Microsoft rilis Microsoft-Decision-1, model keputusan berbasis Qwen3.5-9B

Microsoft merilis Microsoft-Decision-1 pada 9 Oktober 2026 dan menempatkannya di Microsoft Foundry serta OpenRouter. Perbedaan utamanya dengan model bahasa biasa terletak pada bentuk keluaran: diberi sebuah situasi dan pertanyaan dengan daftar pilihan jawaban yang tetap, model ini mengembalikan probabilitas terkalibrasi untuk setiap pilihan, bukan menghasilkan teks bebas. Dengan begitu hasilnya bisa langsung dipakai sistem lain tanpa perlu mengurai kalimat.

Model ini dibangun dari basis bobot terbuka Qwen3.5-9B milik Alibaba yang dilatih ulang oleh Microsoft. Menurut keterangan perusahaan, data latihnya berasal dari kumpulan data publik yang melewati proses Open Data Microsoft ditambah data sintetis buatan tim internal. Microsoft juga menyatakan akan mengganti basisnya ke model lain di kemudian hari, termasuk model MAI dan model dari OpenAI, sehingga posisinya lebih sebagai lapisan keputusan yang bisa dilepas pasang di atas berbagai basis model.

Sasaran pemakaian yang disebutkan Microsoft cukup spesifik: perutean permintaan ke model atau tim yang tepat, klasifikasi, penentuan prioritas, verifikasi, dan pengendalian alur kerja agen. Model ini juga mendukung abstain eksplisit, artinya ia boleh menjawab tidak dapat ditentukan ketika bukti yang diberikan tidak cukup, dan bisa dipakai untuk menandai konten yang melanggar kebijakan. Pada pengujian keamanan, Microsoft menyebut model ini diuji pada 5.250 permintaan yang mencakup 11 tolok ukur, meliputi konten berbahaya, upaya jailbreak, dan prompt injection, dan dinilai tetap menolak permintaan berbahaya tanpa terlalu sering memblokir permintaan yang wajar.

Menariknya, Microsoft memakai model ini lebih dulu di dalam rumah sendiri. Tim insiden internal memakai AI untuk mengambil pengetahuan yang relevan dari log, sistem tiket, panggilan, dan pesan saat menangani gangguan layanan; menurut Microsoft, Microsoft-Decision-1 tampil lebih baik dan lebih cepat daripada model bahasa besar untuk tugas pengambilan pengetahuan itu. Kasus internal lain yang disebut adalah penilaian relevansi hasil pencarian, klasifikasi dan penyaringan konten, serta pemindaian kode untuk menandai cacat atau pelanggaran kebijakan.

Untuk keperluan praktis, pola ini layak dicoba pada alur kerja yang selama ini bergantung pada model bahasa besar untuk tugas yang sebenarnya hanya butuh jawaban ya atau tidak. Agen layanan pelanggan di perbankan, misalnya, perlu memutuskan apakah sebuah percakapan harus diteruskan ke manusia, apakah suatu permintaan termasuk indikasi penipuan, atau apakah jawaban yang disusun sudah didukung dokumen. Untuk tugas seperti itu, model penilai keputusan jauh lebih murah dan lebih mudah diaudit. Yang tetap perlu dilakukan sebelum dipakai di produksi adalah menguji kalibrasi probabilitasnya pada data sendiri, karena model ini dinilai ulang oleh pembuatnya dan belum tentu cocok dengan pola keluhan atau dokumen lokal.