Microsoft-Decision-1 note des choix au lieu d'écrire du texte

Microsoft a publié Microsoft-Decision-1 le 9 octobre 2026, un modèle qui choisit entre des réponses fixes au lieu d'écrire du texte. Une application lui donne une question et un ensemble d'options, et il renvoie une probabilité pour chaque option. Il est conçu pour les décisions rapides de type oui ou non et choix unique que les agents d'IA prennent de nombreuses fois par jour. Il coûte 0,042 dollar par million de tokens en entrée dans Microsoft Foundry, la plateforme de Microsoft pour créer des applications d'IA, et la sortie est gratuite.

Ce que fait Decision-1

Un modèle de chatbot répond en texte libre, qu'une application doit ensuite lire et analyser. Decision-1 évite cette étape. Il prend un ensemble fixe d'options de réponse et renvoie « une probabilité calibrée pour chacune en une seule passe », selon Microsoft, cité par InfoWorld. Une seule requête peut noter plusieurs décisions à la fois.

Microsoft cite ces types de questions :

• Oui ou non : faut-il donner suite à cette demande ?
• Choix multiple : quelle équipe doit traiter ce ticket ?
• Notes : à quel point cet incident est-il urgent ?
• Évaluation selon une grille : une réponse d'IA, ou l'action d'un agent, respecte-t-elle un ensemble de règles ?

Les usages suggérés incluent le routage, la classification, la priorisation, la vérification et le pilotage des workflows d'agents. TestingCatalog ajoute l'annotation de données, l'évaluation par IA, la pertinence de recherche et le filtrage de sécurité.

Le modèle est issu d'un post-entraînement de Qwen3.5-9B, un modèle à poids ouverts de l'équipe Qwen d'Alibaba, rapportent les deux médias. Microsoft prévoit de le reconstruire sur d'autres modèles de base, dont ses propres modèles MAI et ceux d'OpenAI. En septembre, nous avons examiné la quantité de mémoire que Qwen3.5-9B utilise par token.

Prix et disponibilité

Détail	Ce que disent les articles
Sortie	9 octobre 2026
Où	Microsoft Foundry
OpenRouter	« Bientôt disponible » au lancement, selon TestingCatalog ; disponible, selon InfoWorld
Prix en entrée	0,042 $ par million de tokens
Prix en sortie	Gratuit
Modèle de base	Qwen3.5-9B

InfoWorld détaille un exemple. Une décision avec 86 tokens en entrée et 2 tokens en sortie coûte environ 0,0000036 dollar. Cela représente plus de 275 000 décisions similaires pour 1 dollar.

Les performances annoncées par Microsoft

Tous les chiffres ci-dessous viennent de Microsoft. InfoWorld note qu'aucun n'a été vérifié de manière indépendante.

• Précision : la plus élevée sur 36 benchmarks, couvrant près de 150 000 questions exclues de l'entraînement. Aucun des deux médias ne nomme les modèles qu'il a battus.
• Vitesse : 35 fois plus rapide que GPT-6 Sol en latence médiane. Les deux articles divergent sur le deuxième. InfoWorld parle d'environ 2,5 fois plus rapide, tandis que TestingCatalog indique 4,5 fois plus rapide qu'un modèle appelé Quyet-1.0-Large.
• Cohérence : quand les entrées ont été modifiées de huit petites façons, ses décisions ont changé dans 1,3 % des cas en moyenne, selon TestingCatalog.
• Usage interne : Xbox Research a annoté plus de 10 000 retours avec ce modèle. Selon TestingCatalog, les résultats étaient compétitifs avec GPT-6 Sol, pour une vitesse plus de 14 fois supérieure et un coût 200 fois moindre.

Satya Nadella, CEO de Microsoft, a écrit que le modèle « surpasse à la fois les LLM et les autres modèles de décision en latence et en qualité ».

Les réserves

Decision-1 renvoie un score, pas une justification. Il n'explique pas pourquoi il a choisi une option, rapporte InfoWorld. La documentation de Microsoft avertit aussi que les résultats peuvent changer selon la formulation de la question.

« Ce qui m'inquiète, c'est qu'une probabilité d'apparence précise peut donner à une décision incertaine plus d'autorité qu'elle n'en mérite », a déclaré à InfoWorld Amit Kumar Jena, Development Manager for AI chez Kanerika.

Charlie Dai, Vice President et Principal Analyst chez Forrester, constate la demande. « Le routage, la classification et les contrôles d'approbation représentent souvent une grande part des interactions des agents », a déclaré Dai à InfoWorld.

Ce que cela signifie pour les développeurs

Pour les équipes qui créent des agents ou des workflows automatisés :

• Repérez vos appels à choix fermé. Cherchez les endroits où votre application demande à un grand modèle de choisir dans une liste, puis analyse la réponse. Ce sont ces appels que Decision-1 est conçu pour remplacer.
• Testez sur vos propres données. Tous les chiffres de benchmark viennent de Microsoft. Faites-lui traiter vos propres exemples annotés avant de lui faire confiance en production.
• Fixez des seuils, puis vérifiez-les. Une probabilité est facile à exploiter, mais elle peut sembler plus sûre qu'elle ne l'est. Décidez quel score déclenche une action, et envoyez les cas limites à une personne ou à un modèle plus grand.
• Consignez vos formulations. Les résultats peuvent varier selon la façon dont une question est posée. Gardez vos prompts sous contrôle de version pour qu'un changement de formulation ne modifie pas le comportement en silence.
• Surveillez le modèle de base. Microsoft prévoit de faire passer Decision-1 sur d'autres modèles. Relancez vos tests quand ce sera le cas.