Microsoft anunciou o lançamento do Microsoft-Decision-1, modelo de pontuação de decisão baseado no Qwen3.5-9B, disponível no Microsoft Foundry com chegada em breve ao OpenRouter. O custo é de US$ 0,042 por milhão de tokens de entrada, com saída gratuita.
Onde a cobertura diverge
O IT Home dedicou maior espaço aos resultados técnicos de benchmark, destacando que o Microsoft-Decision-1 liderou em 36 testes com quase 150 mil etapas de treinamento isolado e detalhou o preço de US$ 0,042 por milhão de tokens de entrada com saída gratuita, além de afirmar que seu desempenho supera large language models e modelos de decisão tradicionais. O Blognone focou na comparação direta com o modelo Jev, reportando acurácia média de 83,5% (superior a 79,4% do GPT-6 Luna Decision da OpenAI) e enfatizando que é 14 vezes mais rápido e 200 vezes mais barato que o Jev, além de observar que o treinamento foi equilibrado para velocidade e versatilidade. Já o Digital Today deu prioridade às aplicações práticas dentro da ecossistema Microsoft, descrevendo como o modelo produz saídas estruturadas para uso imediato em softwares e detalhando seu uso pelo time do Xbox na classificação de feedback de jogadores e pelo time do Copilot na avaliação de respostas, além de mencionar os planos para versões futuras baseadas em modelos MAI e OpenAI.
Características técnicas e disponibilidade
O Microsoft-Decision-1 é um modelo de pontuação de decisão projetado especificamente para tarefas de decisão estruturada, diferentemente de large language models que geram texto ou raciocinam sobre problemas complexos. Ele processa entradas para retornar pontuações calibradas em roteamento, classificação, verificação, controle de agentes, priorização e controle de fluxo de trabalho, aceitando requests do tipo sim/não, múltipla escolha e pontuação, enquanto apresenta também probabilidades para cada opção de resposta. Desenvolvido por meio de pós-treinamento no modelo de código aberto Qwen3.5-9B, está disponível no Microsoft Foundry com chegada prevista em breve ao OpenRouter. O custo de operação é de US$ 0,042 por milhão de tokens de entrada, com tokens de saída gratuitos, conforme reportado pelo IT Home e Blognone. Em avaliações de segurança realizadas pela Microsoft em 11 benchmarks totalizando 5.250 requests, o modelo demonstrou eficácia no bloqueio de conteúdo prejudicial, tentativas de jailbreak e injeções de prompt, mantendo simultaneamente elevada taxa de usabilidade, segundo o mesmo IT Home.
Aplicações iniciais e planos futuros
Conforme relatado pelo Digital Today, o time de pesquisa do Xbox utilizou o Microsoft-Decision-1 para classificar mais de 10 mil peças de feedback coletados de pesquisas, plataformas Steam e rede social X por tópico específico, obtendo qualidade de classificação similar ao modelo GPT-6 Sol em avaliações qualitativas. O mesmo time do Copilot aplicou o modelo na avaliação da qualidade de respostas geradas por sistemas de IA em contextos reais, alcançando desempenho comparável ao GPT-5.6 Luna enquanto operava com 100 vezes mais velocidade e custos reduzidos a aproximadamente 1/200 do custo do GPT-6 Sol. O Blognone acrescenta que testes realizados com diversos benchmarks de decisão confirmaram que o modelo não apresenta sobre-especialização em uma única função, mantendo um equilíbrio entre velocidade de processamento e precisão de saída, algo destacado como relevante para aplicações versáteis. Quanto ao futuro, tanto o Digital Today quanto o Blognone indicam que a Microsoft pretende lançar versões subsequentes do Microsoft-Decision-1 baseadas em seus próprios modelos de linguagem MAI (Microsoft AI) e em tecnologia da OpenAI, embora a versão inicial continue utilizando o Qwen3.5-9B como base de treinamento, com planos de migração adaptação para essas arquiteturas em etapas posteriores.
O que ainda não foi divulgado
Não foram informados pela Microsoft datas específicas para a disponibilidade do Microsoft-Decision-1 no OpenRouter nem cronogramas detalhados para o lançamento das versões baseadas em modelos MAI e OpenAI. Além disso, os materiais não revelaram os resultados numéricos completos dos 36 benchmarks de desempenho ou os detalhes exatos do processo de pós-treinamento aplicado ao Qwen3.5-9B para alcançar as melhorias de latência afirmadas.
