایگان است.
«مدلِ تصمیم‌گیر» چیست؟
بیشترِ مدل‌های زبانیِ بزرگ (LLM) برای نوشتنِ متن ساخته شده‌اند. ولی بخشِ بزرگی از کارِ نرم‌افزارها نوشتن نیست؛ انتخاب است: این ایمیل هرزنامه است یا نه؟ این درخواست به کدام بخش برود؟ این پاسخِ هوش مصنوعی درست است یا غلط؟ ایجنت ادامه بدهد، بایستد یا دوباره امتحان کند؟
برای این کارها معمولاً یک مدلِ بزرگِ متنی را صدا می‌زنند و از پاسخِ متنی‌اش «بله» یا «نه» را بیرون می‌کشند. این کار کند و گران است و گاهی نتیجه با یک تغییرِ کوچک در جمله‌بندی عوض می‌شود. Decision-1 همین مسئله را هدف گرفته است: گزینه‌ها را می‌گیرد و در یک مرحله، برای هر گزینه احتمالی «کالیبره» برمی‌گرداند. کالیبره یعنی وقتی مدل می‌گوید ۹۰ درصد مطمئن است، باید تقریباً ۹ بار از ۱۰ بار درست بگوید.
Decision-1 چه می‌کند و بر چه پایه‌ای ساخته شده؟
- نوعِ ورودی: پرسشِ بله/نه، چندگزینه‌ای، امتیازدهی، و نمره‌دهی به پاسخ‌ها یا کارهای ایجنت‌ها بر اساسِ یک معیارنامه (rubric).
- پایه: مایکروسافت آن را از روی مدلِ متن‌بازِ Qwen3.5-9B از شرکتِ چینیِ علی‌بابا آموزش داده و گفته بعداً روی مدل‌های دیگر، از جمله مدل‌های خودِ مایکروسافت و OpenAI هم ساخته می‌شود.
- کاربردها: مسیریابی بینِ مدل‌ها، دسته‌بندی، اولویت‌بندی، وارسیِ پاسخ، کنترلِ ایجنت‌ها، برچسب‌زدنِ داده، فیلترِ محتوا، غربالِ ایمنی، سنجشِ ارتباطِ نتیجه‌های جست‌وجو و حتی رباتیک.
- دسترسی: در Microsoft Foundry؛ مایکروسافت OpenRouter را هم نام برده و مستنداتش در Microsoft Learn است.
ادعاهای سرعت و دقت
| سنجه | ادعای مایکروسافت |
|---|---|
| دقت | بالاترین دقت در مقایسه‌ای با ۳۶ آزمون و نزدیکِ ۱۵۰ هزار پرسشی که در آموزش دیده نشده بود |
| سرعت | ۲٫۵ برابر سریع‌تر از رقیبِ دوم و حدودِ ۳۵ برابر سریع‌تر از GPT-6 Sol |
| پایداری | با تغییرِ شکلِ درخواست، به‌طورِ میانگین فقط ۱٫۳ درصد تصمیم‌ها عوض شد |
| ایمنی | آزمایش روی ۵۲۵۰ درخواست در ۱۱ آزمون |
به گفته‌ی مایکروسافت، تیمِ پژوهشیِ Xbox کیفیتی هم‌سطحِ GPT-6 Sol گرفت، با سرعتِ بیش از ۱۴ برابر و هزینه‌ی ۲۰۰ برابر کمتر. تیمِ Copilot هم نتیجه‌ای هم‌سطحِ GPT-5.6 Luna با سرعتِ ۱۰۰ برابر گزارش کرده است. همه‌ی این اعداد را خودِ مایکروسافت اعلام کرده و هنوز کسی جداگانه آن‌ها را نسنجیده است؛ The Decoder هم یادآوری کرده که امتیازهای دقیق و سنجه‌های کالیبراسیون منتشر نشده‌اند.
مسابقه‌ی تازه: مدل‌هایی که فقط تصمیم می‌گیرند
Decision-1 تنها نیست. به گزارشِ TechCrunch، شرکتِ TypeSafe AI که مدلی غیرمتنی به نامِ Jev را ۱۵ سپتامبر عرضه کرده، ۸۷۰ میلیون دلار سرمایه گرفته و ادعا می‌کند یک‌سومِ شرکت‌های فهرستِ Fortune 500 از آن استفاده می‌کنند. Jev هم به‌جای متن، «تصمیمِ کالیبره» برمی‌گرداند. ورودِ مایکروسافت به این میدان نشان می‌دهد که بخشی از آینده‌ی هوش مصنوعی، مدل‌های کوچک، ارزان و تخصصی‌اند که پشتِ صحنه‌ی ایجنت‌ها کار می‌کنند.
برای کاربر و توسعه‌دهنده‌ی فارسی‌زبان چه معنایی دارد؟
Decision-1 ابزاری برای کاربرِ عادی نیست؛ برای برنامه‌نویس‌ها و شرکت‌هایی است که اتوماسیون یا ایجنت می‌سازند. اگر با ابزارهایی مثلِ n8n کار می‌کنید، می‌دانید که بخشِ زیادی از گره‌ها فقط تصمیمِ ساده می‌گیرند؛ در راهنمای ساختِ ایجنتِ هوش مصنوعی با n8n دیدیم که هر تصمیم با یک مدلِ بزرگ چقدر هزینه دارد. مدلی که برای هر میلیون توکن چهار سنت می‌گیرد، می‌تواند این هزینه را بسیار پایین بیاورد. اینکه پایه‌ی آن یک مدلِ چینیِ متن‌باز است هم جالب است؛ درباره‌ی Qwen و دیگر مدل‌های چینی در معرفیِ هوش مصنوعی‌های چینی بیشتر خوانده‌ایم.
Microsoft Foundry یک سرویسِ ابریِ پولی است و ثبت‌نام و پرداخت در آن برای کاربرانِ ایران ساده نیست. اگر می‌خواهید کارهای دسته‌بندی یا تصمیم‌گیری را امتحان کنید، می‌توانید در هوش‌نو با مدل‌هایی مثلِ GPT، Claude، Gemini، DeepSeek و Qwen به فارسی کار کنید؛ برای کارهای ساده و پرتکرار، مدل‌های سبک‌تر و ارزان‌تر مثلِ Claude Haiku 5.5 گزینه‌ی خوبی‌اند. فهرستِ همه‌ی امکانات در ابزارهای هوش‌نو است.
سؤالات متداول
آیا Decision-1 مثلِ ChatGPT جواب می‌نویسد؟
نه. فقط از میانِ گزینه‌هایی که به آن می‌دهید، برای هر کدام یک احتمال برمی‌گرداند.
قیمتِ Decision-1 چقدر است؟
۰٫۰۴۲ دلار برای هر یک میلیون توکنِ ورودی؛ توکن‌های خروجی رایگان است.
این مدل بر پایه‌ی چه مدلی ساخته شده؟
بر پایه‌ی Qwen3.5-9B، مدلِ متن‌بازِ علی‌بابا، که مایکروسافت آن را برای امتیازدهی در یک مرحله دوباره آموزش داده است.
