A Microsoft entrou na corrida dos modelos de decisão. Em 9 de outubro de 2026, a empresa apresentou o Microsoft-Decision-1 (abre em nova aba), um modelo de inteligência artificial que não conversa e não escreve textos. Sua função é responder perguntas de escolha fechada, do tipo "sim ou não", "qual dessas categorias" ou "qual opção priorizar". Segundo medições da própria Microsoft, o modelo acerta 83,5% das vezes em uma comparação envolvendo 36 benchmarks e responde em 85 milissegundos, em média. Todos esses números vêm de testes internos da empresa, sem verificação independente até agora.
O que é um modelo de decisão
Para entender a novidade, ajuda separar duas categorias de modelos. Os modelos de linguagem de grande porte, os LLMs, foram desenhados para gerar texto e raciocinar sobre problemas complexos. Os modelos de decisão fazem o oposto: recebem uma pergunta com um conjunto fixo de opções e devolvem uma resposta estruturada, que um software pode agir imediatamente.
Se um LLM fosse comparado a um analista que escreve pareceres, o Decision-1 seria mais parecido com o funcionário do balcão que aponta a fila certa: menos repertório, mais velocidade. A comparação é hipotética, mas ilustra o desenho. Em vez de gerar uma frase, o modelo (abre em nova aba) atribui a cada opção uma probabilidade calibrada, ou seja, um número que expressa a confiança do sistema em cada resposta. Se a situação apresentada tiver material insuficiente, ele pode recorrer a uma opção de abstenção, do tipo "não é possível afirmar".
A empresa lista os usos previstos: classificação de pedidos, triagem e roteamento (a tarefa de direcionar cada solicitação ao setor ou sistema certo), avaliação de respostas de IA e de ações de agentes contra critérios fornecidos, checagem de segurança de conteúdo e verificação de se uma resposta se sustenta nas informações publicadas recebidas.
De onde ele veio e como funciona
O Decision-1 não foi construído do zero. A Microsoft partiu do Qwen3.5-9B, um modelo aberto do Alibaba, e fez um pós-treinamento, o ajuste adicional que ensina o sistema a realizar uma tarefa específica, nesse caso, pontuar decisões em uma única passada. A companhia não divulgou o número exato de parâmetros. Os dados de treinamento combinam conjuntos públicos, submetidos ao processo interno de dados abertos da Microsoft, com dados sintéticos criados pela equipe.
Os testes de robustez chamam atenção. A empresa informa que apresentou a mesma pergunta em oito variações diferentes e mediu com que frequência a decisão mudava: o índice médio foi de 1,3%, com nenhuma mudança quando as descrições das opções foram reformuladas com outras palavras ou quando as opções foram invertidas ou embaralhadas. Também houve uma bateria de segurança, com 5.250 pedidos distribuídos por 11 benchmarks que cobrem conteúdo nocivo, tentativas de burlar as proteções do modelo e injeção de instruções maliciosas nos pedidos.
| Característica | Informação divulgada |
|---|---|
| Base | Qwen3.5-9B (Alibaba), com pós-treinamento da Microsoft |
| Tipo de saída | Probabilidade calibrada para opções fixas |
| Janela de contexto | 32.768 tokens (unidades de texto processadas juntas) |
| Acurácia média | 83,5% em 36 benchmarks, segundo testes da Microsoft |
| Latência p50 | 85 ms (p95: 125 ms) |
| Preço | US$ 0,042 por milhão de tokens de entrada; saída gratuita |
| Acesso | Apenas via API hospedada (Microsoft Foundry e OpenRouter via Azure) |
| Pesos abertos | Não; o modelo roda só na infraestrutura da empresa |
O que dizem os números, e quem mediu
A comparação da Microsoft envolveu nove sistemas, 36 benchmarks e 147.137 perguntas, mantidas cegas em relação ao treinamento, o que significa que o modelo não as viu antes. O Decision-1 ficou no topo da acurácia média, com 83,5%, e a referência mais citada para o segundo lugar é o Quyet-1.0-Large, com 81,9%. Os relatos divergem sobre esse posto: veículos que cobriram o lançamento apontam também o Jev 1.13.0 como modelo superado. Na velocidade, o próprio anúncio da Microsoft situa o vencedor: o Decision-1 foi 2,5 vezes mais rápido que o vice, o H2O-Lightning-4B v1.1, e 35 vezes mais rápido que o GPT-6 Sol, que levou 3,01 segundos por resposta.
{"title":"Latência mediana (p50) por resposta, em milissegundos","unit":"ms","source":{"label":"Comparação de benchmarks da Microsoft, 9 de outubro de 2026; valores intermediários derivados dos multiplicadores informados (2,5x e 4,5x sobre os 85 ms do Decision-1)","url":"https://commandline.microsoft.com/microsoft-decision-1-model-foundry/"},"values":[{"label":"Decision-1","value":85},{"label":"H2O-Lightning-4B v1.1","value":213},{"label":"Quyet-1.0-Large","value":383},{"label":"GPT-6 Sol","value":3010}]}Latência p50 é o tempo mediano de resposta: metade das respostas sai mais rápido, metade sai mais devagar. O p95, de 125 ms, marca o ponto em que 95% das respostas já foram entregues.
Duas ressalvas merecem destaque. Primeira: os testes foram conduzidos pela própria empresa, que tem interesse no resultado, e não existe ainda verificação independente dessas medições. Segunda: a comparação não incluiu os modelos Clef da Cloudflare, de código aberto e também baseados no Qwen, como aponta uma cobertura sobre o lançamento.
Disponibilidade e custo
O Decision-1 está disponível no Microsoft Foundry, plataforma da empresa para hospedar modelos de IA, e pelo OpenRouter, um serviço que reúne modelos de vários fornecedores por meio do Azure. Não há pesos abertos, o termo técnico para os arquivos internos do modelo: quem quiser usá-lo precisa chamar a API hospedada da Microsoft, não pode baixar e rodar o sistema em servidor próprio.
O preço é baixo por padrão de mercado: US$ 0,042 por milhão de tokens de entrada, com saída gratuita. Tokens são as unidades em que o texto é fatiado para o processamento. Como o valor está em dólar, o custo final para empresas fora dos Estados Unidos varia com a cotação do dia.
Limites declarados
A própria página do modelo lista o que ele não faz. Não serve para gerar texto, responder perguntas abertas, conversar, traduzir ou resumir, e processa apenas texto. E há uma restrição que interessa a qualquer empresa pensando em automatizar decisões: o modelo não deve ser usado como único juiz em decisões automatizadas sobre crédito, emprego, moradia, saúde ou direitos legais.
Como a Microsoft planeja usar o modelo
O anúncio oficial é assinado por Achint Srivastava, vice-presidente de engenharia de software do escritório do diretor de tecnologia da Microsoft. Satya Nadella, presidente-executivo da empresa, comemorou o lançamento e indicou que a adoção interna já começou.
Apresentando o Microsoft-Decision-1, nosso novo modelo para decisões rápidas. Ele entrega desempenho de ponta em tarefas de decisão estruturadas, superando tanto LLMs quanto outros modelos de decisão em latência e qualidade. Já o estamos testando em toda a Microsoft, desde resposta a incidentes e controle de qualidade até descoberta científica.
O anúncio usa uma expressão cautelosa: o modelo teria "o potencial" de guiar e controlar agentes, os programas de IA que executam tarefas em sequência, por ambientes complexos. Trata-se de uma promessa, não de um resultado comprovado. A página do catálogo também antecipa planos: a Microsoft declara que pretende transferir o mesmo treinamento para outras bases, incluindo seus modelos MAI e os da OpenAI.
Perguntas frequentes
O Decision-1 foi verificado por alguém fora da Microsoft?
Não, até o momento do lançamento. Os números de acurácia e latência vêm de benchmarks conduzidos pela própria empresa, e os modelos Clef da Cloudflare, que concorrem no mesmo nicho, ficaram fora da comparação.
Quanto custa usar o modelo?
O preço divulgado é de US$ 0,042 por milhão de tokens de entrada, com tokens de saída gratuitos. O acesso é apenas via API hospedada, pelo Microsoft Foundry ou pelo OpenRouter.
Ele substitui um chatbot?
Não. O modelo foi desenhado para escolher entre opções fixas e devolver uma resposta estruturada. Ele não gera texto, não conversa e não responde perguntas abertas.
Por que a velocidade de 85 ms importa?
Decisões em escala, como classificar milhares de pedidos por minuto ou controlar ações de agentes, acumulam tempo de processamento. Em aplicações desse tipo, uma resposta cem vezes mais rápida pode reduzir custo e atraso de forma considerável.