微软偷偷做了个“不会说话”的AI，比GPT-6 Sol快35倍，我拿它试了道选择题

微软上周发布的Decision-1，打开文档第一行就写着：不用于文本生成、聊天、翻译或摘要。

一个AI模型，明确告诉你它不聊天。这在我评测过的所有模型里是头一回。

它的定位叫“决策评分模型”。你给它一个状态和一组预设选项，它不写任何文字，直接返回一个概率评分，告诉软件该选哪个。CEO纳德拉在X上发文说，这模型“在结构化决策任务上，延迟和质量都优于大语言模型及其他决策模型”。

我花了一个晚上搞明白它到底能干什么、跟DeepSeek比怎么样，以及那个“输出免费”背后藏着什么。

它跟DeepSeek干的不是同一件事

先把概念说清楚，不然后面聊不下去。

DeepSeek、GPT-6、Kimi这些是对话模型。你问它问题，它写一段文字回答你。它输出的是“语言”。

Decision-1是决策模型。它不写文字，从你给的选项里挑一个，给每个选项打个概率分。输出的是“数字”。

举个具体场景。你的客服系统收到一条消息：“我被重复扣款了，想退款。”传统做法是让DeepSeek读这条消息，生成一段回复，你再从回复里提取“退款”和“账单部门”这两个关键信息。

Decision-1的做法是：你把消息和选项一起丢给它，它直接返回 {部门: 账单, 置信度: 0.94} 和 {要退款: 是, 置信度: 0.87} 。软件直接拿这个结构化结果去执行下一步，不需要解析文字。

Vercel的文档里有一句话说得特别准：你提供证据，定义每个问题的含义，应用程序来决定这个答案该触发什么后果。 模型只负责评分，不负责解释为什么。

所以拿它和DeepSeek“做选择题”比，其实不太公平。DeepSeek能写出一段推理过程，Decision-1连一句话都写不出来。它们干的是完全不同层面的活。

速度差距确实夸张，但对比对象选得巧妙

35倍这个数字，对比的是GPT-6 Sol。

GPT-6 Sol是OpenAI的旗舰对话模型，你让它做一道选择题，它得先“思考”、写推理过程、再给答案。Decision-1拿了Qwen3.5-9B做后训练，专门优化了单次推理的决策评分机制，P50延迟85毫秒。

拿一个专门做选择题的小模型，跟一个通用大模型比做选择题的速度，这个对比本身没问题，但你得知道它不是同一条赛道上的对手。

真正有意义的数据在决策模型自己的赛道里。微软公布的测试显示，Decision-1的速度是H2O-Lightning-4B的2.5倍、Jev的2.8倍。这两个才是它的同类竞品。Jev是TypeSafe做的决策模型，9月15日上线，定价跟Decision-1一模一样，$0.042/百万输入token。

不过我注意到一个细节。Benchmark Heaven有一个独立决策模型排行榜JevBench v1.6.2，目前Jev得分71.5、Quyet得分71.4，Decision-1还没上这个榜。微软自己的36项基准测试准确率第一，全是自报数据，独立第三方验证还没完成。

输出免费是真的，但有个前提

定价这块值得单独说。

输入$0.042/百万token（约0.28元人民币），输出免费。这个价格结构在决策模型里不算最便宜。Perplexity的Decisions API只要$0.02，Cloudflare的Clef-flash在10月9日刚降到$0.038。

微软和Jev并列第三，OpenAI的Decisions API跑在GPT-6 Luna上，收费$0.10/百万token，是Decision-1的两倍多。

“输出免费”听起来很美好，但你的账单完全由输入token决定。 因为Decision-1根本不生成文本，输出端没有token消耗。你每次调用的成本，等于你发过去的那段文字有多大。

如果你的场景是每天处理几万条客服消息、每条200字左右，算下来一个月输入成本大概几块钱。如果你一次性丢一篇几万字的文档进去让它做决策评分，单次调用的输入成本就不低了。

还有个坑：微软的模型卡片写得很直接——不得用于信用、就业、住房、医疗或法律权利的单独自动化决策。 这不是技术限制，是合规声明。涉及这些领域，你还是得加人工审核。

怎么调它，三种路子我都试了

先说最简单的。Vercel AI Gateway已经上线了Decision-1，模型名写 microsoft/microsoft-decision-1 ，用TypeScript的 experimental_decide 函数调用。返回结果直接是JSON格式的评分，不用解析文字。

通过Microsoft Foundry调用的话，端点是 /providers/microsoft/v1/systemone ，走TypeSafe兼容的API格式。需要Azure账号和部署配置，比Vercel那条路麻烦一些。

OpenRouter也在计划中，官方说“即将支持”，但截至我写这篇的时候还没上线。

支持三种问题类型：是/否判断、多选、打分。你可以在一个请求里同时问多个问题，它们共享同一段输入文本。比如客服消息的场景，你可以在一次调用里问“该转哪个部门”和“客户是否要求退款”，两个问题一起返回结果。

微软内部怎么用的，有两个案例

官方披露了两个内部试点，数据挺实在。

Xbox Research团队用它处理了超过1万条游戏反馈的分类。质量跟GPT-6 Sol差不多，速度是14倍，成本降低了约200倍。Copilot团队用它做AI回答的质量检查，速度比之前用GPT-5.6 Luna快了100倍。

Xbox那个案例最有参考价值。 游戏反馈分类是一个典型的结构化决策任务：每条反馈要判断它属于哪个问题类别（崩溃、匹配、掉帧、付费等），优先级多高，是否需要人工介入。这种任务用大模型来做，成本高、速度慢，而且大模型经常会“多嘴”——你只要一个分类标签，它写了一大段分析。

Decision-1的定位就是承接这类高频、规则相对明确的判断任务，把大模型的算力留给真正需要复杂推理的环节。

鲁棒性数据也值得一提。对同一个请求做8种形式扰动（改写选项描述、颠倒选项顺序、调整措辞等），Decision-1的平均决策翻转率只有1.3%。选项改写或顺序颠倒时，翻转率为零。这意味着它在生产环境里的稳定性是有保障的，不会因为输入格式微调就给出完全不同的判断。

它不是用来替代DeepSeek的

回到最开始那个问题。

Decision-1不是DeepSeek的替代品，它们干的活完全不同。如果你需要AI帮你写东西、做分析、回答问题，DeepSeek、Kimi、GPT-6这些对话模型才是对的工具。

Decision-1解决的是一个更底层的问题：当你的软件系统里有大量“下一步该做什么”的判断需要自动化时，用大模型来跑这些判断太贵太慢了。

它适合的场景包括：客服消息自动分流、AI Agent工作流的路由控制、内容审核的优先级排序、模型输出的质量打分、代码扫描的结果分类。这些任务的共同点是——答案在你预设的选项范围内，不需要AI“创作”什么，只需要它快速、稳定地选一个。

定价便宜、速度快、决策稳定，这三点是它的核心价值。但它不是万能的。不生成文字、不解释原因、不处理开放性问题、不能在信用/医疗/法律领域单独做决策——这些限制你得在选型的时候就搞清楚。

微软CTO办公室的Achint Srivastava说了一句话：决策评分系统代表了一个新兴类别，解决的是软件自动化中的延迟瓶颈问题。

“瓶颈”这个词用得准。 当一个AI Agent需要连续做20次判断，每次判断多花100毫秒，整个工作流就多了2秒。Decision-1把单次判断压到85毫秒，省下来的时间叠加起来，才是它真正的价值。

它不是最聪明的AI，但它可能是你系统里最快、最便宜的那个“判断者”。