Microsoft-Decision-1의 개요
Microsoft-Decision-1은 Microsoft의 첫 판단 모델로 2026년 10월 9일 공개되었습니다. 글을 쓰는 대신 텍스트나 JSON으로 된 상태와 하나 이상의 유형별 질문을 받아 숫자를 돌려줍니다. 예/아니요 질문에는 확률을(Microsoft는 이 유형을 "noul"이라 부릅니다), 선택 질문에는 고른 선택지와 선택지별 확률을, 순서 척도 질문에는 척도상의 위치를 돌려줍니다. Alibaba의 공개 모델 Qwen3.5-9B를 추가 학습한 버전입니다.
Foundry에서는 /providers/microsoft/v1/systemone의 단순한 HTTP 엔드포인트로 Entra ID나 API 키를 써서 GlobalStandard 또는 DataZoneStandard 배포로 호출합니다. OpenRouter에도 있습니다. 가격은 입력 100만 토큰당 0.042달러이고 출력은 무료로, TypeSafe의 Jev와 같습니다.
Microsoft는 36개 벤치마크와 학습에서 제외한 약 150,000개 질문에서 시험한 모델 가운데 가장 정확했고, 평균 정확도 83.5%, 응답 시간 중앙값 85밀리초였다고 밝혔습니다. 이 수치는 Microsoft 자체 발표입니다.
Microsoft-Decision-1, 쓸 만한 가치가 있습니까?
Microsoft-Decision-1이 중요한 이유는 놓인 자리입니다. 글 대신 유형이 정해진 선택이나 확률을 돌려주는 판단 모델은 지금까지 주로 스타트업에서 나왔습니다. 이 모델은 Foundry 카탈로그에서 GPT-6, Claude와 나란히 Azure의 ID, 네트워크, 데이터 조건 아래에 있으며, 많은 기업 구매자가 도입 전에 요구하는 것이 바로 이것입니다.
Microsoft의 수치는 강력합니다. 36개 벤치마크와 학습에서 제외한 147,137개 질문에서 평균 정확도 83.5%로, Jev 1.13.0의 82.3%, GPT-6 Luna Decisions의 79.4%를 앞섰고, 응답 시간 중앙값 85밀리초는 2위 H2O-Lightning-4B보다 2.5배 빠르다고 합니다. Microsoft는 자체 지연 시간을 Foundry 안에서 쟀습니다. eesel이 OpenRouter 수치를 읽은 바로는 중앙값이 0.19~0.27초에 가깝습니다. Microsoft는 어떤 벤치마크를 썼는지, 경쟁 모델을 어떻게 설정했는지 공개하지 않았고, The Decoder는 Cloudflare의 공개 모델 Clef가 비교에서 빠졌다고 지적합니다.
가격은 입력 100만 토큰당 0.042달러로 Jev와 같고, 가중치까지 공개하는 Perplexity의 pplx-decider-v1.2(0.02달러)의 약 두 배입니다. 기반인 Qwen3.5-9B는 공개 모델인데도 Decision-1의 가중치는 공개되지 않습니다. 월 10억 입력 토큰이면 42달러입니다.
상태와 유형별 질문을 "systemone" 엔드포인트로 보내는 요청 형식은 OpenAI의 Decisions API와 다릅니다. Foundry는 10월 22일부터 이 API를 GPT-6 Luna 위에서 입력 100만 토큰당 0.10달러에 팔고 있습니다. 둘 사이를 오가려면 요청을 다시 써야 합니다. Decision-1은 텍스트와 JSON만 받으므로 이미지에 대한 판단에는 Luna가 필요합니다.
Microsoft 문서는 한계를 솔직하게 밝힙니다. 점수는 질문과 선택지의 표현이나 순서에 따라 달라지고, 잘못 만든 질문도 자신 있는 숫자를 돌려주며, 보정은 익숙한 작업 유형에서 가장 정확합니다. 신용, 고용, 주거, 의료, 법률 관련 판단에는 사람의 검토를 권합니다.
제 역할을 하는 곳
Azure를 쓰는 SaaS 회사의 지원 운영팀
들어오는 티켓을 결제, 엔지니어링, 계정 팀으로 보내기
각 티켓을 상태로 삼아 선택 질문과 함께 보내고, 최고 확률이 낮으면 사람에게 넘깁니다. 입력 100만 토큰당 0.042달러면 500토큰짜리 티켓 200만 건이 월 약 42달러입니다.
코딩과 데이터 에이전트를 운영하는 플랫폼 팀
운영 데이터를 건드리는 에이전트 동작 막기
Microsoft 문서의 권고대로 예정된 도구 호출마다 실행 전에 예/아니요 질문을 하고 라벨 붙은 예시로 확률 임곗값을 정합니다. eesel이 OpenRouter 지연 수치를 읽은 바에 따르면 Foundry 자체 리전 밖에서는 확인 한 번에 200~300 ms를 잡아야 합니다.
모델 출력을 채점하는 평가 책임자
매일 밤 수천 개 답변을 기준표로 채점하기
나쁨부터 매우 좋음까지처럼 순서가 있는 단계의 점수 질문을 씁니다. Microsoft는 점수를 절대 평가가 아니라 상대 순위와 임곗값에 쓰라고 권합니다.
도입 전 확인할 점
- 설정
- Foundry 모델 카탈로그나 az cognitiveservices account deployment create로 Microsoft-Decision-1을 배포한 뒤 상태와 질문을 /providers/microsoft/v1/systemone에 POST합니다. 모델 SDK는 필요 없습니다.
- 연동
- Entra ID나 API 키로 쓰는 Foundry의 단순한 HTTP API. OpenRouter. Azure CLI 배포.
- 데이터와 개인정보
- Azure가 판매하는 Foundry 모델로 제공되며, 그 조건에서 프롬프트는 기반 모델 학습에 쓰이지 않습니다. DataZoneStandard는 추론을 데이터 구역 안에 두고, GlobalStandard는 지원되는 어느 리전에서든 요청을 처리할 수 있습니다.
- 대규모 사용 시 비용
- 입력만 과금하며 100만 토큰당 0.042달러입니다. 월 100억 토큰이면 420달러입니다.
- 제한
- 컨텍스트 32,768토큰. 상태는 텍스트나 JSON만. 배포별 할당량이 있으며 초과하면 429 오류. 점수는 표현과 선택지 순서에 민감. OpenRouter 접근은 알파 엔드포인트를 거침.
좋은 점
- 입력 100만 토큰당 0.042달러, 출력 무료
- 36개 벤치마크에서 보고된 정확도 83.5%와 중앙값 지연 85 ms
- Entra ID와 DataZoneStandard 데이터 보관을 갖춘 Foundry 배포
- 예/아니요, 선택, 점수의 세 가지 유형별 질문, 모두 확률 포함
아쉬운 점
- 벤치마크는 Microsoft 자체 발표로 재현 불가
- 기반 Qwen3.5-9B는 공개지만 가중치는 비공개
- 텍스트와 JSON만 지원, 이미지 입력 없음
- 같은 카탈로그의 OpenAI Decisions API와 요청 형식이 다름
추천 대상
Microsoft 데이터 조건 아래에서 저렴하고 빠른 분류, 라우팅, 차단 판단이 필요하고 자체 라벨 데이터로 임곗값을 검증할 Azure 팀.
Microsoft-Decision-1 대안
Microsoft-Decision-1: 자주 묻는 질문
- Microsoft-Decision-1, 쓸 만한 가치가 있습니까?
- Microsoft-Decision-1은 판단 모델을 Jev와 같은 가격으로 Azure의 기본 선택지로 만들었지만, 벤치마크 우위는 자체 발표이고 같은 일을 더 싸게 하는 공개 경쟁 모델도 있습니다. 평점은 5점 만점에 3.9점입니다.
- Microsoft-Decision-1의 가격은 얼마입니까?
- 입력 100만 토큰당 0.042달러, 출력 토큰 무료. Foundry에서는 Azure 구독으로, 또는 OpenRouter를 통해 청구됩니다.
- Microsoft-Decision-1의 단점은 무엇입니까?
- 벤치마크는 Microsoft 자체 발표로 재현 불가; 기반 Qwen3.5-9B는 공개지만 가중치는 비공개; 텍스트와 JSON만 지원, 이미지 입력 없음; 같은 카탈로그의 OpenAI Decisions API와 요청 형식이 다름.
- Microsoft-Decision-1에 적합한 사람은 누구입니까?
- Microsoft 데이터 조건 아래에서 저렴하고 빠른 분류, 라우팅, 차단 판단이 필요하고 자체 라벨 데이터로 임곗값을 검증할 Azure 팀.
- 팀이나 프로덕션 환경에서 Microsoft-Decision-1의 비용은 얼마입니까?
- 입력만 과금하며 100만 토큰당 0.042달러입니다. 월 100억 토큰이면 420달러입니다.
- Microsoft-Decision-1에 회사 데이터를 맡겨도 안전합니까?
- Azure가 판매하는 Foundry 모델로 제공되며, 그 조건에서 프롬프트는 기반 모델 학습에 쓰이지 않습니다. DataZoneStandard는 추론을 데이터 구역 안에 두고, GlobalStandard는 지원되는 어느 리전에서든 요청을 처리할 수 있습니다.
- Microsoft-Decision-1의 가장 좋은 대안은 무엇입니까?
- 저희가 리뷰한 것 중 가장 가까운 대안은 Jev, Perplexity Decider (pplx-decider), GPT-6 Luna 및 Clef입니다.
답변 확인일: 2026년 11월 6일.