Decision-1 مدل جدید مایکروسافت؛ تصمیم‌گیری ۳۵ برابر سریع‌تر از GPT-6 Sol

مایکروسافت در ۹ اکتبر ۲۰۲۶ مدل Microsoft-Decision-1 را معرفی کرد؛ مدلی تخصصی برای تصمیم‌گیری‌های سریع و ساختار یافته در برنامه‌ها و عامل‌های هوش مصنوعی. این مدل برخلاف مدل‌های زبانی مولد، برای تولید متن‌های طولانی طراحی نشده است، بلکه گزینه‌های مشخص را ارزیابی می‌کند و برای هر گزینه امتیاز احتمال ارائه می‌دهد. 

مایکروسافت می‌گوید Decision-1 در ارزیابی ۳۶ بنچمارک با نزدیک به ۱۵۰ هزار پرسش، بالاترین دقت را در مقایسه خود کسب کرده و میانگین تأخیر پاسخ آن حدود ۳۵ برابر کمتر از GPT-6 Sol بوده است.

  نکات مهم این خبر:

• کاربرد اصلی: دسته‌بندی درخواست‌ها، انتخاب مدل مناسب، ارزیابی پاسخ‌های هوش مصنوعی و کنترل مراحل اجرای عامل‌ها
• سرعت: میزان تأخیر در تولید پاسخ در مقایسه با GPT-6 Sol
• بنچمارک: بررسی Decision-1 در مقایسه داخلی مایکروسافت
• پایداری تصمیم‌ها: در آزمون تغییر شکل ورودی، تصمیم مدل به‌طور میانگین در ۱٫۳ درصد تغییرات عوض شده است.
• قیمت: بررسی قیمت هر یک میلیون توکن ورودی و خروجی

Microsoft-Decision-1 چیست و چه کاربردی دارد؟

بسیاری از مدل‌های زبانی بزرگ یا LLM برای تولید متن، پاسخ‌گویی به پرسش‌ها و انجام وظایف پیچیده طراحی شده‌اند. اما در بعضی مراحل یک سامانه هوش مصنوعی، تولید پاسخ طولانی ضروری نیست؛ نرم‌افزار فقط باید میان چند گزینه تصمیم بگیرد. Decision-1 بر همین اساس و بدون پاسخ‌های طولانی، می‌تواند درخواست‌ها را دسته‌بندی کند، میزان ارتباط یک نتیجه با پرسش را بسنجد یا مشخص کند پاسخ تولیدشده باید پذیرفته شود یا برای اصلاح برگردد.

برای مثال، یک عامل هوش مصنوعی می‌تواند از مدل بپرسد که آیا درخواست کاربر باید به مدل قدرتمندتری ارجاع داده شود یا خیر. Decision-1 گزینه‌ها را ارزیابی می‌کند و نتیجه را در قالبی ساختاریافته در اختیار نرم‌افزار قرار می‌دهد.

مدل Decision-1 چگونه کار می‌کند؟

مایکروسافت این مدل را بر پایه Qwen3.5-9B ساخته و آن را برای امتیازدهی سریع به تصمیم‌ها آموزش تکمیلی داده است. در این روش، برنامه گزینه‌های ممکن را از قبل مشخص می‌کند و مدل برای هر گزینه یک امتیاز احتمال کالیبره‌شده ارائه می‌دهد.

امتیازدهی به‌جای تولید متن

Decision-1 از قالب‌های تصمیم‌گیری زیر پشتیبانی می‌کند:

• بله یا خیر: بررسی یک شرط یا تأیید یک نتیجه
• چندگزینه‌ای: انتخاب یکی از پاسخ‌های مشخص
• امتیازدهی: ارزیابی پاسخ یا عملکرد بر اساس معیارهای تعریف‌شده
• ارزیابی مبتنی بر معیارنامه: سنجش پاسخ یک مدل یا اقدام پیشنهادی عامل هوش مصنوعی با بررسی مجموعه‌ای از معیارها

خروجی مدل، ساختاریافته است و نرم‌افزار می‌تواند مستقیماً از آن استفاده کند. در این روش نیاز به تولید متن آزاد و پردازش دوباره آن را کاهش می‌یابد.

نقش امتیاز احتمال در تصمیم‌گیری

امتیاز احتمال فقط برای رتبه‌بندی گزینه‌ها نیست؛ برنامه می‌تواند از آن برای تعیین میزان اطمینان به تصمیم نیز استفاده کند. برای مثال، اگر اطمینان مدل کافی نباشد، درخواست می‌تواند به مدل دیگری ارجاع داده شود یا برای بررسی انسانی کنار گذاشته شود.

مایکروسافت بر اهمیت کالیبراسیون احتمال تأکید می‌کند؛ یعنی امتیازهای اطمینان مدل باید تا حد امکان با میزان صحت واقعی تصمیم‌ها سازگار باشند.

تفاوت Decision-1 با مدل‌های زبانی چیست؟

تفاوت اصلی این مدل در نوع خروجی و وظیفه‌ای است که مدل‌های زبانی عمومی برای آن طراحی شده اند.

ویژگی	Decision-1	مدل زبانی عمومی
وظیفه اصلی	تصمیم‌گیری میان گزینه‌های مشخص	تولید و پردازش متن
نوع خروجی	امتیازهای احتمال ساختاریافته	متن تولیدشده
کاربرد رایج	دسته‌بندی، ارزیابی و انتخاب مسیر	نگارش، ترجمه، خلاصه‌سازی و پاسخ‌گویی
نقش در عامل هوش مصنوعی	انتخاب مرحله یا اقدام بعدی	انجام وظایف پیچیده و تولید محتوا

نکته: Decision-1 قرار نیست جای تمام مدل‌های زبانی را بگیرد. در یک سامانه ترکیبی، مدل زبانی می‌تواند با توجه به درخواست کاربر پاسخ بسازد؛ Decision-1 نیز می‌تواند تصمیم بگیرد درخواست به کدام مدل ارجاع داده شود یا پاسخ نهایی پذیرفته شود یا نه.

بنچمارک‌های Decision-1 در مقایسه با مدل‌های دیگر

مایکروسافت عملکرد Decision-1 را از لحاظ سرعت، دقت و … با مدل‌های زبانی دیگر در حوزه‌هایی مانند دسته‌بندی و هدایت درخواست‌ها، رتبه‌بندی، پردازش متن‌های طولانی، وظایف چندزبانه، استدلال و ایمنی بررسی کرده است. 

سرعت پاسخ Decision-1 چقدر است؟

طبق نتایج منتشرشده در مقاله رسمی مایکروسافت، این مدل در مقایسه داخلی شرکت، سریع‌ترین مدل اندازه‌گیری‌شده در مجموعه آزمون‌ها بوده است.

معیار	نتیجه اعلام‌شده
تعداد بنچمارک‌ها	۳۶
تعداد پرسش‌های ارزیابی	نزدیک به ۱۵۰ هزار
سرعت نسبت به H2O-Lightning-4B، مدل بعدی در مقایسه	۲٫۵ برابر سریع‌تر
سرعت نسبت به GPT-6 Sol	۳۵ برابر سریع‌تر

نکته: این نتایج متعلق به ارزیابی مایکروسافت در تاریخ ۸ اکتبر ۲۰۲۶ بوده و نباید بدون آزمایش مستقل به همه کاربردها تعمیم داده شود.

دقت و تعمیم‌پذیری مدل

مایکروسافت اعلام کرده Decision-1 در مقایسه بنچمارکی خود بالاترین دقت را به دست آورده است. این ارزیابی شامل مجموعه‌هایی بوده که در آموزش مدل استفاده نشده بودند تا عملکرد آن روی وظایف جدید نیز بررسی شود.

نتایج شرکت نشان می‌دهند که مدل فقط برای یک نوع تصمیم خاص بهینه نشده است. با این حال، دقت نهایی در هر پروژه به نوع داده، تعریف گزینه‌ها و معیارهای ارزیابی بستگی دارد.

پایداری تصمیم‌ها در برابر تغییر ورودی

از دیگر معیارهای بررسی Decision-1، میزان تغییر تصمیم در برابر تغییرات ظاهری درخواست است. برای نمونه، ممکن است توضیحات گزینه‌ها بازنویسی شوند یا ترتیب گزینه‌ها تغییر کند؛ بدون اینکه معنای اصلی پرسش عوض شود.

مایکروسافت یک درخواست را به هشت شکل مختلف تغییر داده و میزان تغییر تصمیم را سنجیده است. به گفته این شرکت، تصمیم مدل به‌طور میانگین در ۱٫۳ درصد این تغییرات عوض شده است. 

Decision-1 در آزمایش‌های داخلی مایکروسافت

مایکروسافت ۲ تست داخلی را برای نشان دادن عملکرد این مدل ارائه کرده است:

۱. دسته‌بندی بازخورد کاربران Xbox

تیم پژوهشی Xbox از Decision-1 برای دسته‌بندی بیش از ۱۰ هزار نظر و بازخورد درباره بازی‌ها استفاده کرده است. این داده‌ها از نظرسنجی‌ها، Steam و شبکه اجتماعی X جمع‌آوری شده بودند.

طبق گزارش مایکروسافت، کیفیت مدل با GPT-6 Sol رقابتی بوده، در حالی که اجرای آن بیش از ۱۴ برابر سریع‌تر و ۲۰۰ برابر کم‌هزینه‌تر گزارش شده است.

۲. کنترل کیفیت پاسخ‌های هوش مصنوعی

تیم Copilot نیز Decision-1 را برای ارزیابی کیفیت پاسخ‌های متنی و عملکرد عامل‌های هوش مصنوعی آزمایش کرده است. طبق اعلام شرکت، کیفیت آن با GPT-5.6 Luna رقابتی بوده و اجرای آن ۱۰۰ برابر سریع‌تر گزارش شده است.

این نمونه نشان می‌دهد مدل‌های تصمیم‌گیری می‌توانند در کنار مدل‌های تولیدکننده متن مانند چت جی پی تی، نقش ارزیاب خروجی را بر عهده بگیرند.

کاربردهای Decision-1

مدل Microsoft Decision-1 در حوزه‌های مختلفی کاربرد دارد؛ از مدیریت عامل‌های هوش مصنوعی و انتخاب مدل مناسب گرفته تا ارزیابی محتوا، بررسی امنیت و اولویت‌بندی داده‌ها. ۱۶ مورد از مهم‌ترین کاربردهای آن عبارت‌اند از:

1. مدیریت عامل‌های هوش مصنوعی: بررسی اقدام پیشنهادی عامل و تصمیم‌گیری درباره ادامه کار، توقف، تلاش مجدد یا واگذاری کار به یک مدل، ابزار یا نیروی انسانی.
2. انتخاب مدل هوش مصنوعی: بررسی درخواست ورودی و انتخاب مناسب‌ترین مدل بسته به کیفیت موردنیاز، هزینه و سرعت پاسخ‌گویی.
3. تصمیم‌گیری بر اساس مهارت‌ها: انتخاب اقدام بعدی با استفاده از دستورالعمل‌های یک مهارت مشخص، بدون نیاز به پردازش مکرر فهرست طولانی دستورها.
4. برچسب‌گذاری داده‌ها: دسته‌بندی پست‌های شبکه‌های اجتماعی، بازخورد مشتریان و داده‌های دیگر با برچسب‌های یکسان برای تحلیل یا آموزش مدل‌ها.
5. ارزیابی خروجی هوش مصنوعی: بررسی پاسخ تولیدشده توسط هوش مصنوعی آنلاین بر اساس معیارهای کیفیت و تصمیم‌گیری درباره پذیرش، اصلاح یا رد آن.
6. تحلیل قصد کاربر: تشخیص هدف کاربر از درخواست و تطبیق آن با یکی از قابلیت‌ها یا دسته‌های پشتیبانی‌شده.
7. مدیریت و ارجاع رخدادها: دسته‌بندی رخدادها با توجه به نوع و میزان فوریت و ارجاع آن‌ها به تیم یا فرایند مناسب.
8. اعتبارسنجی داده‌ها: بررسی مطابقت ورودی‌ها با معیارهای تعیین‌شده و تصمیم‌گیری درباره پذیرش، رد یا ارجاع آن‌ها برای بررسی بیشتر.
9. سیستم‌های پیشنهاددهنده: انتخاب مرتبط‌ترین گزینه، پیشنهاد یا اقدام بعدی از میان چند گزینه موجود.
10. ارزیابی ارتباط نتایج جست‌وجو: بررسی میزان ارتباط نتایج جست‌وجو با عبارت واردشده و تعیین اولویت یا برچسب مرتبط‌بودن آن‌ها.
11. دسته‌بندی و پالایش محتوا: دسته‌بندی محتوا بر اساس موضوع یا سیاست‌های مشخص و تصمیم‌گیری درباره نمایش، فیلترکردن یا ارجاع آن برای بررسی.
12. بررسی کدهای برنامه‌نویسی: ارزیابی کد با بررسی معیارهای تعیین‌شده و شناسایی خطاهای احتمالی یا موارد نقض قوانین برای بررسی بیشتر.
13. بررسی ایمنی و امنیت: ارزیابی درخواست‌ها، خروجی‌ها یا اقدامات پیشنهادی با در نظر گرفتن میزان خطر و تصمیم‌گیری درباره مجازبودن، مسدودکردن یا ارجاع آن‌ها.
14. تعامل با رایانه و رابط کاربری: انتخاب اقدام بعدی در محیط نرم‌افزار بر اساس وضعیت فعلی صفحه و هدف کاربر.
15. رباتیک: انتخاب اقدام مناسب برای ربات از میان مجموعه‌ای از اقدامات تعریف‌شده، با توجه به مشاهدات، هدف و محدودیت‌های عملیاتی.
16. پژوهش‌های علمی: بررسی فرضیه‌ها، ترکیبات یا آزمایش‌های پیشنهادی با توجه به معیارهای مشخص و اولویت‌بندی آن‌ها برای ارزیابی بیشتر.

قیمت Decision-1 چقدر است؟

در جدول زیر، تعرفه قیمت توکن ورودی و خروجی Decision-1 را طبق اعلام رسمی مایکروسافت، مشاهده کنید. (بررسی شده در مهر ۱۴۰۵)

نوع مصرف	قیمت
یک میلیون توکن ورودی	۰٫۰۴۲ دلار
یک میلیون توکن خروجی	رایگان

نکته: این قیمت برای سامانه‌هایی که تعداد زیادی تصمیم کوچک و پرتکرار دارند، قابل‌توجه است. با این حال، هزینه کل به تعداد درخواست‌ها، حجم ورودی و نحوه استفاده از مدل در کنار سایر اجزای سامانه بستگی دارد.

نحوه دسترسی به Microsoft-Decision-1

مایکروسافت اعلام کرده توسعه‌دهندگان می‌توانند از طریق دو مسیر به Decision-1 دسترسی پیدا کنند:

1. Microsoft Foundry
2. OpenRouter

طبق مشخصات کاتالوگ Microsoft Foundry، این مدل ورودی متنی می‌پذیرد، خروجی ساختاریافته JSON ارائه می‌دهد و ظرفیت ورودی آن ۳۲٬۷۶۸ توکن است.

محدودیت‌های Decision-1

Decision-1 برای تصمیم‌گیری میان گزینه‌های مشخص طراحی شده است. بنابراین، برای تولید متن، گفت‌وگوی آزاد، ترجمه، خلاصه‌سازی یا پاسخ به پرسش‌های باز انتخاب مناسبی نیست.

محدودیت‌های مهم مدل عبارت‌اند از:

• نداشتن توضیح متنی: مدل امتیازهای تصمیم را ارائه می‌دهد، اما دلیل و استدلال خود را به شکل متن توضیح نمی‌دهد.
• وابستگی به ورودی و گزینه‌ها: پرسش و گزینه‌های تصمیم باید روشن باشند و اطلاعات لازم در ورودی وجود داشته باشد.
• نیاز به ارزیابی کاربردی: نتایج بنچمارک به‌تنهایی کیفیت مدل را در یک پروژه خاص تضمین نمی‌کنند.
• لزوم نظارت انسانی: نباید تنها مبنای تصمیم‌های حساس درباره اعتبار مالی، استخدام، مسکن، آموزش، سلامت یا حقوق افراد باشد.

مایکروسافت همچنین تأکید می‌کند که مسئولیت تعیین آستانه اطمینان، مسیر ارجاع درخواست‌های مبهم و سازوکار نظارت انسانی بر عهده برنامه‌ای است که مدل را به کار می‌گیرد.

اجرای وظایف مشابه Decision-1 با هوشا

معرفی Decision-1 نشان می‌دهد که برای انجام همه مراحل یک پروژه هوش مصنوعی، همیشه به مدل‌های بزرگ و گران‌قیمت با تولید پاسخ‌های طولانی و پیچیده نیاز نیست. کارهایی مانند دسته‌بندی درخواست‌ها، ارزیابی پاسخ‌ها و انتخاب میان چند گزینه را می‌توان با مدل‌های مناسب و دستورهای دقیق انجام داد. 

در این راستا می‌توانید از یک سایت هوش مصنوعی مانند هوشا، مجهز به انواع مدل‌های مختلف متنی از جمله چت جی پی تی، جمینی و کلاد نیز کمک بگیرید. برای مثال، از مدل بخواهید پیام‌های مشتریان را دسته‌بندی کند، پاسخ‌های تولیدشده را براساس معیارهای مشخص امتیاز دهد یا چند گزینه را با هم مقایسه کند و بهترین گزینه را پیشنهاد دهد.

تصمیم‌گیری با مدل‌های هوشا

اگرچه مدل استفاده از هوشا با مدل تخصصی Decision-1 یکسان نیست، اما راهی ساده برای تجربه کاربردهای عملی تصمیم‌گیری با هوش مصنوعی است. برای آزمایش این کاربردها، وارد پلتفرم فارسی هوشا شوید؛ سپس با استفاده از ۱۲۰ اعتبار رایگان چت روزانه (بررسی شده در مهر ۱۴۰۵) بدون نیاز به VPN، مدل‌های مختلف را برای انجام وظایفی مانند دسته‌بندی متن، ارزیابی پاسخ‌ها و مقایسه گزینه‌ها امتحان کنید.

جمع‌بندی

Microsoft-Decision-1 مدلی تخصصی برای تصمیم‌گیری سریع، دسته‌بندی اطلاعات و ارزیابی خروجی عامل‌های هوش مصنوعی است. مایکروسافت در ارزیابی داخلی خود، میانگین تأخیر پاسخ آن را حدود ۳۵ برابر کمتر از GPT-6 Sol و قیمت ورودی آن را ۰٫۰۴۲ دلار برای هر یک میلیون توکن اعلام کرده است.

این مدل جایگزین عمومی مدل‌های زبانی نیست. کاربرد اصلی آن انجام تصمیم‌های مشخص و پرتکرار در کنار مدل‌های دیگر است؛ جایی که سرعت، هزینه و خروجی ساختاریافته اهمیت زیادی دارند.

نویسنده: سپیده بزازی

• منبع ۱ | منبع ۲ | منبع ۳ | منبع ۴