Felo API PlatformFelo API Platform
返回模型列表

Microsoft-Decision-1 API

微軟推出的決策模型,接收文字與固定選項,單次回傳每個選項的校準機率。

Microsoft-Decision-1 是微軟為結構化決策打造的模型,輸入文字與一組固定答案選項,單次執行即回傳每個選項的校準機率,輸出為軟體可直接使用的結構化結果,無需解析對話文字。它由阿里巴巴開源模型 Qwen3.5 進一步訓練而成,該模型有 90 億參數;微軟計畫日後以自家模型與 OpenAI 模型重建。

此模型適合路由、分類、優先排序、驗證、工作流程控制、AI 評審與代理控制等簡單且可重複的決策,例如判斷客服工單該交給哪個團隊、檢查代理動作是否安全執行,或評估草稿品質。微軟建議明確列出選項並附簡短描述、以數百個真實範例測試,並設定信心門檻,將低信心案例轉交人工處理。

微軟稱其為所測量過最快的模型,中位延遲約為 H2O Lightning 的 1/2.5、GPT-6 Sol 的 1/35。內部 Xbox Research 案例標註逾 10,000 筆玩家回饋,品質接近 GPT-6 Sol 且快 14 倍;Copilot 團隊發現它比 GPT-5.6 Luna 快約 100 倍;科學研究團隊發現其評分一致性比聊天模型做法高 46 倍,重新規劃快近 4 倍。所有基準與案例均由微軟自行選擇與執行,截至 2026 年 10 月 11 日尚無獨立評測。

更新時間:

模型 ID

microsoft-decision-1
上下文
32.768K
最大輸出
29.491K
輸入
text
輸出
decisions

核心要點

  • 單次回傳每個選項的校準機率
  • 結構化輸出,軟體可直接使用
  • 微軟稱其為所測量過最快的模型
  • 中位延遲約為 GPT-6 Sol 的 1/35
  • 以 Qwen3.5 進一步訓練而成
  • 適合簡單且可重複的決策

供應商

1 個供應商

比較不同供應商的呼叫價格,點擊供應商可查看完整費用和適用條件。

供應商 · 計費明細
可用率
$0.042$0

基準測試

  • 微軟內部 36 項基準比較

    涵蓋近 150,000 道未進入訓練資料的題目

    36
  • 與具名對手的準確率比較

    微軟自行宣稱;對手為 Quyet-1.0-Large、H2O Lightning 與透過 OpenAI Decisions API 使用的 GPT-6 Luna

    第 1

分數來自模型廠商公布的資料,未經獨立驗證。

決策快速開始

把狀態與明確的型別化問題送到 /api/v1/decisions,每個問題讀回一個答案:noul 回傳 0 到 1 的機率,choice 回傳選中的選項及其分布,score 回傳有序標準的數值評分。這個入口與 Chat Completions、Messages、Responses 三套介面彼此獨立。

curl https://openapi.felo.ai/api/v1/decisions \
  -H "Authorization: Bearer $FELO_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "microsoft-decision-1",
    "state": "Help! My payouts have been failing for 3 days.",
    "questions": {
      "is_urgent": {
        "type": "noul",
        "instructions": "Does this message convey urgency?",
        "criteria": {"true": "Time-sensitive", "false": "No urgency"}
      },
      "department": {
        "type": "choice",
        "instructions": "Which team should handle this?",
        "criteria": {
          "billing": "Payments, invoicing, refunds",
          "technical": "Bugs, outages, integrations",
          "sales": "Pricing, upgrades, new accounts"
        }
      },
      "frustration": {
        "type": "score",
        "instructions": "How frustrated is the customer?",
        "criteria": ["Calm", "Frustrated", "Very angry"]
      }
    }
  }'

常見問題

什麼是 Microsoft-Decision-1?

Microsoft-Decision-1 是微軟為結構化決策打造的模型,輸入文字與一組固定答案選項,單次執行即回傳每個選項的校準機率,輸出為軟體可直接使用的結構化結果,無需解析對話文字。它由阿里巴巴開源模型 Qwen3.5 進一步訓練而成,該模型有 90 億參數;微軟計畫日後以自家模型與 OpenAI 模型重建。 此模型適合路由、分類、優先排序、驗證、工作流程控制、AI 評審與代理控制等簡單且可重複的決策,例如判斷客服工單該交給哪個團隊、檢查代理動作是否安全執行,或評估草稿品質。微軟建議明確列出選項並附簡短描述、以數百個真實範例測試,並設定信心門檻,將低信心案例轉交人工處理。 微軟稱其為所測量過最快的模型,中位延遲約為 H2O Lightning 的 1/2.5、GPT-6 Sol 的 1/35。內部 Xbox Research 案例標註逾 10,000 筆玩家回饋,品質接近 GPT-6 Sol 且快 14 倍;Copilot 團隊發現它比 GPT-5.6 Luna 快約 100 倍;科學研究團隊發現其評分一致性比聊天模型做法高 46 倍,重新規劃快近 4 倍。所有基準與案例均由微軟自行選擇與執行,截至 2026 年 10 月 11 日尚無獨立評測。

如何計算呼叫費用?

費用取決於你使用的供應商、對應價格和實際用量。長文字輸入等情況可能適用不同價格,詳見計費明細。

支援哪些輸入與輸出?

輸入為文字加上一組固定答案選項,輸出為每個選項的校準機率,採結構化格式,軟體可直接使用。

適合哪些任務?

適合路由、分類、優先排序、驗證、工作流程控制、AI 評審與代理控制等簡單且可重複的決策,而非自由文字生成或對話。

與同系列模型有何差別?

它由 Qwen3.5 進一步訓練而成,專為結構化選擇設計;微軟計畫日後以自家模型與 OpenAI 模型重建。

如何部署?

可透過 Microsoft Foundry 使用,部署選項包括無伺服器按 token 計費的託管 API、美國與歐盟的 Data Zone Standard,以及 Global Standard。

有上下文長度限制嗎?

微軟尚未公布此模型的上下文視窗上限。

相關模型