معرفی Microsoft-Decision-1؛ مدل هوش مصنوعی مایکروسافت برای تصمیم‌گیری سریع

مایکروسافت با معرفی Microsoft-Decision-1 در ۹ اکتبر ۲۰۲۶، مدل تازه‌ای از هوش مصنوعی را به نمایش گذاشت که هدف اصلی آن تولید متن یا پاسخ‌گویی به پرسش‌های عمومی نیست؛ بلکه برای تصمیم‌گیری سریع، دقیق و ساختاریافته طراحی شده است. این مدل می‌تواند اطلاعات را بررسی کند، گزینه‌های از پیش تعیین‌شده را ارزیابی کند و برای هر گزینه یک امتیاز احتمالی ارائه دهد.

اهمیت این فناوری زمانی آشکار می‌شود که یک نرم‌افزار یا عامل هوش مصنوعی باید در مدت کوتاهی ده‌ها تصمیم متوالی بگیرد. در چنین شرایطی، استفاده از یک مدل زبانی بزرگ برای هر تصمیم ممکن است هزینه و زمان پردازش را افزایش دهد.

مایکروسافت اعلام کرده که Microsoft-Decision-1 در آزمایش‌های خود، برای وظایف مشخص تصمیم‌گیری، تا ۳۵ برابر سریع‌تر از GPT-6 Sol عمل کرده و در مقایسه‌ای شامل ۳۶ مجموعه آزمون، بالاترین میانگین دقت را به دست آورده است.

اما این مدل دقیقاً چگونه کار می‌کند؟ چه تفاوتی با مدل‌های زبانی دارد و آیا می‌تواند برای کسب‌وکارها و عامل‌های هوش مصنوعی مفید باشد؟

مدل Microsoft-Decision-1 چیست؟

Microsoft-Decision-1 یک مدل هوش مصنوعی برای امتیازدهی به تصمیم‌هاست که به‌جای تولید پاسخ‌های متنی، احتمال مناسب بودن گزینه‌های مشخص را محاسبه می‌کند.

فرض کنید یک سامانه پشتیبانی، پیام مشتری را دریافت کرده و باید تشخیص دهد که درخواست مربوط به مشکلات فنی، پرداخت یا خدمات حساب کاربری است. به‌جای آنکه مدل توضیحی طولانی بنویسد، احتمال تعلق پیام به هر دسته را ارائه می‌کند.

این خروجی ساختاریافته به نرم‌افزار اجازه می‌دهد بدون استخراج پاسخ از یک متن طولانی، تصمیم مناسب را انتخاب کند.

به گفته مایکروسافت در معرفی رسمی Microsoft-Decision-1، این مدل برای طبقه‌بندی، اولویت‌بندی، ارزیابی، هدایت درخواست‌ها و کنترل فرایندهای هوشمند توسعه یافته است.

تفاوت Microsoft-Decision-1 با مدل‌های زبانی مولد

مدل‌های زبانی بزرگ معمولاً برای تولید محتوا، گفت‌وگو، خلاصه‌سازی و حل مسئله استفاده می‌شوند. در مقابل، Microsoft-Decision-1 برای پاسخ‌گویی به پرسش‌هایی طراحی شده که گزینه‌های آن‌ها از قبل مشخص شده‌اند.

برای مثال، اگر کاربر درخواست نوشتن یک مقاله آموزشی داشته باشد، یک مدل زبانی مولد انتخاب مناسب‌تری است. اما اگر سامانه بخواهد تشخیص دهد که مقاله تولیدشده شرایط انتشار را دارد یا به بازبینی نیازمند است، مدل تصمیم‌گیری می‌تواند نقش مفیدی داشته باشد.

بنابراین، Microsoft-Decision-1 جایگزین همه مدل‌های زبانی نیست؛ بلکه ابزاری تخصصی برای تکمیل قابلیت‌های آن‌هاست.

Microsoft-Decision-1 چگونه کار می‌کند؟

این مدل با دریافت اطلاعات متنی، پرسش مشخص و گزینه‌های پاسخ، در یک مرحله پردازش امتیازهای احتمالی تولید می‌کند.

تفاوت مهم آن با مدل‌های مولد این است که برای رسیدن به یک پاسخ ساختاریافته، نیازی به نوشتن توضیحات طولانی ندارد. البته سرعت واقعی پاسخ به نوع درخواست، زیرساخت ارائه‌دهنده و شرایط ارتباطی نیز وابسته است.

سه جزء اصلی درخواست به مدل

برای استفاده از Microsoft-Decision-1 باید سه مؤلفه اصلی تعریف شود:

۱. زمینه یا وضعیت: اطلاعاتی که مدل برای تصمیم‌گیری به آن نیاز دارد؛ مانند متن پیام مشتری یا نتیجه یک اقدام نرم‌افزاری.

۲. پرسش: موضوعی دقیق که مدل باید درباره آن تصمیم بگیرد؛ مانند اینکه آیا درخواست به بررسی فوری نیاز دارد؟

۳. گزینه‌های پاسخ: پاسخ‌های مشخص و محدود، مانند «بله»، «خیر» یا «اطلاعات ناکافی است».

مدل می‌تواند پرسش‌های دوگزینه‌ای، چندگزینه‌ای، رتبه‌بندی و ارزیابی بر اساس معیارهای از پیش تعریف‌شده را پردازش کند.

هرچه وضعیت و گزینه‌ها روشن‌تر و از یکدیگر متمایزتر باشند، ارزیابی خروجی و استفاده از آن در نرم‌افزار نیز ساده‌تر خواهد بود.

امتیاز احتمالی کالیبره‌شده به چه معناست؟

یکی از قابلیت‌های مهم Microsoft-Decision-1، ارائه احتمال‌های کالیبره‌شده است.

کالیبراسیون احتمال یعنی میزان اطمینانی که مدل اعلام می‌کند، در مجموعه‌ای از نمونه‌های نماینده تا چه اندازه با فراوانی واقعی پاسخ‌های درست هماهنگ باشد.

برای مثال، در یک مدل به‌خوبی کالیبره‌شده، تصمیم‌هایی که با اطمینان ۹۰ درصد ثبت می‌شوند، باید در حدود ۹۰ درصد موارد مشابه درست باشند.

این ویژگی به توسعه‌دهنده کمک می‌کند برای اجرای خودکار تصمیم‌ها آستانه تعیین کند. بااین‌حال، احتمال ۹۰ درصد به معنای تضمین درستی یک تصمیم مشخص نیست.

کالیبراسیون باید برای زبان، موضوع و شرایط واقعی هر کاربرد نیز بررسی شود.

مثال عملی: دسته‌بندی پیام مشتری

فرض کنید مشتری یک فروشگاه اینترنتی چنین پیامی ارسال کرده است:

«سفارشم را پرداخت کرده‌ام، اما هنوز تأیید پرداخت دریافت نکرده‌ام و نمی‌دانم سفارشم ثبت شده یا نه.»

سامانه می‌تواند این پیام را همراه با پرسش «این درخواست به کدام بخش مربوط است؟» و گزینه‌های مشخص به مدل ارسال کند.

خروجی فرضی ممکن است چنین باشد:

این اعداد صرفاً برای توضیح عملکرد مدل هستند و نتیجه اجرای واقعی Microsoft-Decision-1 نیستند.

در چنین وضعیتی، سامانه می‌تواند پیام را برای بخش پرداخت ارسال کند. اگر بالاترین امتیاز پایین باشد یا دو گزینه احتمال نزدیکی داشته باشند، درخواست به نیروی انسانی ارجاع داده می‌شود.

این شیوه می‌تواند بخشی از اتوماسیون فرایندها با هوش مصنوعی باشد؛ به‌ویژه در سامانه‌هایی که حجم بالایی از درخواست‌های تکراری دریافت می‌کنند.

مشخصات فنی و معماری Microsoft-Decision-1

مایکروسافت این مدل را بر پایه Qwen3.5-9B توسعه داده است؛ مدلی با وزن‌های قابل‌دسترسی که به خانواده مدل‌های زبانی Qwen شرکت علی‌بابا تعلق دارد.

مایکروسافت با آموزش تکمیلی، این مدل پایه را برای وظایف امتیازدهی به تصمیم‌ها تخصصی کرده است.

مهم‌ترین مشخصات فنی عبارت‌اند از:

نسخه پایه مدل در مخزن رسمی Qwen3.5-9B معرفی شده است، اما دسترسی به وزن‌های آن به معنای انتشار وزن‌های آموزش‌دیده Microsoft-Decision-1 نیست.

مایکروسافت همچنین اعلام کرده که قصد دارد در نسخه‌های آینده از مدل‌های پایه دیگری، از جمله خانواده MAI و مدل‌های OpenAI، استفاده کند.

سرعت و دقت Microsoft-Decision-1 در آزمون‌ها

دلیل اصلی توجه به Microsoft-Decision-1، ترکیب سرعت پاسخ، دقت تصمیم‌گیری و امکان سنجش اطمینان خروجی است.

مایکروسافت برای بررسی عملکرد این مدل، آن را در ۳۶ مجموعه آزمون شامل ۱۴۷٬۱۳۷ پرسش ارزیابی کرده است.

این آزمون‌ها وظایفی مانند طبقه‌بندی، رتبه‌بندی، تصمیم‌گیری چندزبانه، پردازش زمینه طولانی و ارزیابی ایمنی را پوشش می‌دهند.

نتایج مقایسه سرعت و دقت

نتایج منتشرشده مایکروسافت به شرح زیر است:

در این مقایسه، Microsoft-Decision-1 سریع‌ترین مدل اندازه‌گیری‌شده بوده است. زمان پاسخ میانه ۸۵ میلی‌ثانیه‌ای آن حدود ۳۵ برابر کمتر از مقدار ثبت‌شده برای GPT-6 Sol است.

همچنین امتیاز کالیبراسیون این مدل ۹۲٫۲ از ۱۰۰ گزارش شده که در میان مدل‌های دارای امتیاز کالیبراسیون، جایگاه سوم را به دست آورده است.

نکته مهم: این اعداد مربوط به شرایط و روش اندازه‌گیری اعلام‌شده توسط مایکروسافت هستند. نتایج استفاده واقعی ممکن است متفاوت باشند و این مقایسه به معنای برتری مدل در تمام وظایف هوش مصنوعی نیست.

پایداری و ایمنی در تصمیم‌گیری

یک مدل تصمیم‌گیری باید در برابر تغییرات غیرمهم متن نیز رفتار نسبتاً پایداری داشته باشد.

مایکروسافت اعلام کرده که با اعمال هشت نوع تغییر در ورودی‌ها، از جمله جابه‌جایی ترتیب گزینه‌ها و بازنویسی توضیحات، میانگین تغییر تصمیم مدل فقط ۱٫۳ درصد بوده است.

همچنین مدل در مجموعه‌ای شامل ۵٬۲۵۰ درخواست و ۱۱ آزمون مرتبط با ایمنی، در برابر درخواست‌های آسیب‌زا، تلاش‌های دورزدن محدودیت‌ها و تزریق دستور ارزیابی شده است.

این نتایج امیدوارکننده‌اند، اما به معنای مصونیت کامل در برابر خطا یا سوءاستفاده نیستند.

مهم‌ترین کاربردهای Microsoft-Decision-1

Microsoft-Decision-1 برای موقعیت‌هایی مناسب است که سامانه باید بارها میان گزینه‌های محدود تصمیم بگیرد و پاسخ را به مرحله بعد منتقل کند.

این ویژگی آن را برای توسعه نرم‌افزارهای هوشمند، مدیریت درخواست‌ها، کنترل اقدامات و ارزیابی خروجی مدل‌های دیگر کاربردی می‌کند.

کنترل اقدامات AI Agent

یکی از مهم‌ترین کاربردهای مدل، ارزیابی اقدامات پیشنهادی عامل هوش مصنوعی است.

فرض کنید یک AI Agent برای انجام وظیفه‌ای می‌خواهد اطلاعاتی را از پایگاه داده حذف کند. قبل از اجرای فرمان، مدل تصمیم‌گیری می‌تواند ارزیابی کند که آیا این اقدام با درخواست کاربر و محدودیت‌های تعریف‌شده سازگار است یا خیر.

اگر نتیجه مبهم باشد یا خطر اقدام بالا باشد، سامانه باید از اجرای خودکار جلوگیری کند و موضوع را به مرحله تأیید انسانی بفرستد.

البته امتیاز مدل نباید جایگزین بررسی مجوزها، کنترل دسترسی و سازوکارهای امنیتی قطعی شود.

دسته‌بندی و مسیریابی درخواست‌ها

سامانه‌های پشتیبانی، فروش و مدیریت خدمات معمولاً با تعداد زیادی پیام روبه‌رو هستند.

Microsoft-Decision-1 می‌تواند نوع درخواست، میزان فوریت یا بخش مسئول را از میان گزینه‌های تعریف‌شده مشخص کند.

برای مثال، پیام‌های مشتریان می‌توانند به بخش‌های فروش، پشتیبانی فنی یا امور مالی هدایت شوند.

این قابلیت در فرایندهای پرتکرار می‌تواند زمان رسیدگی را کاهش دهد و استفاده از مدل‌های زبانی بزرگ را به موارد پیچیده‌تر محدود کند.

ارزیابی پاسخ هوش مصنوعی و مرتبط بودن اطلاعات

کاربرد دیگر این مدل، سنجش کیفیت پاسخ‌های تولیدشده توسط هوش مصنوعی است.

برای نمونه، پس از تولید یک پاسخ، سامانه می‌تواند بررسی کند که آیا محتوا با پرسش کاربر ارتباط دارد، معیارهای مشخص را رعایت کرده و با شواهد ارائه‌شده سازگار است یا نه.

همچنین می‌توان از آن برای ارزیابی مرتبط بودن اسناد بازیابی‌شده در سامانه‌های جست‌وجو استفاده کرد.

این کاربرد برای توسعه ابزارهای هوشمند و فرایندهای کنترل کیفیت محتوا ارزشمند است؛ هرچند امتیاز بالا به‌تنهایی جایگزین راستی‌آزمایی واقعیت‌ها نیست.

تجربه استفاده از مدل در بخش‌های مختلف مایکروسافت

مایکروسافت نمونه‌هایی از ارزیابی داخلی این مدل را نیز منتشر کرده است.

تیم پژوهشی Xbox بیش از ۱۰ هزار بازخورد کاربران را در دسته‌های موضوعی مشخص طبقه‌بندی کرد. در این آزمایش‌ها، کیفیت نتایج قابل‌مقایسه با GPT-6 Sol گزارش شد، درحالی‌که سرعت پردازش بیش از ۱۴ برابر و هزینه حدود ۲۰۰ برابر کمتر بود.

تیم Copilot نیز در ارزیابی کیفیت پاسخ‌های هوش مصنوعی، عملکردی قابل‌رقابت با GPT-5.6 Luna و سرعتی حدود ۱۰۰ برابر بیشتر گزارش کرد.

در سامانه Microsoft Discovery، استفاده از این مدل برای امتیازدهی به مراحل بازبرنامه‌ریزی آزمایش‌ها، بهبود پایداری امتیازها و افزایش سرعت فرایند را به همراه داشت.

این نتایج نشان‌دهنده ظرفیت مدل در کاربردهای تخصصی هستند، نه تضمین تکرار همان میزان بهبود در همه سازمان‌ها.

قیمت و روش دسترسی به Microsoft-Decision-1

مایکروسافت این مدل را از طریق خدمات ابری در اختیار توسعه‌دهندگان قرار داده است.

به همین دلیل، استفاده از Microsoft-Decision-1 با دانلود یک برنامه گفت‌وگوی معمولی تفاوت دارد و بیشتر برای اتصال به نرم‌افزارها و سامانه‌های سازمانی طراحی شده است.

هزینه Microsoft-Decision-1 چقدر است؟

قیمت اعلام‌شده برای Microsoft-Decision-1 برابر است با:

• هر یک میلیون توکن ورودی: ۰٫۰۴۲ دلار

• هزینه توکن خروجی: صفر دلار

برای نمونه، اگر مجموع درخواست‌های یک سامانه شامل یک میلیارد توکن ورودی باشد، هزینه پایه پردازش ورودی با این نرخ برابر با ۴۲ دلار خواهد بود.

این محاسبه هزینه احتمالی شبکه، سایر خدمات ابری، ذخیره‌سازی و پیاده‌سازی نرم‌افزار را شامل نمی‌شود.

همچنین قیمت‌ها ممکن است تغییر کنند؛ بنابراین بهتر است پیش از استفاده عملی، تعرفه روز مدل در OpenRouter بررسی شود.

چگونه استفاده از مدل را شروع کنیم؟

توسعه‌دهندگان می‌توانند از طریق صفحه Microsoft-Decision-1 در Microsoft Foundry مدل را بررسی و در محیط پشتیبانی‌شده مستقر کنند.

مسیر دیگر، استفاده از رابط برنامه‌نویسی OpenRouter است که امکان ارسال درخواست‌های ساختاریافته را فراهم می‌کند.

روند کلی راه‌اندازی شامل تعریف مسئله، مشخص کردن گزینه‌ها، ارسال درخواست از طریق رابط برنامه‌نویسی، دریافت امتیازها و تعیین اقدام بعدی است.

نکته مهم آن است که رابط تصمیم‌گیری OpenRouter با رابط معمول تولید متن در مدل‌های گفت‌وگومحور یکسان نیست. توسعه‌دهنده باید قالب درخواست و پاسخ مخصوص این مدل را رعایت کند.

آیا Microsoft-Decision-1 از زبان فارسی پشتیبانی می‌کند؟

بله. فارسی در فهرست زبان‌هایی قرار دارد که Microsoft-Decision-1 برای آن‌ها ارزیابی شده است.

این مدل برای زبان انگلیسی بهینه شده و علاوه بر فارسی، زبان‌هایی مانند عربی، چینی، ژاپنی، اسپانیایی، فرانسوی، آلمانی و ترکی را نیز پوشش می‌دهد.

بااین‌حال، پشتیبانی از زبان فارسی به معنای یکسان بودن کیفیت عملکرد در تمام زبان‌ها نیست.

برای استفاده در یک سامانه فارسی‌زبان، باید مجموعه‌ای از نمونه‌های واقعی شامل پیام‌های محاوره‌ای، اصطلاحات تخصصی، غلط‌های تایپی و جمله‌های مبهم تهیه شود.

سپس دقت طبقه‌بندی، کیفیت امتیازهای احتمالی و میزان خطا در هر دسته بررسی شود.

به این ترتیب می‌توان مشخص کرد که مدل تا چه اندازه برای شرایط واقعی کاربران فارسی‌زبان مناسب است.

محدودیت‌ها و خطرهای استفاده از Microsoft-Decision-1

با وجود قابلیت‌های فنی، Microsoft-Decision-1 برای همه مسائل مناسب نیست. انتخاب نادرست نوع مسئله یا اتکای بیش‌ازحد به امتیازهای احتمالی می‌تواند باعث تصمیم‌های نامناسب شود.

چه کارهایی برای این مدل مناسب نیست؟

این مدل برای تولید مقاله، گفت‌وگوی آزاد، ترجمه، خلاصه‌سازی و پاسخ‌گویی تشریحی طراحی نشده است.

همچنین اگر پرسش فاقد گزینه‌های مشخص باشد یا اطلاعات لازم برای تصمیم در ورودی وجود نداشته باشد، استفاده از آن انتخاب مناسبی نیست.

نکته مهم دیگر اینکه Microsoft-Decision-1 توضیح استدلالی درباره علت انتخاب گزینه‌ها تولید نمی‌کند.

به همین دلیل، در کاربردهایی که توضیح‌پذیری تصمیم ضروری است، باید سازوکارهای تکمیلی در نظر گرفته شوند.

چگونه از مدل به‌صورت مسئولانه استفاده کنیم؟

مایکروسافت تأکید کرده که این مدل نباید تنها تصمیم‌گیرنده خودکار در موضوعات حساس مرتبط با زندگی افراد باشد.

تصمیم‌هایی مانند استخدام، اعطای اعتبار، بیمه، آموزش، سلامت، مسکن و حقوق قانونی افراد نباید صرفاً بر اساس خروجی آن اتخاذ شوند.

برای استفاده مسئولانه، لازم است گزینه «اطلاعات کافی نیست» در مسائل مبهم پیش‌بینی شود، آستانه‌های اطمینان با داده واقعی تنظیم شوند و مسیر بررسی انسانی وجود داشته باشد.

همچنین رعایت محرمانگی اطلاعات، ثبت تصمیم‌ها و کنترل مجوز اجرای اقدامات اهمیت زیادی دارد.

چه زمانی Microsoft-Decision-1 انتخاب مناسبی است؟

برای انتخاب این مدل باید ابتدا نوع مسئله بررسی شود.

اگر هدف تولید محتوا، پاسخ تشریحی یا انجام استدلال باز باشد، یک مدل زبانی مولد مناسب‌تر خواهد بود.

اما اگر مسئله شامل تصمیم‌های پرتکرار میان گزینه‌های مشخص باشد، Microsoft-Decision-1 ارزش آزمایش دارد.

برای مثال، یک سامانه تولید محتوا می‌تواند از مدل مولد برای نوشتن پیش‌نویس و از مدل تصمیم‌گیری برای بررسی معیارهای انتشار استفاده کند.

معماری ترکیبی به نرم‌افزار اجازه می‌دهد وظایف پیچیده و ساده را میان مدل‌های مناسب تقسیم کند.

بهترین انتخاب باید با سنجش سه عامل کیفیت تصمیم، زمان پاسخ و هزینه هر تصمیم قابل‌قبول انجام شود؛ نه صرفاً با مقایسه تعداد پارامترها یا ادعاهای تبلیغاتی.

جمع‌بندی؛ جایگاه Microsoft-Decision-1 در آینده هوش مصنوعی

Microsoft-Decision-1 نشان‌دهنده حرکت به‌سوی استفاده از مدل‌های تخصصی در کنار مدل‌های زبانی بزرگ است؛ رویکردی که در آن هر مدل مسئول انجام وظیفه‌ای متناسب با توانایی‌های خود خواهد بود.

سرعت بالا، امتیازدهی احتمالی و پشتیبانی از تصمیم‌گیری ساختاریافته می‌توانند این مدل را به گزینه‌ای قابل‌توجه برای اتوماسیون، طبقه‌بندی و کنترل عامل‌های هوش مصنوعی تبدیل کنند.

بااین‌حال، ارزش واقعی آن زمانی مشخص می‌شود که در شرایط عملی، با داده‌های نماینده و معیارهای روشن ارزیابی شود.

اگر می‌خواهید با کاربردهای عملی هوش مصنوعی، طراحی فرایندهای هوشمند و روش استفاده از مدل‌های مختلف آشنا شوید، مسیر یادگیری خود را از آکادمی هوش مصنوعی IR AI Academy آغاز کنید و مهارت‌های لازم برای استفاده هدفمند از این فناوری‌ها را توسعه دهید.