Microsoft Decision-1：大きなモデルの代わりに選択肢を選ぶ小さなモデル

Microsoft は 2026 年 10 月初め、話しかけたがらないモデルをひっそり追加した。Microsoft-Decision-1 といい、Qwen3.5-9B の上に作られ、唯一の仕事は選択だ。要求と選択肢の組を与えると、決定を返す。長文も書かなければ会話もしない。素早く安く選ぶ。この狭さが要点だ。

この言い方は、ほとんどの AI 製品が計算資源をどこに使っているかを見るまで退屈に聞こえる。成熟したシステムの呼び出しの多くは難しくない。高価なモデルの手前にあるルーティング呼び出し、意図チェック、分類の段だ。そこに旗艦価格を払うのは無駄で、その無駄は静かに請求を倍にする。

AI システムで最も一般的な仕事

実トラフィックを扱うパイプラインは、ほとんどが小さな決定をしている。このメッセージはどの意図か。サポートか営業か。長い答えが要るか一言で足りるか。人間に上げるべきか。どれもラベル付きの選択肢からの選択で、どれも現在は、その後で実際の質問に答える巨大なモデルが担っている。

選択のためだけに存在するモデルは経済を変える。9B モデルが短い分類を走らせるのは、フロンティアモデルが同じことをするよりはるかに安く速い。ルーティングが正確なら、高価なモデルは本当に必要なときだけ起動し、系全体のコストと遅延が下がる。

{{INLINE1}}

「小さなモデル」が面白い部分

大きさが物語だ。業界は二年間、より大きな数字を追い、ここ一年の逆流はモデルを仕事に合わせる方向だ。90 億パラメータのモデルは、自己ホストできるほど小さく、常時動かせるほど安く、ボトルネックにならずに要求経路に置けるほど速い。これは「最良の答え」とは別の設計目標で、多くの本番システムが実際に持つ目標だ。

Qwen3.5-9B の上に作ったことも注目に値する。Microsoft には自社のモデル系列があるのに、ここではオープンな基盤に手を伸ばして特化した。これは実利的な選択だ。基盤は十分有能で、意思決定向けの微調整が付加価値であり、結果は旗艦ではなく道具になる。強いオープン基盤がいまや誰もが上に築けるインフラであることも示す。

発表会のないルーティング層

意思決定モデルは、技術スタックの中で発表会がほとんど開かれない層を指す。次に何が起きるかを決める層だ。遅延予算、コスト上限、フォールバック、エスカレーション規則がそこに住み、見出しのモデル以上にユーザー体験を形づくる。ルーティングの良い系は速く信頼でき、悪い系は高く遅く感じる。背後に優れたモデルがあってもだ。

このカテゴリは伸びる。エージェントのパイプラインが段を増やすほど、要求あたりの小さな決定が増え、専用で安い選択器の必要性が強まる。来年の面白い競争は、誰が最も賢いモデルを持つかではなく、誰が最も安く信頼できるモデル群を組めるかになるかもしれない。

導入前に測るべきこと

意思決定モデルは決定が良いときだけ役立つ。ここでの品質は雄弁さではない。測る価値のあることは地味で決定的だ。自分自身のカテゴリでどれだけ正確か、汎用集合ではなく。入力が曖昧、あるいはどのカテゴリにも属さないときどうするか。担当外を聞かれたときどうするか、なぜなら当て推量して棄権しない選択器はパイプラインを静かに汚す。そして実際のトラフィックでいくらかかるか。安いモデルをどこでも使えば、それでも一行の費用になる。

遅延は別に挙げる価値がある。ルーティングモデルはクリティカルパスに座るので、加えるミリ秒はすべての要求に加わる。一瞬で答えるモデルは自由に呼べる。一秒かかるモデルは、周囲のアーキテクチャを形づくり始める。選択器にとって速度は良い性質ではなく、どれだけ頻繁に使えるかを決める性質だ。

見落としやすい失敗の型がある。小さなルーティングの誤りは積み上がる。一度の誤ルーティングは要求を誤った経路に送り、その経路が高価か遅ければユーザーが感じる。だから意思決定モデルは通常、唯一の関門ではなく、ガードレールとフォールバックの背後に置かれる。目的は難しい端から人間が設計した規則を外すことではなく、易しい多数派のコストと遅延を下げることだ。

フォールバックの型

Decision-1 のようなモデルの最も一般的な使い方はカスケードだ。安い選択器がまず要求を調べる。明白な事例は小さなモデルが直接答える。境界的な事例は大きなモデルへ上げる。本当に難しい事例は人間か専門ツールへ回す。各層が得意なことを担い、高価な資源は易しいフィルタが必要と言ったときだけ起動する。

この型は新しくない。コールセンター、スパムフィルタ、検索ランキングが何年もこう動いてきた。新しいのは、言語モデルが自然言語の意図の一回目の処理を担えるようになったことだ。かつては脆い規則か、フルサイズのモデルが必要だった。これは本物の能力の変化であり、小さな意思決定モデルが珍品ではなくスタックの各所に現れる理由だ。

ここで専才が汎用に勝つ理由

選択のために訓練されたモデルには、過小評価されがちな利点がある。誰も求めていないものに出力を浪費しないことだ。汎用アシスタントはルーティングを任されると、自分を説明し、曖昧にし、ラベル一つで済む場所に段落を出す。この冗長さは煩わしいだけでなく、トークンと遅延を食い、出力をプログラムで解析しにくくする。きれいな選択を返す小さな意思決定モデルは、安く動き、系に組み込みやすい。

これが特化型小型モデルの賭けのすべてだ。広さを一つの仕事の信頼性と交換し、その仕事がよくあり費用が毎回かかるから勝つ。何千もの決定が同じ狭い仕事に乗るとき、十分に良い専才は、過剰な資格と過剰な価格の汎用を素早く上回る。

それが示すこと

Decision-1 は小さな発表で、明確なメッセージを運ぶ。すべての問題が最大のモデルに値するわけではない。AI 製品を作る企業は、大きなモデルで難しい事例を、小さな専門家でそれ以外を担う一群を組むようになっている。こうしたモデルはデモに出ないので見落とされやすい。だが請求に、そして製品の手触りに現れる。そこが AI 機能が実ユーザーとの接触に耐えるかを決める場所だ。