Microsoft-Decision-1؛ مدل تحلیلی مایکروسافت برای تصمیم‌گیری سریع و ارزان با هوش مصنوعی

مدل‌های تصمیم‌گیری به‌سرعت در حال تبدیل‌شدن به دسته‌ای مستقل و مهم در هوش مصنوعی هستند. برخلاف مدل‌های زبانی بزرگ که برای تولید متن یا استدلال درباره مسائل پیچیده طراحی شده‌اند، این مدل‌ها خروجی‌های ساختاریافته‌ای تولید می‌کنند که نرم‌افزارها می‌توانند مستقیماً از آن‌ها استفاده کنند. Microsoft-Decision-1 تصمیم‌گیری و طبقه‌بندی با هزینه کم، سرعت بالا و عملکرد مناسب، امکان خودکارسازی طیف گسترده‌ای از وظایف را فراهم می‌کند. مدل Microsoft-Decision-1 از طریقMicrosoft FoundryوOpenRouterدر دسترس توسعه‌دهندگان قرار گرفته و می‌تواند قابلیت تصمیم‌گیری را به برنامه‌های موجود، عامل‌های هوش مصنوعی و گردش‌های کار اضافه کند.

عملکرد در دقت، سرعت و تعمیم‌پذیری

بر اساس ارزیابی مایکروسافت، Microsoft-Decision-1 در مقایسه‌ای شامل ۳۶ بنچمارک و ۱۴۷٬۱۳۷ کوئری، بالاترین دقت را به دست آورده است. این بنچمارک‌ها از داده‌هایی استفاده می‌کردند که در فرایند آموزش مدل در اختیار آن قرار نگرفته بودند. هدف از این ارزیابی، بررسی عملکرد مدل در وظایف متنوع و سنجش توانایی آن در مواجهه با مسائل جدید بود.

این مدل همچنین سریع‌ترین مدل اندازه‌گیری‌شده در مقایسه مورد اشاره مایکروسافت بود؛ به طوری که سرعت آن ۲٫۵ برابر بیشتر از H2O-Lightning-4B v1.1 در رتبه دوم و ۳۵ برابر بیشتر از GPT-6 Sol گزارش شده است. معیار سرعت در این مقایسه، میانه تأخیر تعدیل‌شده (P50) در بنچمارک JevBench نسخه ۱.۶.۱ بود که در ۷ اکتبر ۲۰۲۶ اندازه‌گیری شد.

مایکروسافت برای ارزیابی تعمیم‌پذیری مدل، آن را در مجموعه‌ای از بنچمارک‌های عمومی و خصوصی آزمایش کرده است. این ارزیابی‌ها وظایفی مانند مسیریابی، رتبه‌بندی، پردازش زمینه طولانی، وظایف چندزبانه، مسائل خارج از توزیع داده‌های آموزشی، استدلال و ایمنی را پوشش می‌دادند. همچنین چند مدل عمومی برتر در تابلوی رتبه‌بندی JevBench در ۳۶ بنچمارک دیگر آزمایش شدند. طبق نتایج اعلام‌شده، Microsoft-Decision-1 در مجموعه گسترده‌تر این آزمون‌ها بهترین عملکرد را داشت.

سازوکار Microsoft-Decision-1

مایکروسافت برای ساخت این مدل، نسخه‌ای پساآموزش‌دیده از Qwen3.5-9B را برای امتیازدهی سریع و تک‌مرحله‌ای به تصمیم‌ها به کار گرفته است. این شرکت اعلام کرده که در آینده مدل را بر پایه مدل‌های دیگری، از جمله مدل‌های Microsoft AI (MAI) و OpenAI، بازپایه‌گذاری خواهد کرد.

هنگامی که مجموعه‌ای ثابت از گزینه‌های پاسخ در اختیار مدل قرار می‌گیرد، Microsoft-Decision-1 برای هر گزینه یک امتیاز احتمالاتی کالیبره‌شده ارائه می‌کند. مدل از گزینه‌های بله یا خیر، پرسش‌های چندگزینه‌ای و مقیاس‌های امتیازدهی پشتیبانی می‌کند. همچنین می‌توان از آن برای ارزیابی پاسخ‌های تولیدشده توسط هوش مصنوعی و اقدامات عامل‌ها بر اساس معیارنامه‌های ازپیش‌تعریف‌شده استفاده کرد. تمام این قابلیت‌ها از طریق یک فراخوانی ساده به رابط برنامه‌نویسی کاربردی (API) ساختاریافته در دسترس هستند.

مایکروسافت برای توسعه یک مدل تصمیم‌گیری قابل‌اعتماد، پنج چالش اصلی را مدنظر قرار داده است: سرعت، کیفیت قابل‌تعمیم، استحکام، کالیبراسیون احتمالات و اعتماد، و ایمنی.

استحکام و پایداری تصمیم‌ها

در محیط عملیاتی، ممکن است دستورها بازنویسی شوند، توضیحات گزینه‌ها تغییر کنند، ترتیب انتخاب‌ها جابه‌جا شود یا تغییرات جزئی در قالب‌بندی ورودی رخ دهد. چنین تغییراتی نباید تصمیم نهایی مدل را به طور معناداری تغییر دهند. مایکروسافت یک درخواست یکسان را به هشت روش مختلف تغییر داده و میزان تغییر تصمیم مدل را اندازه‌گیری کرده است. بر اساس نتایج اعلام‌شده، Microsoft-Decision-1 به طور میانگین در 1.3 درصد از این تغییرات تصمیم خود را عوض کرده است. در مواردی که توضیحات گزینه‌ها بازنویسی شده یا گزینه‌ها معکوس و جابه‌جا شده‌اند، هیچ تغییری در تصمیم مشاهده نشده است.

کالیبراسیون احتمال و اطمینان

در این مدل، احتمال پیش‌بینی‌شده بخشی از خروجی API است، نه صرفاً امتیازی برای رتبه‌بندی گزینه‌ها. برنامه‌ها می‌توانند از میزان اطمینان مدل برای تصمیم‌گیری درباره اجرای یک اقدام، به‌تعویق‌انداختن آن یا ارجاع موضوع به بررسی انسانی استفاده کنند. برای مثال، پیش‌بینی با اطمینان ۹۰ درصد باید در موارد نماینده تقریباً ۹ بار از هر ۱۰ بار درست باشد.

ایمنی

یک مدل تصمیم‌گیری باید بتواند درخواست‌های زیان‌بار را شناسایی کند، بدون آنکه درخواست‌های بی‌ضرر را بی‌دلیل مسدود کند. مایکروسافت Microsoft-Decision-1 را با ۵۲۵۰ درخواست در ۱۱ بنچمارک ارزیابی کرده است. این آزمون‌ها محتوای زیان‌بار، تلاش‌های دورزدن محدودیت‌های مدل (Jailbreak) و تزریق پرامپت (Prompt Injection) را پوشش می‌دادند. به گفته مایکروسافت، مدل در برابر رفتارهای زیان‌بار از خودداری مناسب برخوردار بوده و درعین‌حال سطح بالایی از کارایی را حفظ کرده است.

کاربردهای عملی در محصولات مایکروسافت

مایکروسافت این مدل را در چند کاربرد داخلی آزمایش کرده است.

تیم Xbox Research بیش از ۱۰ هزار بازخورد و نظر تشریحی از نظرسنجی‌ها، پلتفرم Steam و شبکه اجتماعی X را با کمک Microsoft-Decision-1 پردازش و در موضوعات ازپیش‌تعیین‌شده دسته‌بندی کرده است. این داده‌ها برای بررسی دیدگاه کاربران درباره بازی‌ها، عرضه محصولات و پخش‌های زنده به کار رفتند. طبق گزارش مایکروسافت، کیفیت مدل با GPT-6 Sol رقابتی بود، درحالی‌که سرعت آن بیش از ۱۴ برابر بیشتر و هزینه آن ۲۰۰ برابر کمتر بود.

تیم Copilot نیز از مدل Microsoft-Decision-1 برای سنجش کیفیت پاسخ‌های چت و عامل‌های هوش مصنوعی استفاده کرده است. نتایج آزمایش‌ها نشان می‌دهد عملکرد آن از نظر کیفیت با GPT5.6 Luna رقابتی بوده و سرعتش ۱۰۰ برابر بیشتر بوده است.

در حوزه پاسخ به رخدادها، مهندسان مسئول از هوش مصنوعی برای بازیابی اطلاعات مرتبط از گزارش‌های ثبت وقایع، سامانه‌های تیکتینگ، تماس‌ها، پیام‌ها و سایر منابع استفاده می‌کنند. Microsoft-Decision-1 در بازیابی دانش، عملکرد بهتر و سریع‌تری نسبت به یک مدل زبانی بزرگ داشته است.

موارد استفاده و دسترسی

از دیگر کاربردهای بالقوه Microsoft-Decision-1 می‌توان به کنترل عامل‌ها و تعیین ادامه یا توقف فعالیت آن‌ها، انتخاب مدل مناسب برای هر درخواست، تصمیم‌گیری مبتنی بر مهارت‌های عامل، برچسب‌گذاری داده‌ها، ارزیابی پاسخ‌های تولیدشده توسط هوش مصنوعی، تحلیل قصد کاربر، مسیریابی رخدادها و اعتبارسنجی داده‌ها اشاره کرد.

این مدل همچنین می‌تواند برای رتبه‌بندی نتایج جست‌وجو، طبقه‌بندی و پالایش محتوا، شناسایی نقص‌های احتمالی کد، غربالگری امنیتی، انتخاب اقدامات بعدی در رابط‌های کاربری و سامانه‌های رباتیک و اولویت‌بندی فرضیه‌ها و آزمایش‌های علمی به کار گرفته شود.

توسعه‌دهندگان می‌توانند از طریقMicrosoft FoundryیاOpenRouterبه مدل دسترسی پیدا کنند. مستندات استفاده نیز دروب‌سایت Microsoft Learnارائه شده است. هزینه توکن‌های ورودی ۰٫۰۴۲ دلار به‌ازای هر یک میلیون توکن است و توکن‌های خروجی هزینه‌ای ندارند.

برای ارزیابی پایداری، امنیت و نگهداری این زیرساخت، راهنمای پشتیبانی شبکه را نیز مطالعه کنید.