Microsoft-Decision-1: ein 9B-Bewertungsmodell, das Wahrscheinlichkeiten statt Text liefert
Victoria Shinder2 Min. LesezeitMicrosoft hat am 10. Oktober Microsoft-Decision-1 vorgestellt, ein Modell für eine eng umrissene Aufgabe: Es bekommt eine feste Menge von Optionen und liefert in einem Durchgang für jede eine kalibrierte Wahrscheinlichkeit. Verfügbar ist es in Microsoft Foundry und über OpenRouter. Der Preis: 0,042 US-Dollar pro Million Eingabetokens, Ausgabetokens kostenlos — folgerichtig bei einem Modell, dessen Ausgabe aus ein paar Zahlen besteht.
Was darunter steckt. Laut Beitrag ist es Qwen3.5-9B, nachtrainiert für schnelles Bewerten in einem Durchgang; später soll es auch auf andere Modelle aufsetzen, darunter Microsofts MAI-Modelle und OpenAI. Unterstützt werden Ja/Nein, Mehrfachauswahl, Bewertungsskalen und das Benoten von KI-Antworten und Agentenaktionen nach Rubrik, alles über einen strukturierten API-Aufruf.
Warum ein eigenes Modell. Microsoft argumentiert mit Latenz in Agenten-Workflows: Kosten 20 aufeinanderfolgende Entscheidungen je 100 Millisekunden mehr, verlängert sich der Ablauf um zwei Sekunden. Eine Anfrage weiterleiten, entscheiden, ob ein Agent weitermacht, es erneut versucht oder abgibt, Feedback etikettieren, eine Antwort nach Rubrik beurteilen — das ergibt eine Wahl, keinen Text. Ein generatives Modell schreibt dafür, was ein Bewerter einfach ausrechnen könnte.
Die Angaben — und von wem sie stammen. Alle folgenden Zahlen kommen aus Microsofts eigener Auswertung zum Start. Höchste Genauigkeit in einem Vergleich über 36 Benchmarks mit fast 150.000 Fragen, die vom Training ferngehalten wurden, gegen öffentliche Modelle der JevBench-Rangliste. Das schnellste gemessene Modell: 2,5-mal schneller als H2O-Lightning-4B v1.1 auf Platz zwei, mediane Latenz etwa 35-mal niedriger als bei GPT-6 Sol. Zur Konsistenz: Acht Arten, dieselbe Anfrage zu verändern — Umformulierung, Umsortierung, neue Schlüssel, Formatierungsrauschen —, kippen die Entscheidung im Schnitt in 1,3 % der Fälle, nie bei umformulierten Optionsbeschreibungen oder vertauschten Optionen. Zur Sicherheit: 5.250 Anfragen aus 11 Benchmarks zu schädlichen Inhalten, Jailbreaks und Prompt Injection, ohne einzelne Kennzahl im Beitrag.
Interne Einsätze: Xbox Research ordnete über 10.000 Spielerrückmeldungen festen Themen zu, mit einer Qualität, die Microsoft als vergleichbar mit GPT-6 Sol bezeichnet, über 14-mal schneller und 200-mal billiger; das Copilot-Team fand es beim Bewerten von Antworten vergleichbar mit GPT-5.6 Luna bei hundertfachem Tempo.
Wie man das lesen sollte. Entscheidend ist die Kalibrierung, denn Anwendungen nutzen die Wahrscheinlichkeit, um zu entscheiden, wann sie handeln und wann sie einen Menschen fragen — Microsofts eigenes Beispiel: Ein Wert von 90 % sollte etwa neun von zehn Mal stimmen. Der Beitrag zeigt Kalibrierungsdiagramme, eine unabhängige Prüfung gibt es noch nicht. Wer das Modell in den Weiter-oder-Stopp-Schritt eines Agenten einbaut, sollte die Kalibrierung an eigenen, gelabelten Fällen messen, bevor er einer Schwelle vertraut. Der Beitrag nennt sechs konkurrierende Entscheidungsmodelle beim Namen — ein brauchbarer Ausgangspunkt für diesen Vergleich.
Quelle: Microsoft Command Line, Introducing Microsoft-Decision-1, 10. Oktober 2026 — https://commandline.microsoft.com/microsoft-decision-1-model-foundry/