معرفی Microsoft Decision-1: مدلی نوین برای تصمیم‌گیری سریع‌تر در هوش مصنوعی

Microsoft Decision-1: انقلابی در سرعت تصمیم‌گیری هوش مصنوعی

مایکروسافت با معرفی مدل Microsoft Decision-1، گامی بلند در جهت افزایش سرعت و دقت سیستم‌های هوش مصنوعی برداشته است. این مدل که در تاریخ ۹ اکتبر ۲۰۲۶ رونمایی شد، به طور تخصصی برای پردازش و تصمیم‌گیری‌های سریع و ساختاریافته در برنامه‌ها و عامل‌های هوش مصنوعی طراحی شده است. برخلاف مدل‌های زبانی مولد که تمرکزشان بر تولید متن‌های طولانی است، Decision-1 با ارزیابی گزینه‌های مشخص و ارائه امتیاز احتمال، فرآیند تصمیم‌گیری را متحول می‌کند.

طبق گزارش مایکروسافت، Decision-1 در ارزیابی ۳۶ بنچمارک و با نزدیک به ۱۵۰ هزار پرسش، موفق به کسب بالاترین دقت در میان مدل‌های مقایسه شده شده است. نکته قابل توجه، میانگین تأخیر پاسخ این مدل است که حدود ۳۵ برابر کمتر از مدل‌های پیشین مانند GPT-6 Sol گزارش شده است. این پیشرفت چشمگیر، پتانسیل بالایی برای بهینه‌سازی عملیات در پلتفرم‌های هوش مصنوعی فراهم می‌آورد.

کاربردها و مزایای کلیدی Decision-1

Microsoft Decision-1 کاربردهای متنوعی در اکوسیستم هوش مصنوعی دارد، از جمله:

• دسته‌بندی هوشمند درخواست‌ها: توانایی تفکیک و دسته‌بندی دقیق ورودی‌ها.
• انتخاب بهینه مدل: گزینش مناسب‌ترین مدل هوش مصنوعی برای پاسخگویی به نیازهای خاص.
• ارزیابی کیفیت پاسخ‌ها: سنجش صحت و کارایی خروجی‌های تولید شده توسط عامل‌های هوش مصنوعی.
• کنترل فرآیندهای اجرایی: مدیریت و هدایت مراحل اجرای عامل‌های هوش مصنوعی.

این مدل با تمرکز بر امتیازدهی و ارزیابی، به جای تولید متن، کارایی را در وظایفی که نیاز به تصمیم‌گیری سریع و ساختاریافته دارند، به طور چشمگیری افزایش می‌دهد. برای مثال، یک عامل هوش مصنوعی می‌تواند از Decision-1 بپرسد که آیا یک درخواست کاربر باید به مدل پیچیده‌تری ارجاع داده شود یا خیر. Decision-1 گزینه‌ها را ارزیابی کرده و نتیجه را در قالبی قابل فهم برای نرم‌افزار ارائه می‌دهد.

نحوه عملکرد و معماری Decision-1

مایکروسافت این مدل را بر پایه معماری Qwen3.5-9B بنا نهاده و با آموزش تکمیلی، آن را برای امتیازدهی سریع به تصمیم‌ها بهینه‌سازی کرده است. در این رویکرد، برنامه، گزینه‌های ممکن را از پیش تعیین می‌کند و Decision-1 برای هر گزینه، یک امتیاز احتمال کالیبره‌شده ارائه می‌دهد. این امتیازدهی به جای تولید متن، امکان استفاده مستقیم از خروجی در نرم‌افزار را فراهم می‌آورد و نیاز به پردازش‌های اضافی را به حداقل می‌رساند.

قالب‌های تصمیم‌گیری پشتیبانی شده:

• بله/خیر: برای تأیید یا رد یک شرط.
• چندگزینه‌ای: انتخاب یک گزینه از میان گزینه‌های مشخص.
• امتیازدهی: ارزیابی عملکرد یا پاسخ بر اساس معیارهای از پیش تعیین شده.
• ارزیابی مبتنی بر معیارنامه: سنجش پاسخ‌ها یا اقدامات پیشنهادی بر اساس مجموعه‌ای از معیارها.

اهمیت کالیبراسیون احتمال در این مدل بسیار بالاست؛ به این معنی که امتیازهای اطمینان مدل باید تا حد امکان با میزان صحت واقعی تصمیم‌ها همخوانی داشته باشند. این ویژگی به برنامه‌ها اجازه می‌دهد تا در صورت عدم اطمینان کافی، تصمیم را به مدلی دیگر ارجاع دهند یا برای بررسی انسانی کنار بگذارند.

مقایسه Decision-1 با مدل‌های زبانی سنتی

تفاوت اصلی Decision-1 با مدل‌های زبانی عمومی (LLM) در ماهیت خروجی و وظایف تخصصی آن نهفته است:

لازم به ذکر است که Decision-1 قرار نیست جایگزین مدل‌های زبانی شود، بلکه به عنوان یک جزء مکمل در سیستم‌های ترکیبی عمل می‌کند. این مدل می‌تواند در کنار مدل‌های زبانی، در انتخاب بهترین مدل برای پردازش درخواست کاربر یا تأیید نهایی پاسخ نقش ایفا کند.

عملکرد و بنچمارک‌های Microsoft Decision-1

مایکروسافت عملکرد Decision-1 را در حوزه‌های مختلفی مانند سرعت، دقت، دسته‌بندی درخواست‌ها، پردازش متن و ایمنی مورد ارزیابی قرار داده است. این مدل با میانگین تأخیر پاسخ‌گویی بین ۸۵ تا ۱۲۵ میلی‌ثانیه، از بسیاری از رقبای خود پیشی گرفته است.

نتایج کلیدی بنچمارک‌ها:

• تعداد بنچمارک‌ها: ۳۶
• تعداد پرسش‌های ارزیابی: حدود ۱۵۰ هزار
• سرعت نسبت به H2O-Lightning-4B: ۲.۵ برابر سریع‌تر
• سرعت نسبت به GPT-6 Sol: ۳۵ برابر سریع‌تر

این نتایج که در تاریخ ۸ اکتبر ۲۰۲۶ توسط مایکروسافت منتشر شده، نشان‌دهنده پتانسیل بالای Decision-1 در افزایش کارایی سیستم‌های هوش مصنوعی است. دقت این مدل نیز در بنچمارک‌های داخلی، به طور متوسط ۸۳.۵٪ گزارش شده است.

پایداری و قابلیت اطمینان Decision-1

یکی از معیارهای مهم در ارزیابی Decision-1، پایداری تصمیم‌های آن در برابر تغییرات جزئی در ورودی است. در تست‌هایی که ورودی‌ها به هشت شکل مختلف بازنویسی یا ترتیب آن‌ها تغییر داده شد، تصمیم مدل به طور میانگین تنها در ۱.۳ درصد موارد تغییر کرد. این پایداری بالا، اطمینان از عملکرد قابل پیش‌بینی مدل را تضمین می‌کند.

کاربردهای عملی Decision-1 در دنیای واقعی

مایکروسافت دو مورد از کاربردهای عملی Decision-1 را به شرح زیر معرفی کرده است:

1. دسته‌بندی بازخورد کاربران Xbox: تیم Xbox از Decision-1 برای دسته‌بندی بیش از ۱۰ هزار بازخورد کاربران استفاده کرد. این مدل نه تنها کیفیتی رقابتی با GPT-6 Sol داشت، بلکه ۱۴ برابر سریع‌تر و ۲۰۰ برابر کم‌هزینه‌تر اجرا شد.
2. کنترل کیفیت پاسخ‌های هوش مصنوعی: تیم Copilot نیز از Decision-1 برای ارزیابی کیفیت پاسخ‌های متنی و عملکرد عامل‌های هوش مصنوعی بهره برد. این مدل با کیفیتی قابل رقابت با GPT-5.6 Luna، ۱۰۰ برابر سریع‌تر عمل کرد. این نمونه نشان می‌دهد که مدل‌های تصمیم‌گیری مانند Decision-1 می‌توانند نقش مهمی در کنار مدل‌های تولیدکننده متن مانند هوشی ایفا کنند.

Microsoft Decision-1 در حوزه‌های گوناگونی کاربرد دارد، از جمله مدیریت عامل‌های هوش مصنوعی، انتخاب مدل‌های مناسب، ارزیابی محتوا، بررسی امنیت و اولویت‌بندی داده‌ها. این مدل به توسعه‌دهندگان و مدیران محصول کمک می‌کند تا سیستم‌های هوش مصنوعی کارآمدتر و پاسخگو‌تری بسازند.

آیا شما هم به دنبال راهی برای افزایش سرعت و دقت تصمیم‌گیری در سیستم‌های هوش مصنوعی خود هستید؟ با هوشی (hooshi.net)، می‌توانید به سادگی APIهای مورد نیاز خود را مدیریت کرده و از قابلیت‌های پیشرفته‌ای مانند ساخت ایجنت‌های کدنویسی بهره‌مند شوید. ثبت‌نام در هوشی و ساخت توکن API شما، اولین قدم برای بهره‌گیری از این فناوری‌هاست.

چرا هوشی؟

هوشی (hooshi.net) با ارائه پلتفرمی جامع برای مدیریت و توسعه راهکارهای هوش مصنوعی، به شما کمک می‌کند تا از آخرین دستاوردهای این حوزه نهایت استفاده را ببرید. ما با فراهم کردن ابزارهای لازم، از جمله امکان ساخت ایجنت‌های کدنویسی و ارائه بیلینگ شفاف، تجربه کاربری بی‌نظیری را برای شما رقم می‌زنیم. برای شروع، به هوشی خوش آمدید.