Scegliere quale strumento debba usare un agente, assegnare una richiesta al reparto competente e valutare una risposta AI sono le decisioni per cui Microsoft ha sviluppato Microsoft-Decision-1. Il modello esamina le informazioni fornite dall’applicazione e assegna probabilità a un insieme di risposte prestabilite, restituendo risultati strutturati che il software può usare direttamente per governare il passaggio successivo.
È la categoria dei modelli decisionali, già al centro dell’attenzione con Jev di TypeSafe AI e con i modelli Clef di Cloudflare: componenti specializzati nelle valutazioni che separano un passaggio del software dal successivo. Un agente può usarli per scegliere uno strumento, controllare un’azione proposta o decidere quale modello generativo debba occuparsi di una richiesta; il programma applica poi le proprie regole al risultato.
Perché cresce la competizione sui modelli decisionali
L’interesse per questi modelli segue il passaggio dall’AI usata per conversare all’AI inserita nei processi e negli agenti che eseguono attività: ogni richiesta può richiedere molte valutazioni su strumenti, autorizzazioni, priorità e qualità dei risultati. Ripetute su larga scala, anche scelte semplici incidono sul costo e sui tempi dell’intera applicazione, creando una domanda per componenti specializzati che restituiscano risposte utilizzabili dal codice e probabilità con cui regolare l’automazione. Questo aiuta a spiegare sia l’ingresso di nuovi concorrenti sia la frequenza degli aggiornamenti: le reti di base a pesi aperti, come Qwen e Gemma, permettono di sviluppare un modello decisionale specializzando capacità già disponibili, mentre le interfacce compatibili rendono più semplice provare alternative nello stesso software. La competizione si gioca su accuratezza, calibrazione, latenza e costo, ma anche su immagini, contesto, personalizzazione ed esecuzione locale: caratteristiche che lasciano spazio a prodotti differenti e a miglioramenti successivi, senza un vincitore adatto a ogni impiego. Per i fornitori cloud, integrare queste funzioni nella propria piattaforma significa inoltre offrire un altro componente necessario alla costruzione degli agenti; per chi sviluppa modelli a pesi aperti, significa consentire alle aziende di gestire direttamente la valutazione sulla propria infrastruttura.
Una rete da 9 miliardi di parametri per valutare opzioni
Presentato il 9 ottobre da Achint Srivastava, vicepresidente dell’ingegneria del software nell’ufficio del CTO di Microsoft, il modello è disponibile in Microsoft Foundry e su OpenRouter. Decision-1 costa 0,042 dollari per milione di token in ingresso, con output gratuito.
La prima versione, indicata come generalmente disponibile nel catalogo Microsoft Foundry, deriva da Qwen3.5-9B, la rete a pesi aperti di Alibaba con 9 miliardi di parametri, specializzata da Microsoft mediante post-addestramento. I dati comprendono dataset pubblici sottoposti al processo Open Data dell’azienda ed esempi sintetici. Sono previste versioni basate anche su modelli MAI e OpenAI.
Il contesto arriva a 32.768 token e gli input sono testuali, con risultati in JSON. Una singola invocazione valuta le opzioni: il prodotto serve per classificare, ordinare, verificare e assegnare punteggi, compresa la valutazione di risposte AI rispetto alle evidenze fornite. Immagini, audio e video restano fuori dal suo perimetro, così come la generazione di spiegazioni, traduzioni, riassunti o conversazioni.
Lo sviluppatore può prevedere una risposta di astensione, per esempio “impossibile stabilirlo”, quando le informazioni sono insufficienti. Definire opzioni, soglie e percorsi di revisione resta responsabilità dell’applicazione; Microsoft esclude l’impiego come unico decisore automatico in ambiti con conseguenze sulle persone, fra cui credito, lavoro, abitazione e sanità.
Il catalogo Foundry indica la disponibilità generale; il blog Microsoft del 9 ottobre riporta ancora lo stato di anteprima pubblica.
Come si costruisce una decisione
L’API di Decision-1 riceve uno stato, in testo o JSON, e domande con criteri definiti. Choice seleziona un’opzione e restituisce le probabilità di tutte le alternative; Noul stima da zero a uno la probabilità che una condizione sia vera; Score produce un valore su una scala ordinata, calcolato come media degli indici ponderata per le probabilità.
Un ticket può essere valutato nella stessa richiesta per reparto competente, gravità e presenza di contatti precedenti. Una probabilità bassa può attivare un controllo umano o un’altra valutazione, mentre le soglie vanno stabilite su esempi rappresentativi del processo.
In Azure sono supportati GlobalStandard e, in regioni selezionate, DataZoneStandard. Il secondo mantiene l’elaborazione nella zona dati scelta; GlobalStandard usa la capacità delle regioni supportate. La distanza fra applicazione ed endpoint incide sulla latenza.
Il confronto con gli altri modelli decisionali
Il confronto Microsoft comprende 36 benchmark pubblici e privati, mantenuti separati dall’addestramento, su classificazione, ordinamento, contesto lungo, più lingue, ragionamento e sicurezza. La varietà dei compiti serve a verificare quanto le prestazioni si conservino al di fuori delle attività sulle quali il modello è stato specializzato; fra i concorrenti figurano diversi modelli della classifica pubblica JevBench.
| Modello | Accuratezza media | Latenza mediana per richiesta | Calibrazione, massimo 100 |
|---|---|---|---|
| Microsoft-Decision-1 | 83,5% | 85 ms | 92,2 |
| Jev 1.13.0 | 82,3% | 240 ms | 93,7 |
| Quyet-1.0-Large | 81,9% | 380 ms | 93,1 |
| Surogate Rune 26B-A4B | 79,7% | 380 ms | 91,8 |
| GPT-6 Luna Decisions | 79,4% | 300 ms | 89,9 |
| deck-31B | 77,8% | 400 ms | 83,5 |
| H2O-Lightning-4B v1.1 | 77,2% | 210 ms | 91,8 |
| Strands-Decider 2B | 54,8% su 23 benchmark | Non misurata | Non valutata |
| GPT-6 Sol, riferimento per la latenza | Fuori dalla graduatoria | 3.010 ms | Non valutata |
Decision-1 emerge per accuratezza e rapidità, mentre Jev conserva il vantaggio nella calibrazione. La scelta dipende quindi anche dal modo in cui l’applicazione usa il risultato: classificare correttamente un contenuto e fornire una probabilità affidabile per decidere quando automatizzare sono proprietà distinte. Per gli agenti che concatenano molte valutazioni, conta inoltre il tempo accumulato lungo il processo.
I tempi dipendono anche dalla modalità di esecuzione e dalla rete: Microsoft ha misurato Decision-1 su Foundry nella stessa regione, mentre per gli altri modelli ha usato le latenze corrette di JevBench. Il risultato di Strands-Decider riguarda soltanto i 23 benchmark ai quali ha potuto rispondere.
Robustezza, probabilità e sicurezza
Un’altra prova riguarda la stabilità della decisione quando il contenuto mantiene lo stesso significato, ma cambia forma. Nelle applicazioni reali possono variare la formulazione delle istruzioni, le descrizioni e l’ordine delle opzioni, i nomi dei campi e la formattazione. Microsoft ha modificato le richieste in otto modi: Decision-1 ha cambiato risposta mediamente nell’1,3% dei casi, senza cambiamenti quando le descrizioni delle opzioni sono state parafrasate o le alternative invertite e mescolate.
La calibrazione rende interpretabile il valore restituito all’applicazione: su un insieme rappresentativo di casi, una probabilità del 90% dovrebbe corrispondere a un esito corretto circa nove volte su dieci. Il programma può così usare la probabilità per procedere, rinviare la decisione o chiedere una verifica. Due modelli con accuratezza simile possono avere una calibrazione differente, e quindi fornire indicazioni diverse su quando fidarsi della propria risposta.
Sul fronte della sicurezza, le prove comprendono 5.250 richieste e 11 benchmark, con contenuti dannosi, tentativi di aggirare le protezioni e prompt injection, ossia istruzioni inserite nei dati per deviare il comportamento del sistema. Microsoft riferisce che il modello ha rifiutato comportamenti dannosi mantenendo un’elevata utilità sulle richieste lecite. Questa combinazione è rilevante per un controllo inserito prima dell’azione di un agente, che deve riconoscere i rischi preservando il funzionamento del processo.
Xbox e Copilot: etichettatura e controllo della qualità
Con Xbox Research, il modello è stato usato per classificare oltre 10 mila feedback e recensioni a risposta aperta, raccolti da sondaggi, Steam e Twitter/X. I ricercatori hanno definito in anticipo i temi nei quali organizzare i commenti, per analizzare le opinioni su giochi, debutti e trasmissioni. Nel test, la qualità è risultata competitiva con GPT-6 Sol, con una velocità oltre 14 volte superiore e un costo 200 volte inferiore.
Il team Copilot ha invece sperimentato Decision-1 nella misurazione della qualità delle risposte conversazionali e degli agenti. Qui il confronto riguarda il giudizio su un risultato già prodotto: nei test interni Microsoft indica qualità competitiva con GPT5.6 Luna e velocità 100 volte superiore. Il modello generativo può quindi preparare una risposta, mentre il componente decisionale ne valuta l’adeguatezza rispetto ai criteri assegnati.
Incidenti operativi e ricerca scientifica
Nella risposta agli incidenti, gli ingegneri di turno devono reperire informazioni pertinenti fra log, sistemi di ticket, chiamate, messaggi e altre fonti. Microsoft ha provato Decision-1 nel recupero delle conoscenze utili a gestire un problema in corso, ottenendo prestazioni migliori e tempi inferiori rispetto a un modello linguistico. La valutazione della pertinenza aiuta a individuare le informazioni da usare prima di scegliere come intervenire.
In Microsoft Discovery, la sperimentazione riguarda la ripianificazione adattiva: un agente valuta l’esperimento precedente, ne assegna un giudizio secondo criteri prestabiliti, modifica il proprio approccio e ripete il ciclo fino al raggiungimento degli obiettivi. Decision-1 ha prodotto punteggi 46 volte più coerenti rispetto alla valutazione basata su un modello linguistico, con una velocità tre volte superiore; l’intera ripianificazione è risultata quasi quattro volte più rapida.
Le decisioni che guidano applicazioni e agenti
Gli impieghi di Decision-1 in Foundry comprendono classificazione, smistamento, verifica e controllo dei flussi. Per un agente, valutare il passo proposto significa stabilire se continuare, fermarsi, riprovare o affidare il compito a un altro modello, a uno strumento o a una persona. La selezione del modello può tenere conto dei requisiti di qualità, costo e latenza; le regole contenute in una skill, cioè un insieme di istruzioni operative, possono guidare la scelta dell’azione senza rielaborare ripetutamente un lungo elenco di indicazioni.
Nell’assistenza clienti, l’analisi dell’intento identifica ciò che l’utente vuole ottenere e lo associa alle operazioni supportate. La classificazione di un incidente ne determina tipo e urgenza per indirizzarlo al gruppo competente. La validazione controlla se i dati rispettino i requisiti e stabilisce se accettarli, respingerli o sottoporli a revisione, mentre l’etichettatura organizza post social e feedback per analisi o addestramento.
La valutazione delle risposte AI può decidere se accettare un risultato, richiederne la revisione o rifiutarlo. Un sistema di raccomandazione può scegliere fra prodotti, offerte o azioni candidate; nella ricerca, un giudizio di pertinenza può assegnare etichette o priorità ai risultati. Il filtraggio dei contenuti associa un elemento a un argomento o a una regola e decide se mostrarlo, filtrarlo o inviarlo a controllo.
Microsoft propone anche la scansione del codice rispetto a criteri definiti, per segnalare possibili difetti o violazioni, e controlli su richieste, output e azioni proposte, per autorizzarli, bloccarli o richiedere un intervento. Nell’uso del computer, il modello può scegliere l’operazione successiva fra quelle disponibili in base alla schermata e al compito; in robotica, la scelta riguarda azioni prestabilite, tenendo conto di osservazioni, obiettivi e vincoli operativi. Nella ricerca scientifica può selezionare e assegnare priorità a ipotesi, composti ed esperimenti da valutare.
Microsoft prevede inoltre aggiornamenti del modello con nuovi dati e valutazioni per migliorare qualità, confidenza e costo, insieme al passaggio futuro ad altre reti di base.
Jev: decisioni parallele e confidenza
Jev è il primo modello della famiglia System One di TypeSafe AI. Il nome richiama il “Sistema 1”, con cui lo psicologo Daniel Kahneman identifica il pensiero rapido e intuitivo: per TypeSafe, il riferimento esprime l’obiettivo di fornire valutazioni immediate nei processi del software. Lo sviluppatore invia uno stato e domande Choice, Score e Noul, ottenendo risultati direttamente utilizzabili nel codice.
La struttura tecnica di Jev valuta le risposte in parallelo e impiega Reinforcement Learning for Calibrated Decisions, un metodo di apprendimento per rinforzo orientato a decisioni calibrate. Le risposte rispettano i tipi e le opzioni definiti dall’applicazione: questa proprietà garantisce la struttura del risultato, mentre la correttezza della valutazione dipende dal compito.
La probabilità delle alternative e la confidenza aiutano a stabilire quando automatizzare un passaggio e quando richiedere un controllo. Nella presentazione del modello, TypeSafe indica tempi complessivi di 70–500 millisecondi e lo stesso prezzo di Decision-1, 0,042 dollari per milione di token in ingresso con output gratuito.
Clef e Clef-flash: immagini, video e pesi aperti
Il supporto ai contenuti visivi distingue Clef e Clef-flash. I modelli Cloudflare analizzano testo, JSON, immagini e video. Clef dispone di 65.536 token di contesto; per la versione ospitata di Clef-flash, il limite corrente su Workers AI è di 24.576 token. Clef conta 27 miliardi di parametri e privilegia la precisione; Clef-flash ne conta 9 ed è orientato ai tempi di risposta più brevi.
Su Workers AI possono ricevere fino a 64 domande per richiesta. L’interfaccia compatibile con Jev permette di conservare la struttura dei dati nelle integrazioni esistenti, mentre i pesi e il codice con licenza Apache 2.0 consentono l’esecuzione sulla propria infrastruttura. Le tariffe correnti su Workers AI sono 0,24 dollari per milione di token in ingresso per Clef e 0,038 per Clef-flash, con output gratuito.
Nel post-addestramento di Cloudflare, la specializzazione combina una componente dedicata alle decisioni, adattatori a basso rango e obiettivi che curano anche la calibrazione delle probabilità. La società offre inoltre un servizio di personalizzazione con ingegneri che affiancano i clienti sui loro dati e processi.
H2O-Lightning e Strands-Decider: alternative più piccole
Con 4 miliardi di parametri e base Qwen3.5-4B, H2O-Lightning-4B risponde a domande decisionali anche su immagini, screenshot e documenti acquisiti. Distribuito con licenza Apache 2.0, impiega un passaggio della rete e un token di output per decisione.
La possibilità di esecuzione su GPU, CPU e Mac con Apple silicon caratterizza Strands-Decider. Il modello Qwen3.5 da circa 2 miliardi di parametri sostituisce la componente che genera testo con una piccola testa specializzata nel punteggio delle opzioni, elaborando la risposta in un passaggio. Supporta Choice, Noul e Score, anche con più domande sullo stesso stato.
Il progetto comprende inoltre varianti basate su Gemma 4, con dimensioni e requisiti di memoria differenti; il supporto alle immagini riguarda la variante Qwen3.5. L’integrazione con Strands Agents permette, per esempio, di controllare una chiamata a uno strumento prima dell’esecuzione: nell’esempio dedicato al meteo, il controllo induce l’agente a chiedere la città quando l’informazione necessaria manca.
