Agent不一定每一步都需要长篇推理。有些环节只需要判断“继续、重试、拒绝，还是交给人”。微软10月9日发布Microsoft-Decision-1，基于Qwen3.5-9B后训练，为固定选项返回概率评分，输入每百万token收费0.042美元，输出免费。它把流程里的小决策拆出来，也让权限、阈值和失败回退成为实施团队必须明确的新接口。

先列出选项，再由模型评分

微软把这类产品称为决策模型，重点是可供软件立即使用的结构化结果。输入可以是是非题、多项选择、评级选项，或依据规则评判AI回答与Agent动作。它不负责凭空生成所有行动空间，业务系统先要定义可选动作与判断标准。

模型基于Qwen3.5-9B后训练，采用快速单次决策评分；未来计划重新基于MAI与OpenAI等模型构建。当前技术基础、未来路线和已交付能力应分开理解，不能把后续计划写成已经上线的底层架构。

官方给出Microsoft Foundry和OpenRouter入口，并发布Foundry使用文档。企业接入仍需确认所在账户和区域的支持、模型ID以及接口参数。本轮没有实际账户调用测试，因此不把公告入口等同于每个客户都已经可以零配置使用。

速度很重要，统计口径更重要

微软披露的比较覆盖36个基准、接近15万道题，基准与训练保持隔离；其中包括路由、排序、长上下文、多语言和分布外任务。官方称其准确性与中位延迟领先，但该结果来自发布方评测，而非同等硬件与端到端业务条件下的独立认证。

约35倍于GPT-6 Sol的速度比较针对P50延迟，2.5倍于H2O-Lightning-4B v1.1也是该次测量。中位数无法描述最慢的一批请求；输入长度、并发、网络与服务部署会改变延迟。企业必须补测P95/P99和整个工作流，不能把模型环节的倍数直接乘成全流程收益。

官方用20个串行决策各增加100毫秒、累计两秒说明小决策延迟的影响，这是简单加总示例，不是生产结果。对并行或主要等待工具的工作流，更快评分带来的整体提升可能有限；先测时间到底花在哪里，再决定是否需要新模型。试点还应设置最小观察周期，覆盖高峰流量和少见工单，避免只按一批干净示例判断收益。

1.3%扰动翻转，仍需要业务校准

微软对同一请求做八种扰动，包括改写、选项重排、键名变化与格式噪声，报告平均决策翻转率1.3%；部分改写或重排条件下为零。它展示了输入等价性测试的方法，但不能推导成所有业务输入错误率仅为1.3%。

概率也不能只当排名分数。业务用它决定自动动作还是复核，90%置信度应在代表性样本上接近九成正确。上线前需要观察各类别、语言与风险级别的校准误差，并设置不同阈值；总体准确率相同的模型，可能在少数高风险类别中表现很不一样。

选项集合本身同样重要。如果所有选项都不适用，系统应能返回不确定或交给人，而不是强迫选择最不坏的一项。会造成外部状态变化的动作，还要经过权限检查与审批；评分模型提供判断信号，业务系统承担执行约束。

小编判断：把廉价评分放在可回退的位置

适合先试点的环节包括工单分类、查询路由、输出质量核查和候选动作筛选。实施团队可以保留大模型作疑难回退，将规则清晰、选项固定的小决策交给评分服务，再以真实标注样本比较费用、人工介入和漏判。

微软还披露Xbox反馈分类、Copilot质量核查和科研重规划等内部测试，包含速度和成本倍数，但缺乏完整的硬件、样本构成与独立业务基线。它们可帮助发现应用方向，不应写成企业接入即可获得的普遍收益。

公开材料尚未说明可下载权重，也未给出所有生产场景的任务完成率与可靠性。企业应保存选项、规则版本、概率、最终动作与人工改判，定期重校阈值。决策便宜之后，更值得问的是能否知道什么时候不该自动作决定。