اگر امروز برای مدیریت گردش‌کارهای پیچیده از مدل‌های زبانی غول‌پیکر استفاده می‌کنید، احتمالاً با تأخیر زیاد و هزینه‌های گزاف دست‌وپنجه نرم می‌کنید. مدل Decision-1 مایکروسافت با صحت ۸۳.۵ درصدی و تأخیر تنها ۸۵ میلی‌ثانیه، استانداردی جدید برای تصمیم‌گیری‌های ساختاریافته در هوش مصنوعی تعریف کرده است.
طبق گزارش وب‌سایت the-decoder.com در ۱۰ اکتبر ۲۰۲۶، این مدل به‌طور اختصاصی برای طبقه‌بندی، ارزیابی و تصمیمات مسیریابی طراحی شده است. این عرضه در حالی رخ می‌دهد که صنعت به سمت «مدل‌های تصمیم‌گیر» حرکت می‌کند؛ مدل‌هایی که به‌عنوان مغز برای عامل‌های (Agents) — شبیه به مدیران ارشد شرکت‌ها که خودشان کار را انجام نمی‌دهند بلکه وظایف را به کارمند متخصص می‌سپارند — عمل می‌کنند. این رویکرد یادآور تلاش‌های مشابه در صنعت است، جایی که مدل Strands Decider 2B نیز با هدف کاهش تأخیر و افزایش قابلیت اطمینان عامل‌های هوشمند معرفی شده بود.
همان‌طور که در تحلیل قبلی ما درباره‌ی پشتیبانی SQLAlchemy 2.1 از SQL Server اشاره کردیم، مایکروسافت در حال گذار از لایه‌های اتصال داده به سمت کنترل عامل‌محور است. تصور کنید یک کنترل‌کننده ترافیک برای هوش مصنوعی دارید: به‌جای اینکه یک مدل عظیم همه کارها را انجام دهد، یک مدل تصمیم‌گیر به‌سرعت وظایف را به متخصص مربوطه ارجاع می‌دهد.
Decision-1 بر پایه معماری Qwen3.5-9B ساخته شده است. بر اساس مستندات مایکروسافت، این مدل در ۳۶ محک مختلف که نزدیک به ۱۵۰ هزار پرسش را پوشش می‌دهند، دقیق‌ترین مدل است.
شاخص‌های کلیدی عملکرد این مدل عبارت‌اند از:
- سرعت: ۲.۵ برابر سریع‌تر از رقیب دوم یعنی H2O-Lightning-4B.
- هزینه: قیمت توکن‌های ورودی ۰.۰۴۲ دلار به‌ازای هر میلیون توکن است و توکن‌های خروجی رایگان هستند.
- دسترسی: از طریق Microsoft Foundry و OpenRouter در دسترس است.
در همین حال، Cloudflare نیز در ۹ اکتبر ۲۰۲۶ مدل Clef-omni را معرفی کرد. این مدل چندوجهی (Multimodal) — مثل انسانی که هم‌زمان می‌بیند، می‌شنود و می‌خواند — یک مدل ۳۰ میلیارد پارامتری است که متن، تصویر، صدا و ویدیو را در یک فراخوان واحد امتیازدهی می‌کند و نیاز به مراحل تبدیل صدا به متن را حذف می‌کند.
این رقابت شدید در حال حذف پیشگامان اولیه مانند استارتاپ Jev است. این شرکت در اواسط سپتامبر موج مدل‌های تصمیم‌گیر را به راه انداخت، اما با انطباق غول‌های فناوری بر مدل‌های زبانی کوچک (SLM) — که شبیه به نسخه‌های جیبی و سریع از مدل‌های بزرگ هستند — برتری خود را از دست داد. برای کسب‌وکارها، این یعنی لایه مسیریابی در پشته‌ی هوش مصنوعی در حال تبدیل شدن به یک کالای عمومی و ارزان است.
گام بعدی شما
- اگر از عامل‌های هوش مصنوعی استفاده می‌کنید، لایه مسیریابی خود را به مدل‌های تخصصی‌تر مانند Decision-1 منتقل کنید تا تأخیر سیستم کاهش یابد.
- هزینه‌های استنتاج خود را با مدل‌های SLM بهینه‌سازی کنید.
- قابلیت‌های مدل Clef-omni را برای حذف مراحل پیش‌پردازش در داده‌های چندوجهی بررسی کنید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو