微软做了一个让整个AI圈必须停下来思考的选择。
10月9日，这家每年在OpenAI身上投入上百亿美元的公司，发布了一款名为Microsoft-Decision-1的决策模型。跑分亮眼——在36项基准测试中取得最高平均准确率83.5%，响应速度比OpenAI的GPT-6 Sol快35倍，比TypeSafe AI旗下的热门决策模型Jev 1.13.0快约2.8倍。但最刺眼的信号不在跑分里，而在模型底座：它不是基于微软倾注了数百亿美元的OpenAI模型打造，而是来自阿里巴巴的开源模型Qwen3.5-9B。
微软不是在做一个技术Demo。它在认真思考一件事：当需要AI做快速、低成本的结构化决策时，到底该用谁的模型？而答案，比很多人预想的要诚实得多。
一个被忽视的新品类，正在悄然爆发
Microsoft-Decision-1不是聊天助手。它是一个决策评分模型：接收一段文本或JSON，针对一组预设选项输出校准过的概率评分——A选项70%、B选项20%、C选项10%。适合的场景包括文本分类、意图识别、客服路由、内容审核，以及AI Agent的工作流控制。
这是AI从“表现智能”走向“系统组件”的必然结果。企业客户需要的不是生成一段漂亮文字，而是在每个业务节点上做对判断——这封邮件该分给客服A还是客服B？这个交易有风险还是安全？这个用户意图是“查询”还是“投诉”？这类场景需要的是速度、成本和准确性，而非创造性。
决策模型正是为此而生。微软将25个生产级决策任务引入红队测试系统，同时内部多个AI系统的核心流程也全面转向了决策模型方案。微软副总裁Achint Srivastava在官方博客中写道：“决策模型正在迅速崛起为AI领域的一个重要新品类。”
而微软切入这个新品类的第一个动作，就选了一条出人意料的路径。
微软为什么选阿里Qwen，而不是自己的OpenAI？
技术维度：9B参数的性价比剪刀差
Qwen3.5-9B是阿里千问团队2026年3月开源的小尺寸模型之一。9B参数在今天的大模型生态里只能算轻量级，但关键在于它的设计目标——紧凑尺寸，越级性能。在C-Eval、MMLU等基准上，Qwen3.5-9B的表现足以媲美部分百亿级参数模型。
但对微软来说，跑分不是决定性因素。决策模型需要的是单次前向推理的极速评分能力，而不是多轮对话或复杂推理。9B参数意味着推理成本极低、延迟极短。微软对Qwen3.5-9B进行后训练后，实现了p50延迟85毫秒的成绩——这比排名第二的Quyet-1.0-Large快4.5倍，比Jev 1.13.0快2.8倍，比OpenAI的GPT-6 Sol快35倍。
换言之，微软选择的不是最强的通用模型，而是决策任务性价比最高的基座。这不是微软第一次这么选——亚马逊同日发布的Strands Decider 2B、Perplexity的Decider v1 27B（基于Qwen3.8-27B微调），都在证明同一个趋势：要造一款“又快又省的决策车”，开源小模型是目前最好的底盘。
商业维度：“多底座”战略的深意
微软是OpenAI最大单一投资方，累计投入超过130亿美元，持有约27%的股份。从Azure OpenAI Service到Copilot全家桶，微软几乎把生成式AI的赌注都押在了OpenAI身上。但在决策模型这个新赛道上，微软没有等自有模型，而是直接用了竞品。
原因很直接。OpenAI有自己的决策模型——2026年发布的Luna决策端点。但定价上，Luna每百万输入Token收费0.10美元，是Microsoft-Decision-1的2.38倍；性能上，Decision-1不仅准确率领先4.1个百分点，延迟更是碾压级优势。微软自己的模型比OpenAI更便宜、更快、更准——而这个模型底层竟来自阿里。
更深层的逻辑在于供应链安全。Qwen3.5-9B采用Apache 2.0协议开源，微软可以自由后训练、微调、部署，上架到Azure Foundry作为微软自有品牌直接销售。微软官方已明确表示，未来版本将迁移适配至包括Microsoft AI和OpenAI在内的其他底座模型。这意味着Decision-1的架构是一个“多基座兼容”架构——先用Qwen跑通产品逻辑，以后随时可换。
这种策略在微软内部被称为“多底座”战略。它的潜台词是：没有哪个模型是不可替代的，包括OpenAI的。
竞争格局：从Jev到Qwen，一场“系统一”模型竞赛
Microsoft-Decision-1不是孤立事件。2026年9月至10月，决策模型赛道突然变得拥挤。
9月15日，TypeSafe AI发布Jev，首次提出“System One模型”概念——专门做快速结构化判断、不生成文本的AI品类。Jev基于Kahneman的“系统一/系统二”理论完成品牌叙事，迅速引爆开发者社区。OpenAI随后推出Luna决策端点，Cloudflare、Liquid AI、Perplexity、Snowflake、H2O.ai相继跟进。
值得注意的是，Perplexity的Decider v1 27B同样基于Qwen系列微调而成，采用Apache 2.0协议开源。阿里Qwen的开源小模型，正在成为决策模型赛道最受欢迎的基座——不是因为它最聪明，而是因为它最“好用”：参数适中、推理快、成本低、开源可定制。
定价更是直接打到了“行业地板”级别：每百万输入Token仅0.042美元，输出免费。作为对比，同行定价通常在0.04至0.30美元之间。
83.5%背后的盲区
Microsoft-Decision-1并非无懈可击。83.5%的准确率意味着仍有近17%的错误率。在容错率极低的场景——如金融交易审核、医疗决策辅助——这个缺口可能是灾难性的。
校准度方面Decision-1以92.2分排名第三，落后于Jev的93.7和Quyet-1.0-Large的93.1。微软在官方文档中承认，决策模型仍可能产生分类或判断错误，建议客户部署前用自己的数据验证模型的校准效果。
另一个值得警惕的信号来自第三方研究。南加州大学团队近期发表的论文JevOut发现，短而自然的对抗性扰动可使Jev 508个初始正确决策中的312个被翻转。微软虽然对Decision-1进行了8种扰动类型的对抗性测试（平均决策改变率仅1.3%），但JevOut并未覆盖Decision-1。其在对抗攻击下的真实鲁棒性，仍有待独立验证。
此外，所有跑分来自微软内部，尚无独立的第三方基准对Decision-1进行复现验证。这在决策模型这样一个刚兴起品类中，是一个不能忽视的局限。
当AI从“说什么”进化到“做什么”
微软做出Decision-1的决定，至少传递了三层信号。
短期内，它是企业决策AI的一个性价比标杆——最高基准准确率、最低延迟、每百万Token仅0.042美元。对于任何有高频判断需求的企业来说，这个成本结构会直接冲击以往的方案选择。
中期看，它是“多底座”战略的一次成功验证——微软证明了自己可以在不依赖OpenAI的情况下，在特定品类上做出竞争级产品。对微软与OpenAI之间那笔130亿美元的投资关系而言，天平正在从“独家绑定”走向“供应商之一”。
长期看，决策模型这个品类正在改写AI的商业化逻辑。当AI从“问答机器人”进化为“系统组件”，模型选型的标准将从“谁的benchmark最高”转向“谁的单位决策成本最低”。在这个新标准下，开源小模型的竞争力远超千亿参数的大模型——因为企业不需要AI写诗，它需要AI做对判断。
微软用阿里的模型做出了自己的决策AI。这件事本身就是对当下AI行业分工的一个隐喻：在未来的AI产业链上，模型底座公司和产品公司之间的距离，可能比我们现在以为的要远得多。当AI终于开始“做事”而非“说话”时，最大的商业判断或许不是选谁，而是承认没有谁能通吃一切。
快报