# Microsoft เปิดตัว Microsoft-Decision-1 โมเดลตัดสินใจจาก Qwen เร็วกว่า GPT-6 Sol 35 เท่า

> Microsoft เปิดตัว Microsoft-Decision-1 โมเดลจัดหมวด คัดกรอง และ routing ต่อยอดจาก Qwen3.5-9B ใช้ได้ใน Foundry และ OpenRouter ราคา 0.042 ดอลลาร์ต่อล้านโทเคน

- ประเภท: ข่าว · หมวด: AI
- เผยแพร่: 2026-10-12T11:50:00.000Z · อัปเดต: 2026-10-12T11:50:00.000Z
- โดย: กองบรรณาธิการ THAI DATA, THAI DATA IT BUSINESS ENTERPRISE
- ที่มา: https://thaidata.co.th/ai/microsoft-decision-1-qwen-foundry-decision-model/

## สรุปประเด็นสำคัญ

- Microsoft เปิดตัว **Microsoft-Decision-1** เมื่อ **9 ตุลาคม 2026** เป็น decision model ที่ตอบเป็นความน่าจะเป็นของตัวเลือกแทนการเขียนข้อความ ใช้ได้แล้วใน Microsoft Foundry และ OpenRouter
- Microsoft post-train โมเดลจาก **Qwen3.5-9B** ของ Alibaba และระบุว่าจะย้ายไปใช้โมเดลฐานอื่นเร็ว ๆ นี้ รวมถึง MAI ของ Microsoft เองและโมเดลของ OpenAI
- ราคา **0.042 ดอลลาร์สหรัฐ** ต่อล้านโทเคนขาเข้า และ **ไม่คิดค่าโทเคนขาออก**
- ผลทดสอบของ Microsoft: ความแม่นยำเฉลี่ย **83.5%** จาก 36 ชุดทดสอบ (147,137 คำถาม) latency มัธยฐาน **85 มิลลิวินาที** เร็วกว่า GPT-6 Sol ราว **35 เท่า**
- ทีม Copilot ของ Microsoft เริ่มทดลองใช้แล้ว ส่วนเอกสารของ Microsoft เตือนว่าการตัดสินใจที่กระทบบุคคล เช่น สินเชื่อและการจ้างงาน ต้องมีคนตรวจทานเสมอ

Microsoft เปิดตัว Microsoft-Decision-1 เมื่อวันที่ 9 ตุลาคม 2026 (ตามเวลาสหรัฐฯ) เป็นโมเดลสำหรับงานตัดสินใจโดยเฉพาะ เช่น จัดหมวด คัดกรอง และเลือกเส้นทางส่งงาน (routing) ราคา 0.042 ดอลลาร์สหรัฐต่อล้านโทเคนขาเข้า ไม่คิดค่าขาออก และ Microsoft อ้างว่าเร็วกว่า GPT-6 Sol ราว 35 เท่า

โมเดลนี้เปิดให้ใช้แล้วใน Microsoft Foundry และผ่าน OpenRouter โดย Microsoft นำ Qwen3.5-9B ซึ่งเป็นโมเดล open-weight จาก Alibaba มา post-train ต่อ แทนที่จะใช้โมเดลของ OpenAI ที่เป็นพันธมิตรหลัก บริษัทบอกว่าจะย้ายฐานไปใช้โมเดลอื่นเร็ว ๆ นี้ ทั้งโมเดล MAI ของ Microsoft เองและโมเดลของ OpenAI

## Microsoft-Decision-1 ทำงานต่างจาก LLM อย่างไร

LLM ทั่วไปออกแบบมาเพื่อเขียนข้อความหรือคิดแก้ปัญหาซับซ้อน แต่ decision model รับ "สถานะ" (state) ที่เป็นข้อความหรือ JSON กับคำถามที่มีตัวเลือกจำกัด แล้วตอบเป็นตัวเลขที่ซอฟต์แวร์นำไปใช้ต่อได้ทันที เอกสารบน Microsoft Learn แบ่งคำถามไว้ 3 แบบ

| ประเภทคำถาม | ใช้ถามว่า | ผลที่ได้ |
| --- | --- | --- |
| `noul` | จริงหรือไม่ | ความน่าจะเป็นตั้งแต่ 0 ถึง 1 |
| `choice` | เป็นตัวเลือกใด | ตัวเลือกที่เลือก พร้อมความน่าจะเป็นของทุกตัวเลือก |
| `score` | มากน้อยเพียงใด | ค่าบนสเกลที่เรียงลำดับ พร้อมความน่าจะเป็นของแต่ละระดับ |

คำขอหนึ่งครั้งถามได้หลายคำถามพร้อมกันบนข้อมูลชุดเดียว เช่น ส่ง ticket ไปทีมใด ความรุนแรงระดับใด และลูกค้าติดต่อซ้ำหรือไม่ โมเดลไม่ให้เหตุผลประกอบ แอปพลิเคชันจึงต้องตั้งเกณฑ์ความน่าจะเป็นเองว่าจะทำต่ออัตโนมัติ ขอให้โมเดลอื่นตรวจซ้ำ หรือส่งให้คนตัดสิน

![ตาราง Choose a question type ในเอกสาร Microsoft Learn ที่อธิบายคำถาม noul, choice และ score ของ Microsoft-Decision-1](https://thaidata-co-th.s3.ap-southeast-1.amazonaws.com/thaidata.co.th/images/articles/microsoft-decision-1-qwen-foundry-decision-model/microsoft-learn-decision-1-question-types.webp?v=29112fc4) _(ภาพ: Microsoft Learn (ภาพหน้าจอ))_

Microsoft แนะนำให้ใช้กับงาน 16 แบบ ตั้งแต่ควบคุมเอเจนต์ว่าจะทำขั้นถัดไป หยุด ลองใหม่ หรือส่งต่อให้คน การเลือกโมเดลที่เหมาะกับคำขอตามคุณภาพ ต้นทุน และความเร็ว การติดป้ายข้อมูล การให้คะแนนคำตอบของ AI การคัดแยกเหตุขัดข้องตามประเภทและความเร่งด่วน ไปจนถึงการเลือกปุ่มบนหน้าจอในงาน computer use

## ผลทดสอบความเร็วและความแม่นยำที่ Microsoft เปิดเผย

Microsoft เทียบกับ decision model อื่นบน 36 ชุดทดสอบ รวม 147,137 คำถามที่ไม่ได้ใช้ฝึกโมเดล และวัด latency มัธยฐาน (p50) ตามชุดทดสอบ JevBench v1.6.1 ณ 7 ตุลาคม 2026 โดยวัด Microsoft-Decision-1 ผ่าน Foundry ใน Region เดียวกัน

| โมเดล | ความแม่นยำเฉลี่ย | Latency p50 | Calibration (เต็ม 100) |
| --- | --- | --- | --- |
| Microsoft-Decision-1 | 83.5% | 85 ms | 92.2 |
| Jev 1.13.0 | 82.3% | 240 ms | 93.7 |
| Quyet-1.0-Large | 81.9% | 380 ms | 93.1 |
| Surogate Rune 26B-A4B | 79.7% | 380 ms | 91.8 |
| GPT-6 Luna Decisions | 79.4% | 300 ms | 89.9 |
| deck-31B | 77.8% | 400 ms | 83.5 |
| H2O-Lightning-4B v1.1 | 77.2% | 210 ms | 91.8 |
| GPT-6 Sol (อ้างอิง) | — | 3,010 ms | — |

Microsoft-Decision-1 ได้ความแม่นยำเฉลี่ยสูงสุดในตารางและเร็วที่สุด เร็วกว่า H2O-Lightning-4B v1.1 ที่ตามมาเป็นอันดับสองราว 2.5 เท่า แต่ด้าน calibration หรือความตรงกันระหว่างความมั่นใจกับความถูกต้องจริง อยู่อันดับสาม ตามหลัง Jev 1.5 คะแนน ส่วน p95 ของ Microsoft-Decision-1 อยู่ที่ 125 ms

![Microsoft-Decision-1 ตอบเร็วที่สุดในกลุ่ม decision model ที่ Microsoft ทดสอบ และเร็วกว่า GPT-6 Sol ราว 35 เท่า](https://thaidata-co-th.s3.ap-southeast-1.amazonaws.com/thaidata.co.th/images/articles/microsoft-decision-1-qwen-foundry-decision-model/microsoft-decision-1-latency-chart.webp?v=5eaf12b2) _(ภาพ: THAI DATA (ข้อมูล: Microsoft))_

ด้านความเสถียร Microsoft ดัดแปลงคำขอเดิม 8 แบบ เช่น เขียนคำอธิบายตัวเลือกใหม่หรือสลับลำดับตัวเลือก แล้ววัดว่าคำตอบเปลี่ยนบ่อยเพียงใด พบว่าเปลี่ยนเฉลี่ย 1.3% และไม่เปลี่ยนเลยเมื่อเรียบเรียงคำอธิบายตัวเลือกใหม่หรือสลับลำดับ ส่วนด้านความปลอดภัยทดสอบคำขอ 5,250 รายการจาก 11 ชุดทดสอบ ครอบคลุมเนื้อหาอันตราย การ jailbreak และ prompt injection

ทุกตัวเลขข้างต้นเป็นผลที่ Microsoft วัดเอง ยังไม่มีผู้ทดสอบอิสระยืนยัน

## ราคาของ Microsoft-Decision-1 และการใช้งานจริงใน Microsoft

ราคา 0.042 ดอลลาร์ต่อล้านโทเคนขาเข้าโดยไม่คิดขาออกเป็นจุดที่ต่างจาก LLM ชัดที่สุด เพราะโมเดลตอบเป็นตัวเลขสั้น ๆ ไม่ได้เขียนข้อความยาว Microsoft ประเมินจากงานจัดหมวดความเห็นผู้เล่นเกม 3 ชุดข้อมูลว่า ถ้าขยายเป็น 1 ล้านข้อความ GPT-6 Sol จะเสียราว 2,434 ดอลลาร์ ขณะที่ Microsoft-Decision-1 เสียราว 11 ดอลลาร์ และใช้เวลาต่อข้อความไม่ถึง 200 ms เทียบกับ 2.6–2.8 วินาทีของ GPT-6 Sol

![ตัวเลขหลักของ Microsoft-Decision-1 ด้านราคา ความแม่นยำ ความเร็ว และความเสถียร](https://thaidata-co-th.s3.ap-southeast-1.amazonaws.com/thaidata.co.th/images/articles/microsoft-decision-1-qwen-foundry-decision-model/microsoft-decision-1-key-figures.webp?v=81258840) _(ภาพ: THAI DATA (ข้อมูล: Microsoft))_

ทีมภายใน Microsoft ใช้งานแล้วหลายแบบ

- **XBOX Research** จัดหมวดความเห็นและรีวิวกว่า 10,000 ชิ้นจากแบบสำรวจ STEAM และ Twitter/X ได้คุณภาพสูสีกับ GPT-6 Sol แต่เร็วกว่ามากกว่า 14 เท่าและถูกกว่า 200 เท่า
- **ทีม Copilot** ใช้ตรวจคุณภาพคำตอบของแชตและเอเจนต์ พบว่าคุณภาพสูสีกับ LLM ที่ใช้เทียบและเร็วกว่า 100 เท่า Search Engine Roundtable รายงานเมื่อ 12 ตุลาคมว่า Rangan Majumder โพสต์บน X ว่า "We're experimenting with it in Copilot and it's pretty good!" ส่วนทีม Bing ตอบเพียงว่า "we are always experimenting!"
- **วิศวกร on-call** ใช้ช่วยค้นความรู้ระหว่างรับมือเหตุขัดข้อง และ **Microsoft Discovery** ใช้ให้คะแนนผลการทดลองเพื่อวางแผนใหม่ ได้ผลสม่ำเสมอกว่าการให้คะแนนด้วย LLM 46 เท่า

## ข้อจำกัดของ Microsoft-Decision-1 ที่ Microsoft ระบุเอง

เอกสาร Microsoft Learn ระบุความเสี่ยง 4 ด้าน ได้แก่ อคติที่อาจติดมาจากโมเดลฐานและข้อมูลฝึก คะแนนที่เปลี่ยนตามการเรียบเรียงคำถาม calibration ที่ดีที่สุดเฉพาะงานแบบที่โมเดลคุ้นเคย และการกรองเนื้อหาอันตรายที่อาจพลาดหรือกรองเกิน Microsoft แนะนำให้ทดสอบกับข้อมูลจริงขององค์กรก่อนใช้ ใส่ตัวเลือก "ตอบไม่ได้" เมื่อไม่ควรบังคับเลือก และกำชับว่าการตัดสินใจที่กระทบบุคคล เช่น สินเชื่อ การจ้างงาน ที่อยู่อาศัย สุขภาพ หรือกฎหมาย ต้องมีคนตรวจทานจริง ไม่ใช้โมเดลตัดสินเพียงลำพัง

## ทำไมเรื่องนี้สำคัญ

ระบบ AI Agent ในองค์กรมีจุดตัดสินใจเล็ก ๆ จำนวนมาก เช่น จะส่งคำขอนี้ให้โมเดลไหน ขั้นตอนนี้แตะข้อมูล production หรือไม่ คำตอบนี้ผ่านเกณฑ์หรือยัง Microsoft ยกตัวอย่างว่าถ้าเพิ่ม 100 มิลลิวินาทีให้การตัดสินใจ 20 ครั้งที่ต่อกัน งานทั้งหมดจะช้าขึ้น 2 วินาที การใช้ LLM ตัวใหญ่ทุกจุดจึงทั้งช้าและแพง

การที่ Microsoft เลือก Qwen3.5-9B ซึ่งหน้า Hugging Face ระบุสัญญาอนุญาต Apache 2.0 เป็นฐาน แทนการใช้โมเดลของ OpenAI ตั้งแต่แรก ยังสะท้อนว่าโมเดล open-weight จากจีนกลายเป็นวัตถุดิบที่บริษัทใหญ่ฝั่งสหรัฐฯ นำมาทำผลิตภัณฑ์เชิงพาณิชย์แล้ว และสอดคล้องกับทิศทางที่ราคาโมเดลลดลงต่อเนื่องตามที่เราเคยวิเคราะห์ไว้ใน[ราคาโมเดล AI ลดแรงเดือนตุลาคม 2026](/ai/ai-cost-price-drop-october-2026-thai-budgets/)

## ผลต่อองค์กรไทย

- **ทบทวนจุดที่ใช้ LLM ตัวใหญ่ทำงานจัดหมวด** เช่น คัดแยก ticket แยกอีเมลลูกค้า หรือตรวจคำตอบของแชตบอต งานเหล่านี้อาจย้ายมาใช้ decision model ได้ในต้นทุนที่ต่ำกว่ามาก แต่ต้องวัดผลกับข้อมูลของตัวเองก่อน
- **ทดสอบกับข้อความภาษาไทยก่อนตัดสินใจ** ตัวเลขของ Microsoft มาจากชุดทดสอบที่บริษัทเลือกเอง ควรเตรียมตัวอย่างภาษาไทยที่ติดป้ายคำตอบไว้แล้วอย่างน้อยหลักร้อยรายการ เทียบความแม่นยำและ latency กับระบบเดิม
- **ตรวจตำแหน่งประมวลผลข้อมูล** แบบ GlobalStandard อาจประมวลผลใน Region ใดก็ได้ องค์กรที่ส่งข้อมูลส่วนบุคคลตาม PDPA ควรดูว่ามี DataZoneStandard ในพื้นที่ที่ต้องการหรือไม่ และระวังว่าการเรียกผ่าน OpenRouter คือการส่งข้อมูลผ่านผู้ให้บริการอีกราย
- **วางเกณฑ์ความมั่นใจและจุดส่งต่อให้คน** ใช้ความน่าจะเป็นที่โมเดลตอบกลับกำหนดว่าเมื่อใดทำต่ออัตโนมัติ และเมื่อใดต้องส่งให้พนักงาน โดยเฉพาะงานที่กระทบลูกค้าหรือพนักงานรายบุคคล ติดตามข่าว AI อื่น ๆ ได้ที่[หมวด AI](/ai/)

## คำถามที่พบบ่อย

### Microsoft-Decision-1 คืออะไร?

Microsoft-Decision-1 คือ decision model ของ Microsoft ที่รับข้อความหรือ JSON แล้วตอบเป็นความน่าจะเป็นของแต่ละตัวเลือก ไม่เขียนคำตอบเป็นประโยค ใช้กับงานจัดหมวด คัดกรอง จัดลำดับความสำคัญ ให้คะแนนคำตอบของ AI และเลือกว่าจะส่งงานต่อให้โมเดล เครื่องมือ หรือคนใด

### Microsoft-Decision-1 ราคาเท่าไร?

Microsoft ประกาศราคา Microsoft-Decision-1 ไว้ที่ 0.042 ดอลลาร์สหรัฐต่อล้านโทเคนขาเข้า และไม่คิดค่าโทเคนขาออก ในการทดสอบจัดหมวดความเห็นผู้เล่นเกมของ Microsoft บริษัทประเมินว่าถ้าขยายเป็น 1 ล้านข้อความ จะเสียราว 11 ดอลลาร์ เทียบกับราว 2,434 ดอลลาร์เมื่อใช้ GPT-6 Sol

### Microsoft-Decision-1 สร้างจากโมเดลอะไร?

Microsoft ระบุว่าสร้าง Microsoft-Decision-1 โดยนำ Qwen3.5-9B ของทีม Qwen ใน Alibaba มา post-train ให้ตัดสินใจได้ในรอบเดียว และจะย้ายฐานไปใช้โมเดลอื่นเร็ว ๆ นี้ รวมถึงโมเดล MAI ของ Microsoft และโมเดลของ OpenAI ส่วนหน้า Hugging Face ของ Qwen3.5-9B ระบุสัญญาอนุญาต Apache 2.0

### เริ่มใช้ Microsoft-Decision-1 ได้ที่ไหน?

Microsoft-Decision-1 ใช้ได้สองทาง ทางแรกคือ deploy จาก model catalog ใน Microsoft Foundry ด้วยบัญชี Azure แบบเสียเงิน เลือกแบบ GlobalStandard หรือ DataZoneStandard ในบาง Region และยืนยันตัวตนด้วย Microsoft Entra ID หรือ API key ทางที่สองคือเรียกผ่าน OpenRouter


## แหล่งอ้างอิง

- [Introducing Microsoft-Decision-1, our model for fast decision-making](https://commandline.microsoft.com/microsoft-decision-1-model-foundry/) — Microsoft
- [Deploy and use Microsoft-Decision-1 in Microsoft Foundry](https://learn.microsoft.com/en-us/azure/foundry/foundry-models/how-to/use-foundry-models-microsoft-decision) — Microsoft Learn
- [Qwen/Qwen3.5-9B](https://huggingface.co/Qwen/Qwen3.5-9B) — Hugging Face
- [Bing & Copilot Experimenting With Microsoft-Decision-1](https://www.seroundtable.com/bing-microsoft-decision-1-42270.html) — Search Engine Roundtable