Microsoft Decision‑1 supera a Quyet‑1.0‑Large y GPT‑6 Sol con decisiones en 85 ms

Microsoft lanza Decision‑1, un modelo de puntuación que entrega probabilidades calibradas en menos de un décimo de segundo, superando a los principales competidores en una batería de 36 pruebas.

Microsoft ha puesto a disposición de sus clientes Microsoft Decision‑1, un modelo de puntuación diseñado para ofrecer una probabilidad precisa para cada opción de respuesta predefinida. A diferencia de los grandes modelos de lenguaje que generan texto libre, Decision‑1 devuelve un JSON con la confianza de cada alternativa, lo que permite que sistemas de software actúen de inmediato sin necesidad de interpretar párrafos.

Cómo funciona un modelo de decisión

Imagine que le pide a un asistente que elija el mejor método de envío para un paquete. En vez de que el asistente le escriba un párrafo explicativo, el modelo evalúa la pregunta y le devuelve, por ejemplo, {"opción": "express", "probabilidad": 0.78}. Esa salida directa es lo que Microsoft llama “decision scoring”. El algoritmo se basa en la arquitectura de Qwen3.5‑9B, pero ha sido post‑entrenado con datos sintéticos y públicos para especializarse en tareas de clasificación, verificación y control de agentes.

El proceso es de una sola pasada: se recibe el contexto, la pregunta y el listado de opciones, y el modelo calcula una distribución de probabilidad en una única llamada a la API. No genera texto intermedio, ni explicaciones, lo que reduce drásticamente la latencia y el consumo de tokens.

Rendimiento y comparativas de Microsoft Decision‑1

En la propia evaluación de Microsoft, Decision‑1 se probó contra 9 sistemas diferentes en 36 benchmarks que incluyen preguntas de sí/no, selección múltiple, clasificación y verificación de evidencia. Con 147 137 preguntas en total, el modelo alcanzó una precisión media del 83,5 %, superando a Quyet‑1.0‑Large (81,9 %) y dejando atrás a GPT‑6 Sol, cuya latencia se situó en 3,01 s.

• Latencia p50: 85 ms
• Latencia p95: 125 ms
• Calibración: puntuación de 92,2, solo por detrás de Quyet‑1.0‑Large (93,1)
• Costo: $0,042 por millón de tokens de entrada, salida gratuita

Microsoft también midió la robustez del modelo perturbando cada solicitud de ocho formas distintas (paráfrasis, reordenamiento de opciones, etc.). En promedio, la decisión cambió en solo el 1,3 % de los casos, y nunca se alteró cuando las opciones fueron simplemente reescritas o reordenadas.

Implicaciones prácticas para desarrolladores y empresas

Para los equipos que construyen chatbots, sistemas de recomendación o flujos de trabajo automatizados, la ventaja más palpable es la rapidez con la que pueden obtener una respuesta utilizable. Un coste de $0,042 por millón de tokens equivale a menos de un centavo por mil consultas, lo que abre la puerta a usar Decision‑1 en entornos de alta demanda sin que la factura de Azure se dispare.

Además, la salida en formato JSON facilita la integración con pipelines de Python o Node.js mediante una única línea de código:

import requests
payload = {"input": "¿Cuál es el método de envío más rápido?", "options": ["standard","express","overnight"]}
resp = requests.post("https://api.azure.com/decision-1", json=payload)
print(resp.json())

Esta simplicidad reduce la fricción técnica de implementar lógica de negocio basada en IA y permite que los equipos se centren en la capa de dominio, no en el parsing de texto.

Retos y limitaciones del enfoque cerrado

El modelo está disponible exclusivamente a través de la API de Microsoft Foundry y OpenRouter; no se publican los pesos ni versiones cuantizadas. Esa decisión protege la propiedad intelectual, pero también limita la capacidad de los investigadores y pequeñas startups para adaptar el modelo a nichos específicos.

Otro punto a considerar es que todas las métricas provienen de pruebas internas de Microsoft. Aunque la empresa asegura que los benchmarks fueron ciegos respecto al entrenamiento, la falta de auditorías externas deja una incógnita sobre la reproducibilidad de los resultados.

Finalmente, Decision‑1 no genera explicaciones ni justificaciones, lo que puede ser un obstáculo en contextos donde la trazabilidad es obligatoria (por ejemplo, en sistemas de crédito o de salud). En esos casos, será necesario combinarlo con un modelo de lenguaje que proporcione razonamiento textual.

Qué significa este lanzamiento para el ecosistema de IA

Decision‑1 marca un paso importante hacia la consolidación de los “modelos de decisión” como una categoría distinta dentro de la IA generativa. Al ofrecer velocidad, bajo coste y una salida estructurada, Microsoft apuesta por despliegues masivos en entornos empresariales donde la latencia y la predictibilidad son críticas. Sin embargo, el modelo cerrado y la ausencia de versiones de código abierto pueden impulsar a la comunidad a buscar alternativas open‑source que reproduzcan la funcionalidad con mayor transparencia.

En los próximos meses será interesante observar cómo los clientes integran Decision‑1 en flujos de trabajo reales y si otros proveedores (por ejemplo, Anthropic o Google) responderán con ofertas similares. La carrera por ofrecer decisiones rápidas y calibradas está apenas comenzando, y la capacidad de escalar esas soluciones sin sacrificar precisión será el verdadero diferenciador.