2026年11月17日,微软在 Ignite 大会上正式全面推出决策模型 Microsoft-Decision-1.1,全球标准输入定价直接锚定在每百万 Token 0.042 美元,输出 Token 全部免费。这个精确到小数点后三位的数字,与一个月前刚凭 Jev 系列模型拿下 75 亿美元估值的独角兽 TypeSafe 完全一致。同日,两位剑桥大学研究生创立的英国初创公司 Sqwish 宣布完成 300 万美元 Pre-seed 轮融资,试图用支持客户自有数据微调的 kettei 系列模型在巨头夹缝中抢食。

决策模型是经过特殊调优的大语言模型,它们砍掉了冗长的文本生成过程,不产生输出 Token,只用极低成本和毫秒级速度在预设选项中做选择,并给出置信度评分。2026年10月,这类问世仅一个月的模型已经吃下了 Vercel AI 网关 26% 的请求量;TypeSafe 旗下的 Jev 模型在 OpenRouter 上的单周调用量更是从10月中旬的 10.8 亿次飙升至 15 亿次以上。当云巨头用像素级对齐的定价入场,这个靠截流传统大模型高频简单任务崛起的新赛道,在满月之际就直接跳进了贴身肉搏的价格战与定制化突围战。

问世一个月:决策模型迅速截流大模型高频请求 26% Vercel 网关请求占比 2026年10月流向决策模型 15亿+ Jev 单周查询量 OpenRouter 平台单周峰值 $0.042 每百万 Token 基准价 微软与 Jev 贴身对齐且输出免费

0.042 美元的贴身狙击:云巨头如何收割周末手搓出来的赛道

企业工作流里充斥着路由分发、工具选择、优先级排序和内容过滤等高频动作。过去开发者调用前沿大模型处理这些任务,相当于雇佣博士生去分拣快递;决策模型则把慢思考的文本推理剥离,专职承担认知里的快思考(System 1)。但这也带来了一个致命的商业隐患,即构建一个基础决策模型的技术门槛极低,甚至有一名亚马逊工程师仅用一个周末就手搓出了可用版本。

技术架构无法构成壁垒,真正的难点在于用统计学调整过的合成数据做置信度校准(Calibration)。微软此次发布的 Microsoft-Decision-1.1 正是冲着企业级校准与工程性价比而来,不仅同步上线 Microsoft Foundry、OpenRouter 和 Vercel,还直接亮出了超过 4000 家企业客户的基本盘。

模型版本输入价格(每百万 Token)输出价格核心能力与当前状态
TypeSafe Jev$0.042免费单周超 15 亿次调用,合成数据校准标杆
Microsoft-Decision-1.1$0.042(美区 $0.046 / 欧亚 $0.05)免费速度翻倍,新增图像多模态输入与主动弃权
Sqwish kettei fat$0.060免费231 题 JevBench 准确率 93.1%,微调处于早期预览
Sqwish kettei chub / core$0.040 / $0.020免费轻量级梯队,已正式开放 OneHot 平台微调

对比硬参数可以发现,微软对 TypeSafe 实施的是全方位围堵。Decision-1.1 在保持价格不变的前提下,推理速度比前代 Decision-1 提升了两倍以上,在 Artificial Analysis Decision Index v2.1 外部基准测试中拿下 68 分(较前代提升 6 分),并在微软内部横跨 102 个基准、超 38.5 万道问题的 8 款模型评测中拿下了 9 个能力类别里的 7 项第一。更关键的是,微软为 Decision-1.1 加上了图像多模态输入,并强化了信息不完整时主动弃权(Abstain)并上报的能力。

当输出 Token 免费成为行规,决策模型比拼的不再是生成才华,而是知之为知之的校准纪律。
  • 结论.微软将价格死死咬在 0.042 美元并塞入图像输入与弃权机制,实质上是把决策模型从单纯的文本分类器升级为企业风控网关,直接截断独角兽 TypeSafe 靠先发优势获取超额溢价的可能。

定制化突围与期货隐忧:初创公司靠什么虎口夺食

面对云巨头的商品化碾压,剑桥校友 Ushnish Sengupta 和 Federica Freddi 创立的 Sqwish 给出了另一套解法。他们将原本研发的小型语言模型架构改造为 kettei 系列决策模型,主打内置后训练平台 OneHot,允许企业不断上传自有生产数据来持续微调模型判断力。在 Sqwish 看来,即便未来 System 1 决策模型长成一个 100 亿至 500 亿美元的市场,对于瞄准 1 万亿至 2 万亿美元 IPO 估值的 OpenAI 等前沿实验室来说也只是个副业,专注垂直定制的初创公司依然有得打。

通用开箱即用 vs 客户数据后训练:两条路线正面交锋 云巨头与独角兽路线(微软 / Jev) • 定价锚定 $0.042 / 百万 Token • 依赖内部统计合成数据做出厂校准 • 微软叠加图像输入与主动弃权风控 优势在开箱即用与云生态捆绑 初创定制化路线(Sqwish kettei) • 价格分层 $0.02 至 $0.06 / 百万 Token • 开放 OneHot 平台供客户上传生产数据 • 160 毫秒中位延迟,主打垂直任务进化 限制在旗舰版微调尚处早期预览阶段

但拆开产品文档与计费细则,初创公司的定制化故事还存在明显的交付时间差。Sqwish 旗舰模型 kettei fat 的输入定价高达每百万 Token 0.06 美元,比微软和 Jev 贵出约 43%;且这款旗舰模型赖以宣传的微调功能目前仅处于早期预览(Early Preview)状态,真正已上线可用微调功能的其实是定价 0.04 美元的 kettei chub 和 0.02 美元的 kettei core 两款轻量模型。

跑分数据的含金量同样需要打折审视。Sqwish 官方宣称其模型达到了 93.1% 的准确率和 160 毫秒的中位延迟,但这一成绩仅在 231 道公开的 JevBench 测试子集上测得。领导微软 Decision-1.1 项目的工程副总裁 Achint Srivastava 直言,刷榜(Benchmaxed)模型在真实企业场景中垮得极快。更重要的是,决策模型的输入输出结构高度标准化,企业开发者在代码里把一个模型替换成另一个模型几乎不费吹灰之力。

  • 提醒.对于正在搭建 Agent 工作流的企业架构师而言,不要因为单周 15 亿次调用的喧嚣就盲目采购高价定制方案;由于决策模型不产生输出 Token,其在 OpenRouter 等按 Token 消耗量排名的传统榜单上存在巨大的财务温差,且单纯上传生产流量并不会自动提升判断力,缺乏人工修正结果与反复评估闭环的团队,直接调用微软或 Jev 的标准接口远比自己折腾微调更划算。

接下来最值得盯紧的变量有两个:一是 Sqwish 旗舰模型 kettei fat 的后训练工具何时能走出早期预览并证明其在复杂业务中的留存率;二是在替换成本趋近于零的路由层,手握 75 亿美元估值的 TypeSafe 面对微软 0.042 美元的同价截击,会被迫率先降价还是转向更重度的垂直行业绑定。