Microsoft запустила Microsoft-Decision-1 — модель, быстрее GPT-6 Sol в 35 раз

Microsoft представила Microsoft-Decision-1, специализированную модель, которая не поддерживает беседу и не пишет текст. Её работа — оценить заранее заданные варианты ответа или действия и выбрать подходящий. По данным компании, в тестах на принятие структурированных решений задержка ответа у неё в 35 раз меньше, чем у OpenAI GPT-6 Sol. Назначение: классификация информации, проверка результатов и управление рабочими процессами.

Что именно делает модель

Привычная языковая модель получает запрос и генерирует ответ токен за токеном. Microsoft-Decision-1 устроена под другую задачу: ей на вход подают контекст и список допустимых исходов, а на выходе нужен выбор. Например, к какой категории отнести обращение, пропускать ли результат дальше по цепочке или отправить на доработку, какой шаг выполнить следующим.

Такие операции в корпоративных системах встречаются на каждом углу. Раньше их часто поручали большой универсальной модели, хотя ответ там умещается в одно слово или номер варианта. Decision-1 отвечает именно на этот сценарий.

Что известно по цифрам

В опубликованных данных названо немного параметров:

• класс модели: специализированная, оценивает заданные варианты, диалог не ведёт;
• главная метрика: задержка ответа ниже в 35 раз относительно OpenAI GPT-6 Sol;
• условия сравнения: тесты на принятие структурированных решений;
• задачи: классификация информации, проверка результатов, управление рабочими процессами;
• источник цифр: данные самой Microsoft.

Чего в сообщении нет: числа параметров, цены, формата доступа, показателей точности. Для решения о внедрении как раз они важнее всего. Скорость без качества выбора ничего не гарантирует.

Откуда берётся 35-кратный разрыв и как его читать

Правдоподобное объяснение лежит в самой постановке задачи. Если модели не нужно формировать развёрнутый текст, а достаточно оценить конечное число вариантов, расчёт получается короче. Большой генеративной модели приходится тратить вычисления на универсальность, которая в таком сценарии не нужна. Это вывод из логики задачи, а не раскрытая Microsoft архитектура.

Поэтому сравнение стоит читать с оговорками. Узкую модель проверяют на задаче, под которую она создана, а универсальную флагманскую модель берут как эталон. Разрыв в задержке при этом ожидаем. Остаются вопросы: насколько совпадают решения двух моделей, как Decision-1 ведёт себя на данных вне тестового набора и что происходит, когда подходящего варианта в списке нет. Независимых замеров пока нет.

Показательно и само направление. Рынок движется от одной большой модели «на всё» к связке: крупная модель планирует и рассуждает, а компактные специалисты быстро выполняют рутинные развилки. Для агентных систем это критично, потому что агент делает десятки мелких проверок на каждый запуск, и задержка каждой из них суммируется.

Где это пригодится на практике

Первые кандидаты на применение очевидны:

• маршрутизация обращений и документов по категориям;
• проверка выходов другой модели перед отправкой пользователю: соответствует ли ответ формату и правилам;
• выбор следующего шага в автоматизированном процессе, где набор действий заранее известен.

Командам, которые строят агентные цепочки, стоит посмотреть на свои логи и найти вызовы большой модели, где ответ сводится к выбору из нескольких вариантов. Именно их есть смысл тестировать на специализированной модели. Сравнивать нужно три параметра: задержку, долю совпадений с эталонной разметкой и стоимость вызова. Пока Microsoft не опубликовала цену и условия доступа, считать выгоду рано. Но заявка понятна: быстрые решения в больших системах не обязаны стоить как полноценный диалог с флагманом.