Корпорация Microsoft представила Decision-1 — специализированную ИИ-модель, которая вместо генерации текста в свободной форме оценивает заранее заданный набор вариантов ответа и возвращает для каждого из них показатель вероятности того, что он является верным. Как объясняют в Microsoft, благодаря этому в приложениях можно будет отказаться от ресурсоемкого этапа обработки развернутых ответов традиционных больших языковых моделей.

Изначально Decision-1 была создана путем дообучения модели Qwen3.5-9B, которую ее разработчик, китайская компания Alibaba, распространяет с открытыми весами. В дальнейшем Decision-1 планируется перевести на модели Microsoft и OpenAI.

Помимо выбора из готовых вариантов Decision-1 может, опираясь на заданные критерии, выставлять оценки ответам диалоговых систем и действиям ИИ-агентов. Разработчики смогут пользоваться Decision-1 как механизмом классификации входящих данных, приоритизации инцидентов и выбора дальнейших этапов в автоматизированных рабочих процессах.

В Microsoft сообщают, что внутреннее тестирование решающей модели на массиве из 150 тыс. вопросов показало высокую точность системы, а скорость работы Decision-1 оказалась в несколько раз выше, чем у ближайших конкурентов, включая флагманские генеративные модели. В корпорации подчеркивают, что использование модели такого типа обходится значительно дешевле стандартных LLM, в первую очередь за счет того, что тарифицируются только входящие токены.

Эксперты расценивают вывод рутинных задач классификации из «сферы компетенции» больших генеративных моделей как важный архитектурный сдвиг, позволяющий оптимизировать стоимость и задержку при масштабировании агентных систем. Тем не менее специалисты предупреждают о рисках, касающихся объяснимости — Decision-1 выдает оценки без обоснования логики своего выбора. К тому же в самой Microsoft отмечают, что модель может быть чувствительна к формулировке вопроса и критериев оценки. В связи с этим специалисты советуют при развертывании подобных систем внедрять строгий контроль формулировок и проводить калибровку вероятностей — на собственных данных сверять заявленную моделью степень уверенности с реальной точностью.