Ce qu'est un modèle de décision, face à un agent conversationnel
Un modèle de décision est un petit modèle de langage réglé pour répondre à un type de question en choisissant dans une liste fixe, en notant chaque option pour que le logiciel puisse agir directement sur le résultat.
Un agent conversationnel génère du texte et raisonne sur des problèmes ouverts. Un modèle de décision renonce à cette liberté en échange de vitesse, de faible coût et de sorties bornées, et Microsoft décrit son modèle comme conçu pour fournir des sorties structurées sur lesquelles le logiciel peut agir immédiatement. L'idée d'un modèle qui renvoie des probabilités pour une liste fixe n'est pas nouvelle, puisque les chercheurs en apprentissage automatique construisent depuis longtemps des classifieurs probabilistes, comme le note The Register. Ce qui est nouveau, c'est que les options viennent avec des descriptions en langage courant et qu'un modèle de langage fait la notation.
Selon heise, les sorties prennent trois formes : un oui ou non, un choix dans un ensemble défini ou un classement d'options, toujours sous forme de nombres comme des probabilités et jamais d'explication.
Microsoft-Decision-1 comme exemple concret
Microsoft a présenté Microsoft-Decision-1 le 9 octobre comme un modèle pour des décisions rapides et structurées, et ses chiffres montrent ce que promet la catégorie.
| Propriété | Microsoft-Decision-1 |
|---|---|
| Modèle de base | Qwen3.5-9B d'Alibaba Cloud, post-entraîné pour la notation de décisions en un seul passage |
| Précision | 83,5 pour cent sur 36 benchmarks couvrant près de 150 000 questions |
| Latence | 85 millisecondes ; dans le test de Microsoft, 2,5 fois plus rapide que H2O-Lightning-4B et 2,8 fois que Jev |
| Prix | 0,042 dollar par million de jetons d'entrée ; jetons de sortie gratuits |
| Disponibilité | Microsoft Foundry et OpenRouter |
| Constance | Décision modifiée dans 1,3 pour cent des perturbations ; aucun changement quand les descriptions d'options étaient reformulées ou les options réordonnées |
| Changement prévu | Passage à des modèles de Microsoft AI et d'OpenAI, sans motif donné |
Ce sont les chiffres de Microsoft issus des tests de Microsoft, et heise note que le blog compare le modèle à plusieurs reprises à GPT-6 Sol, un modèle de pointe pour des tâches de langage complexes, ce qui limite la portée de cette comparaison.
La catégorie est encombrée. The Register compte plus de 100 modèles de ce type, de Jev, annoncé environ trois semaines avant son article du 10 octobre, à l'API Decisions d'OpenAI en bêta publique, au Clef à poids ouverts de Cloudflare, Strands Decider 2B, Liquid AI d1, l'API Decisions de Perplexity, un modèle de Snowflake, Surogate Rune et H2O-Lightning-4B.
Où ils conviennent et où non
Les modèles de décision conviennent aux étapes où le logiciel a besoin d'un jugement rapide et borné, et Microsoft cite le routage, la classification, la priorisation, la vérification et le pilotage de flux comme cibles.
Parmi les usages cités dans l'article de Microsoft et le résumé de heise figurent l'orientation d'une requête vers le bon modèle d'IA selon la qualité, le coût et la latence, la validation d'une entrée par rapport à des critères de qualité, le classement des retours clients en catégories, la décision de laisser un agent continuer, s'arrêter, réessayer ou passer la main, et le choix de la meilleure action dans un ensemble pour piloter un ordinateur ou un robot.
Ils ne conviennent pas à l'écriture libre, et leurs limites sont visibles. Ils donnent des chiffres sans raisons, note heise, et sa lecture est qu'un modèle de décision est plus stable que beaucoup de modèles généraux mais moins fiable qu'un algorithme ou un arbre de décision, car un taux de changement de 1,3 pour cent signifie que les réponses peuvent encore varier. The Register ajoute que les modèles de décision peuvent encore se tromper et renvoie à des recherches sur la façon dont ces erreurs pourraient être amplifiées. Microsoft pose un objectif de calibrage, qu'une prédiction à 90 pour cent soit juste environ neuf fois sur dix, donc demandez un calibrage mesuré sur vos propres données.
Cinq questions avant d'acheter
Demandez quel modèle de base se trouve dessous et sous quelle licence, car Microsoft-Decision-1 repose sur le Qwen3.5-9B d'Alibaba Cloud et la même question vaut pour tout modèle de décision. Si votre politique d'achat limite l'origine des composants d'IA, cette réponse décide du reste.
Demandez quand et comment la base changera. Microsoft dit qu'elle fera passer Microsoft-Decision-1 à des modèles de Microsoft AI et d'OpenAI sans dire pourquoi, donc les résultats d'aujourd'hui décrivent une base appelée à changer ; exigez les mêmes tests sur la nouvelle base avant de vous y fier.
Demandez comment il a été testé. Réclamez le jeu de benchmarks, qui a choisi les modèles de comparaison, le taux de changement sur vos propres formulations et une vérification de calibrage sur vos données, puis faites tourner vous-même un échantillon de vos cas réels.
Demandez comment les décisions sont journalisées et auditées. La sortie est une probabilité sans explication, donc conservez les entrées, les options et les scores de chaque décision et fixez un seuil en dessous duquel une personne décide.
Demandez le prix et la latence dans votre propre configuration. Microsoft cite 0,042 dollar par million de jetons d'entrée avec sortie gratuite et 85 millisecondes, ce qui rend le routage en masse et les contrôles peu coûteux, mais vérifiez les chiffres sur votre propre trafic.
À lire ensuite: L'UE Audite Désormais Directement Votre Fournisseur Cloud | L'UE vient de décaler votre échéance de l'AI Act de 16 mois
