Microsoft lança Decision-1, 35x mais rápido que LLMs

Introdução

Microsoft Decision-1 muda o jogo em decisões estruturadas, entregando latência até 35x menor que LLMs populares e desempenho líder em 36 benchmarks cegos. A proposta foca a palavra-chave Microsoft Decision-1 como alternativa precisa e barata para tarefas de classificação, roteamento e avaliação, sem a complexidade de gerar texto. O modelo chega ao Microsoft Foundry e ao OpenRouter, com preço de US$ 0,042 por milhão de tokens de entrada, e saída gratuita, um ponto de inflexão para apps e agentes. (commandline.microsoft.com)

Ao contrário de LLMs de propósito geral, a arquitetura foi pós-treinada para scoring de opções fixas em uma única passagem, devolvendo probabilidades calibradas por alternativa. Esse desenho atende fluxos que exigem decisões rápidas, repetíveis e rastreáveis, reduzindo custos e simplificando governança sem abrir mão de qualidade. (commandline.microsoft.com)

O que é o Decision-1 e por que importa

Microsoft Decision-1 é um modelo de decision-scoring. Dado um contexto e uma pergunta com opções fechadas, retorna um vetor de probabilidades calibradas para cada opção. Suporta formatos sim ou não, múltipla escolha, ratings e gradeamento por rubricas, o que encaixa bem em casos como avaliação de respostas de IA, controle de agentes e triagem operacional. O modelo foi pós-treinado a partir do Qwen3.5-9B para decisões em passagem única, e a Microsoft informa que pretende rebasear em outras famílias, incluindo Microsoft AI e OpenAI. (commandline.microsoft.com)

A diferença-chave está na previsibilidade. Em vez de gerar texto e exigir parsing, o retorno já vem estruturado com scores calibrados, permitindo thresholds, rotas de escalonamento e checagens de segurança de maneira determinística. Em cenários corporativos, esse formato facilita auditoria, SLOs e integração com filas e regras de negócio.

Desempenho, latência e qualidade sob teste

Benchmarks importam quando o assunto é decisão automatizada. No post oficial de lançamento de 9 de outubro de 2026, a Microsoft reporta que o Microsoft Decision-1 atingiu a maior acurácia em uma comparação com 36 benchmarks, cobrindo quase 150 mil questões, incluindo tarefas fora do conjunto de treinamento. Em latência, ficou 2,5x mais rápido que o segundo colocado H2O-Lightning-4B v1.1 e 35x mais rápido que GPT-6 Sol. (commandline.microsoft.com)

O time também mediu robustez contra perturbações comuns, como reformulação de instruções, inversão e embaralhamento de opções e ruído de formatação. A taxa média de troca de decisão foi de 1,3 por cento, com zero trocas quando as descrições das opções foram parafraseadas ou reordenadas. Essa estabilidade reduz incidentes de comportamento frágil em produção. (commandline.microsoft.com)

Outro pilar é a calibração de probabilidades. Em aplicações reais, a confiança informa o que automatizar, quando pedir revisão humana e quando adiar uma ação. Incorporar a probabilidade como parte do contrato de API simplifica o controle de risco, especialmente em agentes que tomam decisões encadeadas. (commandline.microsoft.com)

Disponibilidade, preço e onde usar

Microsoft Decision-1 está disponível agora no Microsoft Foundry, com onboarding empresarial, governança, faturamento unificado e catálogo de modelos, além de acesso via OpenRouter. O preço público anunciado é de US$ 0,042 por milhão de tokens de entrada, com tokens de saída gratuitos, o que torna viáveis pipelines onde cada milissegundo e cada decisão contam. (commandline.microsoft.com)

O cartão do modelo no catálogo do Foundry reforça a natureza de scoring calibrado, o suporte a perguntas de múltipla escolha e as aplicações em avaliação de IA, classificação, roteamento, segurança e groundedness, com contexto de até 32k tokens. Também explicita o que não é o escopo, por exemplo geração de texto, conversas abertas, tradução e sumarização. (ai.azure.com)

Para quem constrói agentes e apps com requisitos de confiabilidade e custo, esse perfil permite separar responsabilidades. Modelos generativos continuam fazendo criação e raciocínio aprofundado, enquanto o Decision-1 decide, classifica, avalia e encaminha sem adicionar latência desnecessária. (labs.ai.azure.com)

Casos de uso práticos que já funcionam

• Controles de agente. Avaliar a próxima ação proposta por um agente e decidir continuar, parar, refazer ou encaminhar para uma ferramenta, outro modelo ou humano. Isso evita loops improdutivos e reduz riscos de execuções incorretas. (commandline.microsoft.com)
• Roteamento de modelos. Diante de objetivos distintos de qualidade, custo e latência, selecionar o melhor modelo por solicitação. Em cargas de produção, isso melhora a previsibilidade do gasto e reduz o tempo total. (commandline.microsoft.com)
• Julgamento de IA por rubrica. Avaliar respostas de IA com critérios explícitos, aprovar, pedir revisão ou rejeitar com base em thresholds calibrados. Útil em suporte, conteúdo e revisão de código. (commandline.microsoft.com)
• Rotas de incidentes. Classificar um incidente por tipo e urgência, então despachar para o time certo, encurtando MTTR. (commandline.microsoft.com)
• Validação e compliance. Conferir se entradas atendem requisitos antes de acionar processos downstream, sinalizando incerteza quando a evidência é insuficiente. (ai.azure.com)

Casos internos citados incluem Xbox Research, que processou mais de 10 mil feedbacks abertos e reviews, encontrando desempenho competitivo em qualidade frente a GPT-6 Sol, executando mais de 14x mais rápido e 200x mais barato. A equipe do Copilot observou 100x mais velocidade na medição de qualidade de chat e respostas agentic em comparação com GPT5.6 Luna. Esses exemplos reforçam o encaixe do modelo em tarefas de alto volume e baixo tempo orçado. (commandline.microsoft.com)

Como integrar no seu pipeline

• Quando usar. Se a pergunta tem opções fixas e você precisa de decisão rápida, previsível e com score de confiança, priorize o Decision-1. Mantenha LLMs para geração criativa e raciocínio profundo. (ai.azure.com)
• Formato das opções. Descreva opções de modo sucinto e inequívoco. A robustez relatada contra ordenações e paráfrases ajuda, porém descrições claras seguem essenciais. (commandline.microsoft.com)
• Thresholds e fallback. Defina limites por classe. Acima de 0,9, automatize. Entre 0,6 e 0,9, peça evidência extra ou revisão humana. Abaixo de 0,6, evite ação automática. Esses números variam por risco do domínio, mas a ideia é usar a calibração a seu favor. (commandline.microsoft.com)
• Observabilidade. Registre inputs, opções e scores para auditoria e tuning. A previsibilidade do contrato de API facilita logging e dashboards de precisão por classe ao longo do tempo. (ai.azure.com)
• Custos. Com preço base divulgado por milhão de tokens de entrada e saída gratuita, combine janelas de contexto enxutas e prompts diretos. Em agentes, prefira passar apenas evidências necessárias para cada decisão. (commandline.microsoft.com)

Limitações e responsabilidades

O cartão oficial do modelo lista usos fora de escopo, como geração de texto, conversação aberta, tradução e sumarização. Também traz ressalvas importantes sobre decisões consequentes envolvendo pessoas, como crédito, emprego e saúde, áreas onde o modelo não deve atuar como único decisor. Essas balizas são cruciais para governança e conformidade. (ai.azure.com)

Em segurança, a Microsoft testou o Decision-1 em 5.250 solicitações cruzando 11 benchmarks, incluindo conteúdo nocivo, jailbreaks e injeção de prompt, reportando recusa bem-sucedida a comportamentos perigosos com alta utilidade preservada. Ainda assim, a recomendação prática é manter revisão humana em decisões sensíveis e thresholds conservadores em classes de maior risco. (commandline.microsoft.com)

Comparando com LLMs e outros decision models

O salto de latência em relação a LLMs de raciocínio e geração vem do design de passagem única e do foco em pontuar alternativas fechadas. Em termos práticos, reduzir 100 milissegundos por decisão em cadeias de 20 passos equivale a economizar 2 segundos no ciclo, o que altera a experiência do usuário e o throughput de agentes. Essa diferença cresce quando se multiplicam decisões ao longo de uma jornada. (commandline.microsoft.com)

Nos testes publicados, o Microsoft Decision-1 foi 2,5x mais rápido que o H2O-Lightning-4B v1.1, o vice colocado, e 35x mais rápido que o GPT-6 Sol, além de liderar em acurácia média num conjunto amplo de tarefas, incluindo roteamento, ranking, long context e segurança. Em suma, o posicionamento é claro, usar modelos de decisão para decisões, e reservar LLMs para criação e raciocínio detalhado, conectando ambos onde faz sentido. (commandline.microsoft.com)

Guia rápido de adoção no Foundry

• Onde começar. O modelo está no catálogo do Microsoft Foundry com documentação passo a passo, além de acesso pelo OpenRouter para testes ágeis. Em ambientes empresariais, o Foundry agrega governança, faturamento unificado e suporte. (ai.azure.com)
• Integração. A API recebe a pergunta e as opções, devolvendo JSON com probabilidades por rótulo. Com isso, fica simples plugar em filas, orquestradores e regras de negócio. (ai.azure.com)
• Operação e custo. Com preço anunciado e tokens de saída gratuitos, adoção tende a escalar bem em pipelines com muitas decisões por requisição. Planeje métricas de precisão por classe, replays de baixas confianças e tuning de prompts. (commandline.microsoft.com)

Reflexões e insights práticos

A tendência é clara, agentes e apps estão se tornando pipelines modulares, onde cada componente faz o que sabe melhor. Em vez de pedir para um LLM fazer tudo, equipes maduras distribuem o trabalho. O Microsoft Decision-1 preenche o papel de juiz rápido e barato, com confiança calibrada. A vantagem competitiva vem de como essa peça é encaixada, thresholds corretos, rotas de fallback e métricas de robustez por caso de uso. (labs.ai.azure.com)

Há também impacto cultural e de produto. Quando o time enxerga probabilidades calibradas por opção, a conversa muda, decisões deixam de ser caixas pretas e passam a ser contratos mensuráveis. Em governança, fica mais fácil definir SLAs por classe e justificar automação seletiva. E na experiência do usuário, reduzir segundos em etapas de verificação e roteamento pode significar respostas que parecem instantâneas.

Conclusão

Microsoft Decision-1 entrega o que muitos times de IA precisavam, um motor de decisão estruturada, rápido, calibrado e barato, ideal para classificação, roteamento e verificação em produção. Com 36 benchmarks, latência muito inferior à de LLMs e um modelo de preço simples, torna viável melhorar experiência, throughput de agentes e custo por transação. (commandline.microsoft.com)

A próxima onda não é pedir que um único modelo faça tudo, é orquestrar modelos especializados. Com o Decision-1 no Microsoft Foundry e acesso via OpenRouter, dá para começar agora com integrações previsíveis e governadas, enquanto LLMs continuam no que fazem melhor. O desenho modular, sustentado por decisões calibradas, tende a ditar quem avança mais rápido com menos risco. (ai.azure.com)