Microsoft-Decision-1 er bygget til beslutninger om indsendt indhold: at vælge en etiket, kontrollere en betingelse eller tildele en vurdering. Microsoft har eftertrænet Qwen3.5-9B til denne fokuserede scoringsopgave. Resultatet er en numerisk vurdering, som en applikation kan bruge direkte, frem for en samtale, et dokument eller en skriftlig forklaring.
Producenten beskriver tre slags spørgsmål. Et binært spørgsmål returnerer en sandsynlighed mellem 0 og 1 for en defineret betingelse. Et choice-spørgsmål vælger én svarmulighed og returnerer en sandsynlighed for hver kandidat. Et scoringsspørgsmål placerer et element på en ordnet skala og returnerer en sandsynlighedsvægtet værdi, som kan ligge mellem skalaens niveauer.
Brug et binært spørgsmål, når en arbejdsgang skal kontrollere en betingelse, for eksempel om et svar indeholder en lovet handling. Brug et choice-spørgsmål til at tildele en anmodning til en kendt kategori. Brug en score til at ordne en gennemgangskø eller vurdere et svar efter en defineret vurderingsrubrik. Opgaverne adskiller sig ved det resultat, applikationen har brug for, så vælg spørgsmålstypen, før inputtet forberedes.
Modellen læser en indsendt tilstand udtrykt som tekst eller JSON sammen med afgrænsede spørgsmål og instruktioner. Medtag det materiale, der afgør beslutningen, og definér kriterierne klart. For en klassifikator til supportsager skal du indsende beskeden og meningsfulde beskrivelser af de tilladte destinationer. For en kvalitetskontrol skal du indsende svarforslaget, den oprindelige opgave og vurderingsrubrikken frem for at bede om en uforklaret generel kvalitetsvurdering.
Flere spørgsmål kan dele samme evidens. En enkelt supportsag kan have brug for en destination, et hasteniveau og en kontrol af gentagen kontakt. Når beslutningerne holdes knyttet til det samme indsendte materiale, bliver resultatet lettere at fortolke. Spørgsmålsformuleringen og forskellen mellem svarmulighederne har stadig betydning: Overlappende etiketter eller manglende evidens kan give en tilsyneladende præcis score for en dårligt defineret opgave.
Microsoft behandler sandsynligheder som nyttige konfidenssignaler til at afgøre, om der skal handles, ventes eller anmodes om gennemgang. Fastlæg tærskler med repræsentative mærkede tilfælde fra dine egne opgaver. Tærsklen for at acceptere en harmløs kategoritildeling kan være forskellig fra tærsklen for en handling med en dyr falsk positiv. En eksplicit usikker svarmulighed lader en klassifikator undgå at tvinge et valg igennem uden belæg.
Ved en ordnet score skal resultatet bruges til at sammenligne elementer eller anvende en målt tærskel; det er ikke en uafhængigt valideret absolut kvalitetsvurdering. Kontrollér, om en omformulering af spørgsmålet eller ændring af svarmulighedernes rækkefølge ændrer beslutningen. Det gør betydningen af den returnerede score konkret for den applikation, som bruger den.
En agent kan bruge en afgrænset beslutning til at vælge sin næste handling, en dokumentarbejdsgang kan klassificere indkommende materiale, og et evalueringstrin kan acceptere, revidere eller eskalere et genereret resultat. Microsoft beskriver også hensigtsanalyse, hændelsesrouting, søgerelevans og datamærkning som anvendelser. En generativ model er fortsat den passende komponent, når det krævede resultat er et resumé, en forklaring, omskrevet tekst eller kode; beslutningsmodellen kan vælge det næste behandlingstrin.
I et Ailoot API-projekt skal du begynde med en konkret beslutning og definere evidensen, de tilladte svar og den handling, der er knyttet til hvert udfald. Tag højde for modellens dokumenterede følsomhed over for ordlyd og dens manglende skriftlige begrundelse. Vurdér beslutningerne ud fra opgavens faktiske etiketter, og undersøg usikre tilfælde, før konfidens behandles som automatisk tilladelse til at handle.
", "aboutText": "Microsoft-Decision-1 er bygget til beslutninger om indsendt indhold: at vælge en etiket, kontrollere en betingelse eller tildele en vurdering. Microsoft har eftertrænet Qwen3.5-9B til denne fokuserede scoringsopgave. Resultatet er en numerisk vurdering, som en applikation kan bruge direkte, frem for en samtale, et dokument eller en skriftlig forklaring.\n\n### Faste valg og tydelige spørgsmålstyper\n\nProducenten beskriver tre slags spørgsmål. Et binært spørgsmål returnerer en sandsynlighed mellem 0 og 1 for en defineret betingelse. Et choice-spørgsmål vælger én svarmulighed og returnerer en sandsynlighed for hver kandidat. Et scoringsspørgsmål placerer et element på en ordnet skala og returnerer en sandsynlighedsvægtet værdi, som kan ligge mellem skalaens niveauer.\n\nBrug et binært spørgsmål, når en arbejdsgang skal kontrollere en betingelse, for eksempel om et svar indeholder en lovet handling. Brug et choice-spørgsmål til at tildele en anmodning til en kendt kategori. Brug en score til at ordne en gennemgangskø eller vurdere et svar efter en defineret vurderingsrubrik. Opgaverne adskiller sig ved det resultat, applikationen har brug for, så vælg spørgsmålstypen, før inputtet forberedes.\n\n### Forbered evidensen og svarmulighederne\n\nModellen læser en indsendt tilstand udtrykt som tekst eller JSON sammen med afgrænsede spørgsmål og instruktioner. Medtag det materiale, der afgør beslutningen, og definér kriterierne klart. For en klassifikator til supportsager skal du indsende beskeden og meningsfulde beskrivelser af de tilladte destinationer. For en kvalitetskontrol skal du indsende svarforslaget, den oprindelige opgave og vurderingsrubrikken frem for at bede om en uforklaret generel kvalitetsvurdering.\n\nFlere spørgsmål kan dele samme evidens. En enkelt supportsag kan have brug for en destination, et hasteniveau og en kontrol af gentagen kontakt. Når beslutningerne holdes knyttet til det samme indsendte materiale, bliver resultatet lettere at fortolke. Spørgsmålsformuleringen og forskellen mellem svarmulighederne har stadig betydning: Overlappende etiketter eller manglende evidens kan give en tilsyneladende præcis score for en dårligt defineret opgave.\n\n### Konfidens og styring af arbejdsgange\n\nMicrosoft behandler sandsynligheder som nyttige konfidenssignaler til at afgøre, om der skal handles, ventes eller anmodes om gennemgang. Fastlæg tærskler med repræsentative mærkede tilfælde fra dine egne opgaver. Tærsklen for at acceptere en harmløs kategoritildeling kan være forskellig fra tærsklen for en handling med en dyr falsk positiv. En eksplicit usikker svarmulighed lader en klassifikator undgå at tvinge et valg igennem uden belæg.\n\nVed en ordnet score skal resultatet bruges til at sammenligne elementer eller anvende en målt tærskel; det er ikke en uafhængigt valideret absolut kvalitetsvurdering. Kontrollér, om en omformulering af spørgsmålet eller ændring af svarmulighedernes rækkefølge ændrer beslutningen. Det gør betydningen af den returnerede score konkret for den applikation, som bruger den.\n\n### Praktiske anvendelser af en beslutningsmodel\n\nEn agent kan bruge en afgrænset beslutning til at vælge sin næste handling, en dokumentarbejdsgang kan klassificere indkommende materiale, og et evalueringstrin kan acceptere, revidere eller eskalere et genereret resultat. Microsoft beskriver også hensigtsanalyse, hændelsesrouting, søgerelevans og datamærkning som anvendelser. En generativ model er fortsat den passende komponent, når det krævede resultat er et resumé, en forklaring, omskrevet tekst eller kode; beslutningsmodellen kan vælge det næste behandlingstrin.\n\nI et Ailoot API-projekt skal du begynde med en konkret beslutning og definere evidensen, de tilladte svar og den handling, der er knyttet til hvert udfald. Tag højde for modellens dokumenterede følsomhed over for ordlyd og dens manglende skriftlige begrundelse. Vurdér beslutningerne ud fra opgavens faktiske etiketter, og undersøg usikre tilfælde, før konfidens behandles som automatisk tilladelse til at handle.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "03da781c2b37eac8fe4bbaa358cad5b96f2eb3dd2aaf3f86cfc84da24da4d5a2", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "da", "methods": [ { "html": "microsoft/microsoft-decision-1Microsoft-Decision-1 er Microsofts model til beslutningsscoring ved klassifikation, routing, prioritering og evaluering. Den læser indsendt tekst eller JSON og returnerer sandsynligheder, en valgt svarmulighed eller en ordnet score, så applikationslogik får et struktureret resultat frem for genereret prosa.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Microsoft-Decision-1 er bygget til beslutninger om indsendt indhold: at vælge en etiket, kontrollere en betingelse eller tildele en vurdering. Microsoft har eftertrænet Qwen3.5-9B til denne fokuserede scoringsopgave. Resultatet er en numerisk vurdering, som en applikation kan bruge direkte, frem for en samtale, et dokument eller en skriftlig forklaring.
Producenten beskriver tre slags spørgsmål. Et binært spørgsmål returnerer en sandsynlighed mellem 0 og 1 for en defineret betingelse. Et choice-spørgsmål vælger én svarmulighed og returnerer en sandsynlighed for hver kandidat. Et scoringsspørgsmål placerer et element på en ordnet skala og returnerer en sandsynlighedsvægtet værdi, som kan ligge mellem skalaens niveauer.
Brug et binært spørgsmål, når en arbejdsgang skal kontrollere en betingelse, for eksempel om et svar indeholder en lovet handling. Brug et choice-spørgsmål til at tildele en anmodning til en kendt kategori. Brug en score til at ordne en gennemgangskø eller vurdere et svar efter en defineret vurderingsrubrik. Opgaverne adskiller sig ved det resultat, applikationen har brug for, så vælg spørgsmålstypen, før inputtet forberedes.
Modellen læser en indsendt tilstand udtrykt som tekst eller JSON sammen med afgrænsede spørgsmål og instruktioner. Medtag det materiale, der afgør beslutningen, og definér kriterierne klart. For en klassifikator til supportsager skal du indsende beskeden og meningsfulde beskrivelser af de tilladte destinationer. For en kvalitetskontrol skal du indsende svarforslaget, den oprindelige opgave og vurderingsrubrikken frem for at bede om en uforklaret generel kvalitetsvurdering.
Flere spørgsmål kan dele samme evidens. En enkelt supportsag kan have brug for en destination, et hasteniveau og en kontrol af gentagen kontakt. Når beslutningerne holdes knyttet til det samme indsendte materiale, bliver resultatet lettere at fortolke. Spørgsmålsformuleringen og forskellen mellem svarmulighederne har stadig betydning: Overlappende etiketter eller manglende evidens kan give en tilsyneladende præcis score for en dårligt defineret opgave.
Microsoft behandler sandsynligheder som nyttige konfidenssignaler til at afgøre, om der skal handles, ventes eller anmodes om gennemgang. Fastlæg tærskler med repræsentative mærkede tilfælde fra dine egne opgaver. Tærsklen for at acceptere en harmløs kategoritildeling kan være forskellig fra tærsklen for en handling med en dyr falsk positiv. En eksplicit usikker svarmulighed lader en klassifikator undgå at tvinge et valg igennem uden belæg.
Ved en ordnet score skal resultatet bruges til at sammenligne elementer eller anvende en målt tærskel; det er ikke en uafhængigt valideret absolut kvalitetsvurdering. Kontrollér, om en omformulering af spørgsmålet eller ændring af svarmulighedernes rækkefølge ændrer beslutningen. Det gør betydningen af den returnerede score konkret for den applikation, som bruger den.
En agent kan bruge en afgrænset beslutning til at vælge sin næste handling, en dokumentarbejdsgang kan klassificere indkommende materiale, og et evalueringstrin kan acceptere, revidere eller eskalere et genereret resultat. Microsoft beskriver også hensigtsanalyse, hændelsesrouting, søgerelevans og datamærkning som anvendelser. En generativ model er fortsat den passende komponent, når det krævede resultat er et resumé, en forklaring, omskrevet tekst eller kode; beslutningsmodellen kan vælge det næste behandlingstrin.
I et Ailoot API-projekt skal du begynde med en konkret beslutning og definere evidensen, de tilladte svar og den handling, der er knyttet til hvert udfald. Tag højde for modellens dokumenterede følsomhed over for ordlyd og dens manglende skriftlige begrundelse. Vurdér beslutningerne ud fra opgavens faktiske etiketter, og undersøg usikre tilfælde, før konfidens behandles som automatisk tilladelse til at handle.
POST /v1/systemonetextdecisions| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser microsoft/microsoft-decision-1 | Standard— |
Feltprovider | Typeschema | KravValgfrit | Værdier og grænser | Standard— |
Feltquestions | Typeobject | KravPåkrævet | Værdier og grænser | Standard— |
Feltsession_id | Typestring | KravValgfrit | Værdier og grænser | Standard— |
Feltstate | Typeschema | KravPåkrævet | Værdier og grænser | Standard— |
Felttrace | Typeschema | KravValgfrit | Værdier og grænser | Standard— |
Feltuser | Typestring | KravValgfrit | Værdier og grænser | Standard— |
Feltquestions.<id>.type | Typestring | KravPåkrævet | Værdier og grænser noul, choice, score | Standard— |
Feltquestions.<id>.instructions | Typestring|object|array | KravPåkrævet | Værdier og grænser | Standard— |
Feltquestions.<id>.criteria | Typeobject|array | KravValgfrit | Værdier og grænser Betingelser: choice/score: påkrævet; noul: valgfrit. Kriterier for choice er et objekt; score er et array med minItems1. | Standard— |
Feltquestions.<id>.criteria.true | Typestring|object|array | KravPåkrævet | Værdier og grænser Gælder når: Der er angivet et noul-kriterieobjekt | Standard— |
Feltquestions.<id>.criteria.false | Typestring|object|array | KravPåkrævet | Værdier og grænser Gælder når: Der er angivet et noul-kriterieobjekt | Standard— |
noul · Påkrævet: state, questions.<id>.type=noul, questions.<id>.instructions
choice · Påkrævet: state, questions.<id>.type=choice, questions.<id>.instructions, criteria object
score · Påkrævet: state, questions.<id>.type=score, questions.<id>.instructions, criteria array with minItems1
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, state, questions |
Parametermaterial_types | Kontrakttext |
Parameteroptional_controls | Kontraktprovider, session_id, trace, user |
Parametermultimodal_input_binding | Kontraktnull |
Livscyklus: synchronous
Send det præcise model-ID, og behold hele det native svar.
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
Knyt hver omkostning til de viste betingelser. Brug én takst for hver gruppe af alternative konfigurationer.
| Konfiguration | Takstplan | Konteksttokens, mere end | Konteksttokens, op til og med | Beløb |
|---|---|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Konteksttokens, mere end— | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.000084 / 1K tokens Output · Outputtokens $0 / 1K tokens Input · Cachelæsning — / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.000084 / 1K tokens Output · Outputtokens $0 / 1K tokens Input · Cachelæsning — / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "microsoft/microsoft-decision-1",\n "questions": {\n "is_bug": {\n "criteria": {\n "false": "The customer is asking a question or requesting a feature.",\n "true": "The customer describes broken or unexpected product behavior."\n },\n "instructions": "Is the customer reporting a software defect?",\n "type": "noul"\n },\n "team": {\n "criteria": {\n "account": "Login, permissions, or profile issues.",\n "frontend": "Rendering, layout, or browser compatibility issues.",\n "payments": "Checkout, billing, or payment processing issues."\n },\n "instructions": "Which team should own this ticket?",\n "type": "choice"\n },\n "urgency": {\n "criteria": [\n "Can wait for the next release",\n "Should be fixed this week",\n "Blocking revenue right now"\n ],\n "instructions": "How urgent is this ticket?",\n "type": "score"\n }\n },\n "state": {\n "customer_tier": "enterprise",\n "ticket": "My checkout page shows a blank screen after I click Pay. I have tried two browsers."\n }\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_REQUEST_FILE:?Set your actual JSON request file}"\nexport AILOOT_REQUEST_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads(Path(os.environ['AILOOT_REQUEST_FILE']).read_text(encoding='utf-8'))\nif not isinstance(p,dict): raise SystemExit('Request must be a JSON object')\np['model']='microsoft/microsoft-decision-1'\nPath('request.json').write_text(json.dumps(p,ensure_ascii=False),encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/systemone \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path('result.json').read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\njson
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Hvert angivet svar på et spørgsmåls-ID bevares med sin præcise type, noul/choice/score-værdi, konfidens, sandsynligheder og forklaring. Hele det oprindelige JSON-svar gemmes og returneres først efter afregning.
Behold den oprindelige operation og hele eller det delvise svar; gentag ikke POST.
| Felt | Type |
|---|---|
Feltmodel | Typestring |
Feltid | Typestring |
Feltprovider | Typestring |
Feltanswers.<id>.type | Typestring |
Feltanswers.<id>.noul | Typenumber |
Feltanswers.<id>.choice | Typestring |
Feltanswers.<id>.score | Typenumber |
Feltanswers.<id>.confidence | Typenumber |
Feltanswers.<id>.probabilities | Typeobject |
Feltanswers.<id>.legend | Typeobject |
Feltusage.input_tokens | Typeinteger |
Feltusage.output_tokens | Typeinteger |
Feltusage.cost | Typenumber |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldigt påkrævet felt, ugyldig repræsentation eller ugyldig værdi | Næste trinRet det angivne forespørgselsfelt. |
Ailoot Ultra microsoft/microsoft-decision-1
Brug metodestierne vist ovenfor.