مایکروسافت مدل تصمیم‌گیری Decision-1 را عرضه کرد

مدل Decision-1 مایکروسافت وارد رقابت مدل‌های هوش مصنوعی برای تصمیم‌گیری سریع و ساختاریافته شده است؛ مدلی که به‌گفته این شرکت برای طبقه‌بندی، ارزیابی و مسیردهی تصمیم‌ها ساخته شده و می‌تواند عامل‌های هوش مصنوعی را در محیط‌های پیچیده هدایت کند. مایکروسافت این مدل را بر پایه Qwen3.5-9B معرفی کرده و آن را از طریق Microsoft Foundry و OpenRouter در دسترس قرار داده است. خبر عرضه Decision-1 روز شنبه ۱۸ مهر ۱۴۰۵ منتشر شد.

مدل Decision-1 برای چه نوع تصمیم‌هایی ساخته شده است؟

تمرکز Decision-1 بر تصمیم‌هایی است که باید در قالبی منظم و سریع گرفته شوند. طبقه‌بندی یعنی قرار دادن ورودی‌ها در گروه‌های مشخص؛ ارزیابی به سنجیدن یا امتیازدهی یک گزینه اشاره دارد و مسیردهی نیز انتخاب مسیر مناسب برای فرستادن یک درخواست یا کار است. این نوع خروجی‌ها می‌توانند برای سامانه‌هایی مفید باشند که لازم است میان چند اقدام ممکن یکی را انتخاب کنند.

به‌گفته مایکروسافت، این مدل «ظرفیت» هدایت و کنترل عامل‌ها را در محیط‌های پیچیده دارد. عامل هوش مصنوعی سامانه‌ای است که می‌تواند برای رسیدن به هدف، کارهایی را دنبال کند و میان اقدام‌های مختلف انتخاب داشته باشد. با این حال، اعلام این ظرفیت به‌تنهایی به معنای ارائه جزئیات درباره عملکرد مدل در کاربردهای عملی نیست؛ متن معرفی‌شده از سوی شرکت بر توان بالقوه آن تأکید می‌کند.

مدل‌های تصمیم‌گیری، برخلاف کاربردهایی که بر تولید متن یا پاسخ‌های گفت‌وگویی تمرکز دارند، برای انجام انتخاب‌های محدود و ساختاریافته مطرح می‌شوند. در این رویکرد، پاسخ می‌تواند برای مرحله بعدی یک فرایند یا برای هدایت یک عامل به کار برود. معرفی Decision-1 به مایکروسافت امکان می‌دهد محصولی مشخص را در همین بخش از بازار عرضه کند.

ارزیابی مایکروسافت و محدودیت مقایسه

مایکروسافت می‌گوید Decision-1 دقیق‌ترین مدل آزمایش‌شده در مجموعه‌ای شامل ۳۶ معیار بوده است؛ مجموعه‌ای که به‌گفته شرکت نزدیک به ۱۵۰ هزار پرسش را در بر می‌گرفت. این اعداد تصویری از دامنه ارزیابی اعلام‌شده به دست می‌دهند، اما اطلاعات منتشرشده در منبع، جزئیات جداگانه هر معیار یا نتیجه مدل در کاربردهای خاص را توضیح نمی‌دهد.

در سنجش سرعت، مایکروسافت اعلام کرده است Decision-1 دوونیم برابر سریع‌تر از مدل رتبه دوم، H2O-Lightning-4B، بوده است. این مقایسه به نتیجه آزمون‌های گزارش‌شده محدود است و نباید آن را بدون اطلاعات بیشتر به همه وظایف یا شرایط استفاده تعمیم داد. سرعت در مدل‌های تصمیم‌گیری می‌تواند برای فرایندهایی اهمیت داشته باشد که انتخاب مدل بخشی از زنجیره اجرای یک کار است؛ اما منبع، زمان پاسخ یا شرایط دقیق این آزمون را شرح نمی‌دهد.

یکی از نکات مهم درباره دامنه این مقایسه، غیبت مدل‌های متن‌باز Clef از Cloudflare است. این مدل‌ها نیز بر پایه Qwen ساخته شده‌اند، اما در ارزیابی یادشده حضور نداشتند. بنابراین، نتیجه اعلام‌شده جایگاه Decision-1 را در مقایسه با مدل‌های بررسی‌شده نشان می‌دهد، نه لزوماً در برابر تمام گزینه‌های موجود در این حوزه.

دسترسی و قیمت‌گذاری در رقابت مدل‌های تصمیم‌گیری

Decision-1 از طریق Microsoft Foundry و OpenRouter قابل دسترسی است. مایکروسافت برای هر یک میلیون توکن ورودی ۰٫۰۴۲ دلار هزینه تعیین کرده و توکن‌های خروجی را رایگان اعلام کرده است. توکن، واحدی است که سامانه‌های زبانی برای پردازش متن به کار می‌برند؛ بنابراین هزینه ورودی به حجمی از داده‌ای مربوط می‌شود که کاربر برای پردازش به مدل می‌فرستد.

قیمت اعلام‌شده و دسترسی از دو مسیر، اطلاعاتی عملی برای تیم‌هایی فراهم می‌کند که می‌خواهند مدل را بررسی کنند. با این حال، صرف دسترسی و هزینه پایین‌تر به‌تنهایی درباره کیفیت خروجی در یک کاربرد خاص داوری نمی‌کند؛ انتخاب مدل به نیاز هر کار بستگی دارد و نتیجه باید در همان زمینه سنجیده شود. منبع درباره محدودیت‌های استفاده یا جزئیات بیشتر شرایط دسترسی توضیحی ارائه نمی‌دهد.

عرضه Decision-1 در ادامه موجی از توجه به مدل‌های تصمیم‌گیری صورت می‌گیرد. طبق گزارش منبع، Jev، استارتاپی که این روند را در میانه سپتامبر آغاز کرد، با گسترش سریع ایده و سازگار شدن فناوری با مدل‌های زبانی کوچک و متن‌باز روبه‌رو شده است؛ مدل‌هایی که در این روند به کار گرفته شده و از آن پیشی گرفته‌اند. این تغییر، رقابت را از طرح اولیه ایده به عرضه و ارزیابی مدل‌های مشخص سوق داده است.

این خبر برای چه کسانی اهمیت دارد

Decision-1 برای توسعه‌دهندگانی اهمیت دارد که در حال ساخت عامل‌های هوش مصنوعی یا فرایندهای نیازمند طبقه‌بندی، ارزیابی و انتخاب مسیر هستند. تیم‌های فنی می‌توانند به دسترسی از طریق Microsoft Foundry و OpenRouter، هزینه ورودی اعلام‌شده و نتایج آزمون‌های مایکروسافت توجه کنند؛ اما برای انتخاب آگاهانه باید این داده‌ها را در کنار نیازهای واقعی خود بسنجند.

برای شرکت‌هایی که محصولات هوش مصنوعی عرضه می‌کنند، ورود مایکروسافت نشانه‌ای از شکل‌گیری رقابت بر سر مدل‌های تخصصی‌تر و سریع‌تر است. در عین حال، نبود Clef در مقایسه یادشده و محدود بودن جزئیات منتشرشده، یادآوری می‌کند که ادعای برتری در مجموعه‌ای از آزمون‌ها با برتری قطعی در همه سناریوها یکسان نیست.