Microsoft, OpenAI’nin geliştiricilere Decisions API’yi genel beta sürümünde sunmasından yalnızca üç gün sonra, Microsoft-Decision-1 modelini Foundry platformu kapsamında kullanıma sundu. İki şirket arasındaki yakınlığın düşündürebileceğinin aksine Microsoft’un modeli başlangıçta Alibaba’nın Qwen3.5-9B modeliyle eğitildi. Şirket, modeli ileride kendi MAI modelleri ve OpenAI modelleri üzerine yeniden kurmayı planladığını açıkladı.
Model; mevcut uygulamalara, aracılara ve iş akışlarına karar verme yetenekleri eklemeyi hedefliyor. Buna çıktıların değerlendirilmesi, uygun modelin seçilmesi veya otomatikleştirilmiş bir süreçteki sonraki adımın belirlenmesi de dahil. Microsoft modeli Foundry içinde girdi başına bir milyon token için 0,042 dolar fiyatla sunuyor; çıktı token’ları ise ücretsiz. Bu, TypeSafe’in Jev modeli için uyguladığı fiyatın aynısı.
Microsoft’un dahili testleri
Microsoft, modelin ilk kullanıcısının yine şirketin kendisi olduğunu söylüyor. Xbox Research, oyuncu geri bildirimlerine ait 10 binden fazla parçayı sıralamak için modeli test etti. Copilot ekibi, konuşmaları ve aracı yanıtlarını değerlendirmek için modeli kullandı. Nöbetçi mühendisler ise canlı olaylar sırasında bağlam çıkarmak amacıyla modelden yararlandı. Microsoft Discovery de bir aracı görevi için yeniden planlama yapmadan önce deneyleri değerlendirmek için modeli kullandı.
Şirketin verilerine göre Decision-1, Xbox’la ilgili bir testte GPT-6 Sol’dan 14 kattan fazla daha hızlıydı ve Discovery testinde 46 kat daha yüksek tutarlılık elde etti. Materyal bu karşılaştırmaların metodolojisine ilişkin ayrıntıları açıklamadığından, bu rakamlar modelin söz konusu senaryolar dışındaki performansı hakkında genel bir hüküm olarak değerlendirilemez.
Bu haber neden önemli?
Karar modelleri, düşük maliyetli bir kontrol katmanı olarak uygulama ile daha büyük üretken modeller arasında giderek daha önemli bir rol üstleniyor. Aracının bir modeli, aracı veya yürütme yolunu çok sayıda seçmesi gerektiğinde bu katman önem kazanıyor; çünkü her kararın maliyeti, beraberindeki üretken istek trafiğiyle birlikte birikebilir.
Microsoft’un bu tür modelleri kurum içinde geliştirmek için ek bir teşviki var. Özellikle GitHub Copilot’un bazı görevlerin cihaz üzerinde yürütülmesine veya bulut modellerine gönderilmesine karar vermesine yönelik planları bu teşviki artırıyor. Ancak şirket, Decision-1’in Copilot kararlarına gerçekten katılıp katılmayacağını doğrulamadı ve buluta ne gönderildiğini de açıklamadı.
Uyumluluk ve medya sınırlamaları
Foundry listesine göre Decision-1, en fazla 32.768 metin token’ı alıyor ve sonuçları JSON biçiminde döndürüyor; ancak görüntüleri desteklemiyor. Bu durum modeli, OpenAI’nin Decisions API’sinden ve görsel bir kodlayıcı kullanan Cloudflare’in Clef modelinden daha dar bir kapsama yerleştiriyor.
Microsoft modelin ağırlıklarının kullanıma sunulduğunu da açıklamadı. Buna karşılık Cloudflare, Clef modelini Apache 2.0 lisansıyla yayımladı. AWS, Upstage ve Ollama bu alanda ortak arayüz olarak TypeSafe’in System One adlı arayüzünü benimsedi. Ancak Microsoft, Foundry’deki kod örneği /systemone adlı bir uç noktayı çağırsa da Decision-1’in bu arayüzle tamamen uyumlu olduğunu doğrulamadı.
Güven, yanıltmaya karşı dayanıklılık anlamına gelmiyor
Microsoft, modelin olasılıklarının kalibre edildiğini söylüyor; yani yüzde 90 olasılık taşıyan bir tahminin temsili durumlarda yaklaşık her on vakanın dokuzunda doğru olması gerekiyor. Ancak şirket, müşterilere kendi verilerini kullanarak kalibrasyonu doğrulamalarını öneriyor.
JevOut çalışması bu çekincenin neden önemli olduğunu gösteriyor. Kısa ve doğal biçimde yazılmış eklemeler, Jev modelinde başlangıçta doğru olan 508 kararın 312’sini tersine çevirdi. Model ayrıca 229 durumda yanlış yanıt için en az yüzde 70 olasılık verdi. Microsoft’un kendi modeli üzerindeki testinde ise seçeneklerin yeniden sıralanması ve açıklamanın yeniden ifade edilmesi gibi sekiz değişiklik türü kullanıldı ve yanıtların ortalama yüzde 1,3’ü değişti. Ancak JevOut çalışması Decision-1’i test etmedi; dolayısıyla bu sonuç, modelin yanıltmak amacıyla tasarlanmış girdiler karşısında nasıl davranacağını kanıtlamıyor.