Microsoft-Decision-1 er en specialiseret AI-model til opgaver, hvor et system skal vælge mellem på forhånd fastlagte svar – ikke formulere et åbent svar fra bunden. Microsoft annoncerede modellen den 9. oktober 2026 og præsenterede den til strukturerede opgaver som klassificering, videresendelse og evaluering.
1
Det kan være nyttigt i automatiserede arbejdsgange: I stedet for at bede en generel sprogmodel om at skrive en forklaring ved hvert trin kan et system bruge en score til at vælge, om en opgave skal sendes videre, forsøges igen eller vurderes af et menneske.
Sådan scorer Microsoft-Decision-1 svarmuligheder
En applikation giver modellen kontekst og en fast liste over mulige svar. Microsoft-Decision-1 returnerer en sandsynlighed for hver mulighed i én samlet scoring, frem for at skrive et frit svar.
14 Sandsynlighederne skal afspejle modellens sikkerhed på tværs af de givne muligheder, men de er ikke en garanti for, at det valgte svar er korrekt.
De opgavetyper, der er rapporteret, omfatter ja/nej-spørgsmål, multiple choice, vurderinger, klassificering og bedømmelse ud fra en rubric – altså et sæt vurderingskriterier.
6
22 Det beskriver, hvilke slags beslutninger modellen er tænkt til at understøtte. Udviklere bør stadig tjekke den aktuelle dokumentation for det præcise input- og outputformat, deres løsning kræver.
Et supportsystem kunne for eksempel få en liste over kategorier og bruge modellens scores til at vælge, hvor en henvendelse skal sendes hen. En AI-agent kunne tilsvarende bruge dem til at vælge mellem at handle, prøve igen eller bede et menneske om hjælp. Det er mulige måder at bygge arbejdsgange på – ikke dokumentation for en bestemt, målt forbedring af hastigheden fra start til slut.
Hvorfor vælge en beslutningsmodel frem for en chatmodel?
Mange trin i et softwaresystem kræver et struktureret valg, ikke et afsnit tekst. En model, der er lavet til at score et afgrænset sæt muligheder, kan levere et resultat, som en applikation kan bruge direkte. Microsoft beskriver Decision-1 som en model til beslutnings- og klassificeringsopgaver, herunder videresendelse og evaluering.
1
Den specialisering sætter også grænser for, hvad modellen er egnet til: Den erstatter ikke en model, der skal forklare et svar, skrive indhold eller føre en åben samtale. I praksis kan en virksomhed bruge en tekstgenererende model til indhold og en beslutningsmodel til en snæver opgave, som at vælge en kategori eller vurdere mulige svar.
Modelgrundlag, adgang og pris
Microsoft oplyser, at Decision-1 bygger på Alibaba-modellen Qwen3.5-9B, som er blevet videreuddannet til at score beslutninger.
1 Ifølge virksomhedens lanceringsindlæg er modellen tilgængelig som offentlig forhåndsvisning i Microsoft Foundrys modelkatalog.
1
Den offentliggjorte pris er 0,042 dollar pr. million inputtokens. Outputtokens er gratis.
11 Om prisen er attraktiv, afhænger af den konkrete brug – blandt andet hvor meget kontekst systemet sender med, og hvor ofte det skal træffe en beslutning.
Hvad viser Microsofts testresultater – og hvad viser de ikke?
Microsoft oplyser, at Decision-1 opnåede den bedste placering i virksomhedens sammenligning på tværs af 36 benchmarks med næsten 150.000 spørgsmål. Microsoft rapporterer også, at modellen havde 4,5 gange lavere latenstid end Quyet-1.0-Large og 35 gange lavere latenstid end GPT-6 Sol i virksomhedens test.
12
5
Det er resultater, Microsoft selv har offentliggjort; de bekræfter ikke uafhængigt, at Decision-1 vil være hurtigere eller mere præcis i alle applikationer. Benchmarkresultater afhænger blandt andet af opgaverne, modellerne, der sammenlignes, og testopsætningen. Før en virksomhed bygger en vigtig arbejdsgang på modellen, bør den afprøve den på egne data og måle både kvaliteten af beslutningerne, svartiden og konsekvenserne af fejl.
Grundideen er enkel: Når opgaven er at vælge mellem et begrænset antal svar, kan en model, der er bygget til netop det, være et alternativ til en model, der genererer tekst. Om den er nyttig i praksis, afhænger af, hvor pålideligt den løser de konkrete beslutninger, applikationen stiller den over for.