مایکروسافت مدلی ساخته که قرار نیست با شما گفتوگو کند یا متن طولانی بنویسد؛ کارش این است که بین چند گزینه مشخص، تصمیم بگیرد و میزان اطمینانش را هم اعلام کند. مدل Microsoft-Decision-1.1 از ۱۷ نوامبر ۲۰۲۶ بهصورت عمومی در دسترس قرار گرفته و برای کارهایی مثل دستهبندی درخواستها، انتخاب ابزار مناسب، اولویتبندی پروندهها و کنترل مراحل یک فرایند طراحی شده است.
بخش مهم ماجرا سرعت یا امتیازهای آزمایشگاهی نیست. این مدل میتواند قبل از اجرای یک کار حساس بررسی کند که آیا اطلاعات کافی وجود دارد، کدام مسیر مناسبتر است و چه زمانی باید تصمیم را به انسان یا یک مدل قویتر سپرد. نتیجه برای سازندگان نرمافزار، هزینه کمتر و کنترل بیشتر است؛ البته فقط زمانی که گزینهها و محدودیتها را درست تعریف کرده باشند.
مدل Microsoft-Decision-1.1 دقیقاً چه کاری انجام میدهد؟
مدلهای عمومی معمولاً یک پاسخ آزاد تولید میکنند. این مدل مسیر متفاوتی دارد: متن، داده ساختاریافته یا تصویر را دریافت میکند و برای یک سؤال محدود، پاسخ عددی و قابلپیشبینی برمیگرداند. برای نمونه، یک سامانه پشتیبانی میتواند از آن بپرسد درخواست مشتری مربوط به بخش مالی است یا فنی. مدل علاوه بر انتخاب گزینه، احتمال هر پاسخ را هم ارائه میکند.
این تفاوت در ظاهر کوچک است، اما برای نرمافزار اهمیت زیادی دارد. وقتی پاسخ به شکل چند گزینه و عدد احتمال برگردد، برنامه میتواند یک قانون روشن داشته باشد؛ مثلاً تصمیمهایی با اطمینان بالاتر از ۸۰ درصد خودکار اجرا شوند و بقیه برای بررسی انسانی بمانند. بنابراین مدل بهجای حدسزدن و نوشتن توضیح متقاعدکننده، اجازه دارد هنگام کمبود اطلاعات از تصمیم قطعی خودداری کند.
سه نوع تصمیم قابلاستفاده
طبق مستندات رسمی Microsoft Foundry، مدل سه شکل اصلی پاسخ دارد. حالت اول احتمال درستبودن یک شرط را از صفر تا یک برمیگرداند. حالت دوم از میان چند گزینه، یک انتخاب و احتمال هر گزینه را ارائه میدهد. حالت سوم نیز یک امتیاز روی مقیاسی است که سازنده نرمافزار تعریف میکند. چند سؤال هم میتوانند همزمان روی یک ورودی بررسی شوند.
ورودی مدل فقط متن نیست و میتواند تصویرهایی مثل عکس یا اسکرینشات را هم ببیند. این قابلیت برای تشخیص نوع یک سند، بررسی تصویر ضمیمه تیکت یا کنترل یک رابط کاربری مفید است. بااینحال، Microsoft-Decision-1.1 برای ساخت عکس، ترجمه، خلاصهسازی یا گفتوگوی معمولی طراحی نشده است.
کاربرد عملی این مدل برای کسبوکارها چیست؟
یک فروشگاه اینترنتی میتواند پیامهای مشتریان را میان واحدهای ارسال، پرداخت و مرجوعی تقسیم کند. یک تیم فنی میتواند رخدادهای مهم را زودتر از هشدارهای کماهمیت بررسی کند. در یک دستیار هوش مصنوعی نیز مدل میتواند مشخص کند هر درخواست باید به کدام ابزار یا مدل سپرده شود. این کار باعث میشود مدلهای بزرگتر و گرانتر فقط برای مسئلههایی استفاده شوند که واقعاً به توان بیشتر نیاز دارند.
مایکروسافت میگوید همین مدل در Copilot برای هدایت درخواستها میان تجربههای مختلف استفاده میشود و این کار را در مقایسه با یک مدل زبانی بزرگ، ۲٫۲ برابر سریعتر و با هزینه ۴٫۴ برابر کمتر انجام میدهد. این عددها نتیجه اعلامشده خود مایکروسافت هستند و نباید آنها را آزمایش مستقل در نظر گرفت.
این خبر برای کاربران عادی به معنی اضافهشدن یک دکمه تازه به ویندوز یا Copilot نیست. مخاطب اصلی آن برنامهنویسان و تیمهایی هستند که سامانه پشتیبانی، گردشکار خودکار یا دستیار هوشمند میسازند. اگر دنبال اجرای مدلهای هوش مصنوعی روی کامپیوتر شخصی هستید، راهنمای اجرای هوش مصنوعی با LM Studio موضوع متفاوت و کاربردیتری را پوشش میدهد.
دسترسی، قیمت و شرایط استفاده
نسخه Microsoft-Decision-1.1 اکنون بهصورت عمومی در Microsoft Foundry، سرویس OpenRouter و درگاه هوش مصنوعی Vercel ارائه شده است. برای استفاده در Microsoft Foundry به اشتراک Azure با روش پرداخت معتبر، یک پروژه Foundry و مجوز ساخت و مدیریت مدل نیاز دارید. دسترسی از OpenRouter و Vercel نیز به حساب و کلید دسترسی همان سرویس وابسته است.
قیمت ورودی در حالت جهانی Microsoft Foundry برابر با ۰٫۰۴۲ دلار بهازای هر یک میلیون واحد متنی است و هزینه خروجی دریافت نمیشود. نرخ ورودی در منطقه داده آمریکا ۰٫۰۴۶ دلار و در مناطق داده اروپا و آسیا-اقیانوسیه ۰٫۰۵ دلار اعلام شده است. رایگانبودن خروجی به معنی رایگانبودن سرویس نیست؛ ورودیها هزینه دارند و برای مسیر Azure نیز حساب پرداختی لازم است.
مایکروسافت عرضه را برای استقرار سازمانی آماده اعلام کرده، اما انتخاب منطقه داده و در دسترسبودن منابع همچنان به تنظیمات حساب و محل سرویس وابسته است. هزینه و محدودیتهای OpenRouter و Vercel هم میتوانند مستقل از نرخ مستقیم Microsoft Foundry باشند.
محدودیتهایی که باید قبل از استفاده بدانید
کیفیت تصمیم به تعریف درست سؤال و گزینهها وابسته است. اگر دستهها مبهم باشند یا اطلاعات ورودی کافی نباشد، هیچ مدل هوش مصنوعی نمیتواند یک فرایند ضعیف را قابلاعتماد کند. سازنده باید آستانه اطمینان، شرایط توقف و موارد ارجاع به انسان را از قبل مشخص کند؛ مخصوصاً برای پرداخت، سلامت، استخدام یا تصمیمهای حقوقی.
مایکروسافت میگوید نسخه جدید بیش از دو برابر سریعتر از نسخه اول است و در ارزیابیهای داخلی، میانگین دقت بالاتری از چند مدل تصمیمگیری دیگر داشته است. این ادعاها مفیدند، اما بخشی از گزارش رسمی سازنده هستند. ارزیابی واقعی باید با دادههای همان کسبوکار، زبان مورد استفاده و خطاهای قابلقبول انجام شود.
محدودیت دیگر این است که مدل دلیل متنی آزاد برای تصمیمش تولید نمیکند. خروجی ساختاریافته و احتمالها برای خودکارسازی مناسباند، اما در جاهایی که توضیح قابلفهم برای انسان یا الزام قانونی لازم است، باید یک مرحله جداگانه برای توضیح و بازبینی در نظر گرفت.
جمعبندی
نکته جالب Microsoft-Decision-1.1 این است که هوش مصنوعی را از پاسخگویی آزاد به یک جزء محدود و قابلکنترل در نرمافزار تبدیل میکند. این مدل میتواند درخواستها را دستهبندی کند، میان ابزارها مسیر بدهد، اولویت تعیین کند و در شرایط نامطمئن کار را متوقف نگه دارد. قیمت پایین ورودی و خروجی بدون هزینه، آن را برای تصمیمهای پرتعداد جذاب میکند؛ اما نتیجه خوب همچنان به تعریف دقیق گزینهها، آزمایش با داده واقعی و حفظ مسیر بازبینی انسانی وابسته است.
پرسشهای متداول
آیا Microsoft-Decision-1.1 یک چتبات جدید است؟
خیر. این مدل برای گفتوگو و تولید متن آزاد ساخته نشده است. ورودی را بررسی میکند و میان گزینههای از قبل تعریفشده، یک تصمیم عددی و میزان اطمینان ارائه میدهد.
آیا استفاده از مدل رایگان است؟
خیر. در Microsoft Foundry هزینه ورودی از ۰٫۰۴۲ دلار برای هر یک میلیون واحد متنی شروع میشود و خروجی رایگان است. استفاده از Azure نیز به حساب دارای روش پرداخت معتبر نیاز دارد.
چه کسانی بیشترین استفاده را از این مدل میبرند؟
برنامهنویسان، تیمهای پشتیبانی و سازندگان گردشکارهای خودکار بیشترین استفاده را دارند؛ بهویژه زمانی که باید تعداد زیادی درخواست را دستهبندی، اولویتبندی یا به ابزار مناسب هدایت کنند.
آیا میتوان تصمیمهای حساس را کاملاً به مدل سپرد؟
برای تصمیمهای حساس بهتر است آستانه اطمینان، توقف خودکار و بازبینی انسانی تعریف شود. اعلام احتمال خطا مفید است، اما جای کنترل انسانی و آزمایش روی داده واقعی را نمیگیرد.