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

โดย กองบรรณาธิการ THAI DATA12 ต.ค. 2026 18:50 น. อ่าน 6 นาที ผู้เข้าชม 1

แชร์Facebook X LINE LinkedIn

ภาพ: Microsoft

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

หน้าเอกสาร Microsoft Learn หัวข้อ Choose a question type ของ Microsoft-Decision-1 มีตารางคำถามแบบ noul, choice และ score พร้อมตัวอย่าง JSON — ตาราง Choose a question type ในเอกสาร Microsoft Learn ที่อธิบายคำถาม noul, choice และ score ของ Microsoft-Decision-1 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

กราฟแท่ง latency มัธยฐานของ decision model ที่ Microsoft ทดสอบ: Microsoft-Decision-1 85 ms, H2O-Lightning-4B v1.1 210 ms, Jev 1.13.0 240 ms, GPT-6 Luna Decisions 300 ms, Quyet-1.0-Large และ Surogate Rune 26B-A4B 380 ms, deck-31B 400 ms และ GPT-6 Sol 3,010 ms — Microsoft-Decision-1 ตอบเร็วที่สุดในกลุ่ม decision model ที่ Microsoft ทดสอบ และเร็วกว่า GPT-6 Sol ราว 35 เท่า 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

ภาพสรุปตัวเลขหลักของ Microsoft-Decision-1: ราคา 0.042 ดอลลาร์ต่อล้านโทเคนขาเข้า ความแม่นยำเฉลี่ย 83.5% จาก 36 ชุดทดสอบ latency มัธยฐาน 85 ms และคำตอบเปลี่ยน 1.3% เมื่อดัดแปลงคำขอ — ตัวเลขหลักของ Microsoft-Decision-1 ด้านราคา ความแม่นยำ ความเร็ว และความเสถียร 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 และสอดคล้องกับทิศทางที่ราคาโมเดลลดลงต่อเนื่องตามที่เราเคยวิเคราะห์ไว้ในราคาโมเดล AI ลดแรงเดือนตุลาคม 2026

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 ได้ที่หมวด 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 — Microsoft
Deploy and use Microsoft-Decision-1 in Microsoft Foundry — Microsoft Learn
Qwen/Qwen3.5-9B — Hugging Face
Bing & Copilot Experimenting With Microsoft-Decision-1 — Search Engine Roundtable

บุคคล องค์กร และสถานที่ในข่าวนี้

เลือกชื่อเพื่ออ่านข่าวทั้งหมดที่กล่าวถึง ตัวเลขคือจำนวนข่าว

องค์กรและบริษัท: Microsoft36 OpenAI20 Hugging Face6
ประเทศและสถานที่: สหรัฐอเมริกา185 จีน102
ผลิตภัณฑ์และเทคโนโลยี: Qwen3 GPT-65 Microsoft Foundry2 Microsoft Azure12 Microsoft Entra6 GPT-6 Luna5
กฎหมายและมาตรฐาน: PDPA60

แท็กMicrosoft-Decision-1 AI Agent

แชร์Facebook X LINE LinkedIn

พบข้อมูลคลาดเคลื่อน? แจ้งกองบรรณาธิการ