StartseiteArtikel

Jev wird erneut ins Visier genommen, das neue Entscheidungsmodell von Microsoft ist erschienen, es ist doppelt so schnell und erreicht die absolute Spitzenposition bei der Genauigkeit.

智东西2026-11-18 09:59
Innerhalb von 40 Tagen wurden zwei Entscheidungsmodelle nacheinander veröffentlicht.

Nachricht von Zhidongxi vom 18. November: Heute hat Microsoft das neue Generation Entscheidungsmodell Microsoft-Decision-1.1 veröffentlicht. In der Rangliste des Artificial Analysis Entscheidungsindex erzielte Microsoft-Decision-1.1 68 Punkte, belegte den 8. Platz, liegt 6 Punkte über dem ersten Entscheidungsmodell von Microsoft und übertrifft Jev 1.14, Googles Gemini Decision 1 sowie das Entscheidungsmodell GPT-6 Luna von OpenAI.

Am 10. Oktober hat Microsoft sein erstes eigenes Entscheidungsmodell Microsoft-Decision-1 vorgestellt. Laut Microsoft verfügt Microsoft-Decision-1.1 im Vergleich zum Vorgängermodell über eine höhere Intelligenz und genauere Kalibrierungsfähigkeit, die Rechengeschwindigkeit ist mehr als verdoppelt und die Kosten sind niedriger.

Neben den Entscheidungsmodellen hat Microsoft auf der Ignite-Konferenz zudem die Programmiermodelle MAI Code 2 und MAI Code 2 Flash vorgestellt, die speziell für alltägliche Codieraufgaben in Unternehmen entwickelt wurden, sowie die neuen Modelle Code 2 und Code 2 Flash für Programmierung und Cybersicherheit. Bei drei Codierungs-Benchmarks, die alltägliche hochvolumige reguläre Codieraufgaben messen, ist die Leistung von MAI Code 2 Flash mit GPT-6 Luna und Claude Haiku 5.5 vergleichbar, die Kosten betragen nur 65 % bzw. 20 % von diesen.

Das neue Generation Entscheidungsmodell unterstützt nun Multimodalität und kann Bilder verarbeiten. Bei der Preisgestaltung in Microsoft Foundry kostet eine Million Eingabe-Tokens 0,042 USD (ca. 0,28 RMB), die Ausgabe ist kostenlos.

Laut Microsoft zielen seine Entscheidungsmodelle darauf ab, kalibrierte Entscheidungen unter Unsicherheit bei verschiedenen realen Software-Anwendungsfällen zu treffen. Sie wählen aus zulässigen Aktionen innerhalb der von Entwicklern festgelegten Einschränkungen aus und geben kalibrierte Konfidenzwerte aus, damit Anwendungen bei hoher Unsicherheit verzögerte Entscheidungen treffen können.

Da diese Modelle auf Entscheidungsaufgaben spezialisiert sind, arbeiten sie im Vergleich zu allgemeinen großen Sprachmodellen bei der Bearbeitung von entscheidungsbezogenen Aufgaben deutlich schneller und sind kostengünstiger.

Microsoft hat gemeinsame Innovationen in den Bereichen Latenz, Kosten, Intelligenz und Kalibrierung durchgeführt:

Latenz: Entscheidungsmodelle müssen in Echtzeit ausgeführt werden, selbst bei der Verarbeitung komplexer Anfragen mit langen Eingaben und Hunderten von Fragen. Im Gegensatz zu herkömmlichen Inferenz-Engines für große Sprachmodelle, die auf eine Textgenerierung Token für Token optimiert sind, verwendet Microsoft-Decision-1.1 einen angepassten Inferenz-Engine, der auf die Rechenanforderungen von Entscheidungsmodellen optimiert ist.

Kosten: Der angepasste Inferenz-Engine von Microsoft erreicht eine Kostenoptimierung durch die effiziente Zuweisung von Anfragen in GPU-Clustern, anstatt nur auf niedrige Latenz abzuzielen. Er basiert auf dem mittelgroßen Mixture-of-Experts-Modell Gemma 4 26B A4B. Gemma 4 26B A4B verfügt über genügend aktive Parameter, um die für Entscheidungen erforderliche Intelligenz bereitzustellen, und ist gleichzeitig effizient genug, um auf einer Vielzahl von flexibel konfigurierten Hardware wie A100, H100/200 und GB200/300 ausgeführt zu werden.

Intelligenz: Entscheidungsmodelle müssen klein genug gehalten werden, um in allen Szenarien ausgeführt zu werden, gut auf neue oder unbekannte Aufgaben generalisieren zu können und speziell trainiert zu werden, um Entscheidungen zu treffen. Um dieses Ziel zu erreichen, kombiniert Microsoft überwachtes Fine-Tuning mit Reinforcement Learning und nutzt Hunderte von synthetischen und lizenzierten Datensätzen, die zehntausende Aufgabentypen aus zahlreichen Branchen abdecken, um das Modell darin zu trainieren, Urteile zu fällen statt Antworten auswendig zu lernen, sodass das Modell hochgradig ähnliche Optionen unterscheiden, Unsicherheiten erkennen und klar bestimmen kann, wann es antwortet und wann es die Antwort verweigert.

Kalibrierung: Microsoft hat das Modell trainiert, seine eigenen kognitiven Grenzen zu erkennen, konsistente Antworten in ähnlichen Szenarien zu geben, den Konfidenzwert seiner Antworten genau anzugeben, den Konfidenzwert aufzuteilen, wenn mehrere gültige Antworten vorliegen, und die Antwort zu verweigern, wenn die Informationen unvollständig sind. Entwickler können selbst Schwellenwerte für Entscheidungen, Markierungen oder Eskalationsbehandlungen festlegen.

Neben Dritttests hat Microsoft Microsoft-Decision-1.1 an 102 Benchmarks ausgewertet, die mehr als 385.000 Fragen umfassen, die während der Trainingsphasen nicht berührt wurden, und die Testaufgaben decken mehrere Bereiche wie Routing, Sortierung, langer Kontext, Mehrsprachigkeit, Aufgaben außerhalb der Verteilung, Inferenz und Sicherheit ab.

Microsoft-Decision-1.1 erreicht unter 8 Entscheidungsmodellen die höchste durchschnittliche Genauigkeit und liegt in 7 von 9 Fähigkeitskategorien an der Spitze.

Nach etwas mehr als fünf Wochen seit der Einführung haben bereits mehr als 4000 Kunden die Entscheidungsmodelle von Microsoft verwendet, um verschiedene Aufgaben zu erledigen, darunter Modellrouting, Kundensupport-Umleitung, Automatisierung von Geschäftsprozessen, Kennzeichnung und Klassifizierung. Zu den frühen Anwendern gehören Epic, Equinor, Atos Group und die Raiffeisen Bank Österreich.

Gleichzeitig integriert Microsoft die spezielle Intelligenz von Microsoft-Decision-1.1 in verschiedene Produkte, um schnelle und effiziente Entscheidungen zu treffen, während größere Modelle für komplexere Aufgaben reserviert bleiben.

In Copilot leitet Microsoft-Decision-1.1 Benutzeranfragen an geeignete Interaktionsszenarien weiter und beurteilt, ob Copilot oder Cowork die Aufgabe am besten bearbeitet. Die Genauigkeit dieser Entscheidung entspricht der von großen Sprachmodellen, die Verarbeitungsgeschwindigkeit ist 2,2-fach höher und die Kosten betragen etwa 1/4 des letzteren.

In Cowork unterstützt dieses Modell Auto und passt dynamisch den Inferenzaufwand an, den Cowork für jede Aufgabe aufbringt.

Schlussfolgerung: Microsoft-Modelle sind eng mit eigenen Produkten verbunden

und könnten einen differenzierten Weg einschlagen

Im Unterschied zu anderen führenden Modellanbietern besteht der Unterschied von Microsoft darin, dass die Modelle eng mit eigenen Produkten wie GitHub Copilot, Foundry und dem Copilot-Workflow verbunden sind, und die Modellfähigkeiten direkt in vorhandene Büro- und Entwicklungszugänge eingebettet sind, anstatt APIs separat zu verkaufen.

Dies bedeutet, dass Unternehmen ein vollständiges Schema direkt in bestehende Prozesse integrieren können, mit klaren Compliance-Grenzen und geringeren Einstiegskosten.

Quelle: Microsoft

Dieser Artikel stammt aus dem WeChat-Offiziellen Konto "Zhidongxi", Autor: CHENG Xi, Redakteur: LI Shuiqing, veröffentlicht mit Genehmigung von 36Kr.