Microsoft-Decision-1 arrive dans Foundry pour classer et choisir sans rédiger

Microsoft a présenté Microsoft-Decision-1 le 9 octobre 2026. Ce modèle évalue des options déjà définies au lieu de rédiger une réponse libre. Il peut aider une application à classer une demande ou à choisir sa prochaine étape. Le billet de lancement décrit un modèle spécialisé dans ces petits choix répétés. Le catalogue Foundry l’accueille en préversion publique.

Une brique spécialisée dans les choix bornés

Microsoft s’appuie sur Qwen3.5-9B et l’a entraîné pour ce type de tâche. L’éditeur annonce aussi de futures versions fondées sur ses modèles MAI et sur des modèles OpenAI. Ce projet futur ne décrit pas la base du modèle actuellement présenté. Il faut distinguer l’origine du modèle de l’évolution annoncée de sa famille.

Le principe consiste à séparer les étapes d’une application. Rédiger une explication demande un texte. Orienter une demande demande parfois seulement une catégorie. Le logiciel peut utiliser une brique différente pour chaque résultat attendu. Un modèle de décision fournit ainsi un signal que le programme peut exploiter sans devoir chercher une réponse dans un paragraphe.

Trois formes de réponse dans le guide Foundry

Le guide Microsoft accepte du texte ou un objet JSON décrivant la situation. L’application ajoute des questions et leurs critères. Le modèle renvoie des réponses numériques typées. Il ne fournit pas de justification rédigée. Les trois formes proposées correspondent à trois questions différentes.

Vérifier une condition ou choisir une catégorie

Une question de type « noul » estime la probabilité qu’une condition soit vraie. Le type « choice » sélectionne une option dans une liste et fournit les probabilités des options. Le type « score » place l’information sur une échelle ordonnée. Son résultat utilise une moyenne pondérée des niveaux. Un score peut donc se trouver entre deux niveaux.

Cette dernière distinction compte. Un score intermédiaire n’affirme pas que la situation appartient avec certitude à une catégorie. De même, une probabilité élevée ne devient pas une garantie. Le résultat dépend des informations fournies et de la manière de décrire la question. La précision des catégories fait partie du fonctionnement de l’ensemble.

Le classement et l’action restent deux étapes

Prenons un exemple de lecture du mécanisme. Une application reçoit un message parlant d’une panne et d’une facture. Elle doit déterminer quelle équipe le reçoit en premier. Si ses règles ne précisent pas la priorité, les catégories se recouvrent. Une sortie bien formée ne résout pas ce problème de définition. Ça explique pourquoi le choix des critères compte autant que la forme de réponse.

Choisir une équipe ne réalise pas le travail de cette équipe. Le programme conserve la responsabilité de l’étape suivante. Il peut transmettre le message ou demander une vérification. Cette séparation évite de confondre une estimation avec une autorisation d’agir. Elle permet aussi de réserver les situations ambiguës à une autre lecture.

Un tarif de 0,042 dollar par million de jetons d’entrée

Le tableau Foundry affiche ce tarif pour les déploiements dans les zones de données américaine et européenne. Le billet de lancement précise que les jetons de sortie ne sont pas facturés. Ce prix porte sur le traitement du modèle. Il ne chiffre pas tout le coût d’une application ni les autres services qui l’accompagnent.

L’accès demande une souscription Azure et un projet Foundry avec les permissions nécessaires. Le guide de déploiement distingue DataZoneStandard dans certaines régions et GlobalStandard. Une zone de données limite le traitement d’inférence à cette zone. Un traitement global peut utiliser des régions Azure prises en charge. La proximité du point d’accès ne garantit pas à elle seule la latence.

Les limites d’un résultat sans explication

La documentation signale des biais possibles et une sensibilité à la formulation. Elle déconseille d’utiliser les scores comme seule base de décisions concernant des personnes. Un filtre peut manquer un contenu dangereux ou retenir un contenu sans risque. Les comparaisons de rapidité publiées par Microsoft restent des mesures de l’éditeur dans ses conditions. Elles ne promettent pas un délai identique pour chaque application.

Décrire le résultat avant de choisir le modèle

Cette annonce rappelle une question utile dans l’apprentissage de l’IA. Attend-on un texte à relire ou un signal pour orienter un processus ? Distinguer ces besoins aide à comprendre les possibilités de l’outil. Ça aide aussi à repérer les décisions dont les conséquences demandent une personne responsable.

Pour approfondir ces usages avec vos équipes, vous pouvez me contacter.

Retrouvez aussi le décryptage de Decisions chez OpenAI. Il présente une autre interface consacrée aux réponses typées.