Che cos’è Microsoft‑Decision‑1?

Il nome ufficiale del prodotto è Microsoft‑Decision‑1. Si tratta di un modello di decision scoring che non genera testo libero, ma sceglie una risposta tra opzioni fissate in anticipo e assegna a ciascuna una probabilità calibrata. Il modello opera in un unico passaggio, senza produrre token di output, e restituisce solo i valori di probabilità per le scelte proposte.

Microsoft‑Decision‑1 è costruito su Qwen 3.5‑9B, il modello open‑weight da 9 miliardi di parametri sviluppato da Alibaba. Il servizio è disponibile nel catalogo di Microsoft Foundry ed è accessibile tramite un account Azure.

Il prezzo dichiarato è di 0,042 $ per milione di token in ingresso, mentre l’output è gratuito. Il modello accetta esclusivamente testo e la sua finestra di contesto è di 32 000 token.

Funzionalità principali

    • Assegnazione di una probabilità a ogni opzione (sì/no, scelta multipla, scala di valutazione).
    • Possibilità di usare il modello come giudice (grading) per valutare le risposte di altre AI o le azioni di agenti software.
    • Integrazione con workflow: una soglia di probabilità può attivare il routing verso il reparto corretto, l’invocazione di un modello più grande o l’intervento umano.
    • Una sola chiamata API strutturata per ottenere output immediatamente azionabile.

Contesto di mercato e concorrenza

Il lancio di Decision 1 avviene in un momento in cui i decision model stanno proliferando: secondo The Register ne sono già oltre cento. Il modello di Microsoft si colloca in una categoria di prodotti in cui il prezzo è più determinante del marchio, soprattutto per le aziende che cercano soluzioni a basso costo per classificazione e routing.

Il principale concorrente citato è Jev, il decision model di TypeSafe, introdotto a metà settembre. Anche Jev non scrive testo, ma sceglie tra risposte predefinite con un solo passaggio. Il prezzo di Jev è identico a quello di Decision 1 (0,042 $ per milione di token), ma Microsoft afferma di essere 2,8 volte più veloce nei test di latenza.

Confronto con Jev

    • Prezzo: entrambi i modelli costano 0,042 $ per milione di token in ingresso.
    • Velocità: Decision 1 è 2,8 volte più rapido di Jev secondo i benchmark di Microsoft.
    • Architettura: Decision 1 è basato su un transformer (Qwen 3.5‑9B), mentre Jev è descritto come un design non‑transformer.
    • Terminologia: TypeSafe definisce Jev un “System One model”, Microsoft utilizza semplicemente “decision model”.

Motivazioni della scelta di Qwen

Microsoft ha optato per post‑addestrare Qwen 3.5‑9B anziché utilizzare un modello proprietario. La scelta ha due motivi:

    • Strategico: Microsoft possiede già la linea MAI (ad esempio MAI‑Transcribe‑2‑Streaming) e ha accesso ai modelli di OpenAI, la cui Decisions API è stata rilasciata a fine settembre.
    • Pratico: Un modello aperto da 9 miliardi di parametri è economico da addestrare e da servire senza richiedere GPU di fascia alta. Altri provider, come Cloudflare, hanno già costruito soluzioni (es. Clef‑flash) sulla stessa base.

La famiglia Qwen di Alibaba è ormai la base di mezzo mercato per i modelli aperti, rendendola una scelta logica per un prodotto in cui il prezzo è dominante rispetto a prestazioni di architettura avanzata.

Prestazioni dichiarate da Microsoft

Tutte le metriche riportate provengono dal post di Microsoft o da fonti che hanno ripreso i dati. Nessuna è stata verificata da terze parti indipendenti.

Accuratezza

    • Punteggio più alto su 36 benchmark, con quasi 150 000 domande fuori dal training set.
    • Accuratezza dell’83,5 % (secondo The Register).
    • Confidenza del 92,2 %, seconda solo a Quyet‑1.0‑Large.

Velocità

    • 2,5 volte più veloce di H2O‑Lightning‑4B v1.1, secondo i test interni.
    • Circa 35 volte più veloce di GPT‑6 Sol sulla latenza mediana (P50).
    • Esempio pratico: 100 ms per ciascuna di 20 decisioni in sequenza aggiungono 2 secondi a un workflow.

Stabilità

    • Su otto tipi di perturbazione del testo, la decisione cambia in media nell’1,3 % dei casi.
    • Mai cambiamenti quando si riformulano le descrizioni delle opzioni o si varia l’ordine.

Sicurezza

    • Test su 5 250 richieste in 11 benchmark (contenuti dannosi, jailbreak, prompt injection).
    • Rifiuto dei comportamenti dannosi mantenendo l’utilità del modello.

Casi d’uso interni di Microsoft

Microsoft ha citato diversi esempi di utilizzo interno per dimostrare l’efficacia di Decision 1:

    • Xbox Research: classificazione di oltre 10 000 feedback con qualità competitiva rispetto a GPT‑6 Sol, 14 volte più veloce e 200 volte meno costosa.
    • Team Copilot: qualità vicina a un modello della famiglia Luna di OpenAI, ma a 100 volte la velocità.
    • Microsoft Discovery: coerenza 46 volte superiore rispetto a punteggi basati su LLM.

Dove provare Decision 1 e costi effettivi

Il modello è disponibile nel catalogo di Microsoft Foundry e richiede un account Azure. È possibile accedervi anche tramite OpenRouter, sebbene al momento della scrittura la pagina del modello su quel servizio non fosse ancora attiva.

Il costo reale dipende quasi esclusivamente dalla lunghezza dei testi da classificare, poiché l’output è minimale. Con una finestra di contesto di 32 000 token, la maggior parte delle richieste rientra ampiamente nei limiti di Azure.

Criticità e punti ancora da chiarire

Alcune limitazioni emergono dal comunicato di Microsoft:

    • Assenza di un controllo esterno sui 36 benchmark citati; i nomi dei benchmark non sono specificati.
    • Il modello accetta solo testo, limitando possibili integrazioni con dati non testuali.
    • La documentazione non fornisce dettagli su eventuali meccanismi di auditing o spiegabilità delle probabilità assegnate.

Questi aspetti potrebbero influenzare l’adozione da parte di aziende con requisiti di trasparenza e audit più stringenti.

Prospettive future

Microsoft ha già annunciato l’intenzione di rifondere Decision 1 su altri modelli, inclusi quelli della famiglia MAI e di OpenAI. Questo suggerisce una strategia di “model‑agnostic” che permetterà di scegliere la base più adatta in base a costi, performance e requisiti di sicurezza.

Nel frattempo, la concorrenza si intensifica: oltre a Jev di TypeSafe, altri provider stanno rilasciando versioni open‑source o commerciali dei decision model, creando un mercato dinamico in cui il prezzo, la velocità e la trasparenza saranno i fattori discriminanti.