微软收涨2.38%成交95.36亿美元 推出决策模型Microsoft-Decision-1

微软（MSFT.US）2026年10月9日收涨2.38%，全天成交额录得95.36亿美元，萨提亚·纳德拉通过社交网络对外披露了名为Microsoft-Decision-1的专用模型。

纳德拉在社交平台宣布推出决策模型

萨提亚·纳德拉在社交平台X上正式公开了微软的全新成果Microsoft-Decision-1。按照这位负责人的说明，该模型并不是为了去追逐通用对话而设立，其设立目的完全针对结构化决策任务。微软方面在配套声明中宣称，这款工具在执行判别动作时展现出了极低的时延水平，并且在判断质量维度上明显压制了现存的大语言模型以及市面上其他决策类模型，被公司内部视为一套高效的判定组件。

依据官方博客阐述的内容，该模型在走向公众视野之前已经进入了微软自身的实际生产链路。内部测试的业务场景涵盖了面对系统故障的事故响应流程、针对工业或软件交付的质量控制体系，以及需要处理大量筛选工作的科学研究项目。公司希望借助它来接管那些逻辑高度固化但对响应时间要求严苛的判别环节，让过去依赖复杂大模型反复权衡的冗长流程变得更为干脆，从而验证其生产力价值。

在具体的分发渠道与调用入口设计上，微软并没有将其局限在封闭的本地环境中，而是选择通过自家的Microsoft Foundry向客户开放部署。与此同时，该模型也同步接入了外部平台OpenRouter供外部开发者接入调用。这种同时面向自研云生态与第三方聚合平台的动作，使该决策工具在公开亮相的第一时间就形成了可供调用的服务节点，也让外界能够直接在双重渠道中获取接口。

模型的架构来源与功能边界

外部聚合服务商OpenRouter披露了这项技术的底座来源，确认该模型是由Qwen3.5-9B经过专门的后训练流程打造而来。其底层依托的大约90亿参数规模决定了它并非巨型架构，而是专为特定推理目标精简而成的产物。这种设计规避了超大规模底座带来的庞大开销，将算力完全聚焦在理解输入内容与匹配预设选项上，通过定向微调让轻量级底座能够在专门任务中发挥定向判断的特质。

在实际运转形态中，模型的工作模式表现为严格的单向判别机制。用户将需要研判的文本或数据输入系统后，它并不会自由组织词句，而是针对调用方事先给定的固定选项，计算并返回带有置信度评分的校准概率。该能力使得它能够胜任服务调用时的路径路由、海量数据的类别分类、工单处理中的优先级排序，以及业务规则审核与工作流自动化分支控制，充当数字流程中的分流枢纽。

清晰的职能划分同时也划定了该模型的禁区，明确了它绝对不能做的事情。该系统不具备开放式文本生成功能，无法用来撰写长篇行业文章，不支持人机自然语言交互对话，也不能充当语言翻译器，更不提供常规文档摘要提取。所有依赖自回归生成大段自然语言的应用形态都被排除在外，其本质只是概率打分器，任何超出固定选项概率输出的传统内容创作需求在它身上都无法实现。

内部评测中的速度与基准表现

微软在测试中构建了一套极为庞大的评测题目，依托36项完全对训练过程保密的评测基准，汇总了接近15万道测试题对模型展开检验。微软宣称在这一巨大的试题规模中，新模型的综合准确率名列榜首。由于所有考题在前期训练阶段均保持严格保密，微软试图以此证明其高准确率是模型泛化判定能力的体现，而非因为死记硬背训练样本所产生的机械记忆效应。

除了准确度指标外，微软重点强调了该方案在运行耗时上的压缩幅度。在反映系统稳定响应水准的P50延迟表现上，微软自己的测试记录表明，新模型比OpenAI旗下的GPT-6 Sol快了35倍。与此同时，在面对同样属于决策定位的Quyet-1.0-Large模型时，它的P50响应表现也维持了4.5倍的提速优势，微软据此强调了其在毫秒级判断环境下的巨大领先幅度。

外界必须认清的是，上述所有关于准确率第一的结论，以及高达35倍与4.5倍的时延对比结果，完全属于微软自己公布的内部测试数据。截至目前，还没有任何独立的第三方评测机构或科研团队对这近15万道保密试题展开复现，更没有对涉及的运行环境实施交叉检验。这些漂亮的速度倍数与基准得分目前仅仅构成了微软单方面的陈述，其真实泛化水平仍有待验证。

定价机制与游戏部门的落地样本

在商业化收费模式上，微软采取了极度不对称的收费规则。调用该模型时，输入端每处理一百万tokens的费用被设定为0.042美元，而产生决策结果的输出端则实行完全免费的策略。这种定价形式与其只输出选项概率的运作机制高度吻合，极低的输入成本搭配完全免除的输出开销，直接将单次判定的费用压低至可以忽略的微小层级，显著降低了大规模集成时的成本门槛。

微软为了印证其实际应用收益，拿出了来自游戏业务部门的Xbox Research真实案例。在该业务场景中，团队使用该模型对超过1万条开放式玩家反馈进行打分和分类处置。微软公布的对比说明显示，该模型在这一任务中输出的判断质量能够与GPT-6 Sol相媲美，同时在处理时效上取得了比后者快14倍以上的速度表现，大幅缩短了从收到玩家反馈到完成分类归档的时间周期。

伴随速度成倍提升的还有极为悬殊的账单落差，官方数据显示该案例中的运算成本比GPT-6 Sol便宜了200倍。这意味着在不需要大语言模型组织语言的前提下，单纯提取反馈倾向的成本被暴力削减。但这一涵盖逾1万条反馈、速度快14倍以上且成本低200倍的具体案例，依然属于微软单方面的官方统计口径，并非经由外部审计的普适标准。

关于产品定位与资本反应的逻辑判断

资本市场在周五所反馈的积极交易情绪，对应的是一个专用于选项打分与流程分流的专业模型落地。这表明投资者对云计算厂商降低内部流程算力开销、提供低门槛工具的做法表现出接纳，但绝不能将这种情绪解读为微软又推出了一款能够颠覆行业格局的通用大模型。该产品定位极其狭窄，它的出现只是在流程分发处安放了一个计算器，而不是制造了一个能够撰写万物的全能大脑。

纵观该产品带来的所有震撼指标，其所谓的性能鸿沟目前仍然仅仅停留在微软自选的对照试验与单方面公布的报告当中。现实中是否存在由于样本偏差而导致的速度虚高，尚未得到任何公允的验证。第三方用户在复杂现实业务中的实际表现还没有发生，大范围调用时的网络损耗和综合成本也还没被独立审计核算，微软自测得出的优势并不能直接等同于产业界普遍公认的技术突破。

从技术分工的演进来看，该模型的推出印证了特定场景剥离通用模型的趋势已经发生，但低价的概率输出能否真正稳固其商业生态还没有发生。用户目前可以调用它来实现条件路由，然而其对整体云业务收入的拉动规模目前仍处于未知阶段。微软完成了一次技术细分领域的单点突围，但这场尝试究竟能走多远，取决于外界在脱离微软自测光环后能否真正跑出一致的效能回报。

编辑总结

微软发布专用于结构化决策评分的Microsoft-Decision-1，该模型基于Qwen3.5-9B微调，输入每百万tokens计费0.042美元且输出免费。官方宣称其在近15万题测试中准确率最高且大幅领先GPT-6 Sol，但相关性能倍数均为微软自测口径。

常见问题解答