Microsoft-Decision-1 está creado para decidir sobre contenido proporcionado: seleccionar una etiqueta, comprobar una condición o asignar una valoración. Microsoft posentrenó Qwen3.5-9B para esta tarea específica de puntuación. El resultado es un juicio numérico que una aplicación puede utilizar directamente, en lugar de una conversación, un documento o una explicación escrita.
El fabricante describe tres clases de preguntas. Una pregunta binaria devuelve una probabilidad entre 0 y 1 para una condición definida. Una pregunta de elección selecciona una opción y devuelve una probabilidad para cada candidata. Una pregunta de puntuación sitúa un elemento en una escala ordenada y devuelve un valor ponderado por probabilidad, que puede quedar entre los niveles de la escala.
Utiliza una pregunta binaria cuando un flujo de trabajo necesite comprobar una condición, como si una respuesta contiene una acción prometida. Utiliza una pregunta de elección para asignar una solicitud a una categoría conocida. Utiliza una puntuación para ordenar una cola de revisión o valorar una respuesta según una rúbrica definida. Estas tareas difieren en el resultado que necesita tu aplicación, así que selecciona el tipo de pregunta antes de preparar la entrada.
El modelo lee un estado proporcionado, expresado como texto o JSON, junto con preguntas e instrucciones acotadas. Incluye el material que determina la decisión y define los criterios con claridad. Para un clasificador de tickets, proporciona el mensaje y descripciones significativas de los destinos permitidos. Para una comprobación de calidad, proporciona la respuesta candidata, la tarea original y la rúbrica, en lugar de pedir una valoración general de calidad sin explicación.
Varias preguntas pueden compartir la misma evidencia. Un solo ticket puede necesitar un destino, un nivel de urgencia y una comprobación de contactos repetidos. Mantener esas decisiones vinculadas al mismo material proporcionado facilita la interpretación del resultado. La formulación de la pregunta y la distinción entre opciones siguen siendo relevantes: unas etiquetas que se solapen o la falta de evidencia pueden producir una puntuación aparentemente precisa para una tarea mal definida.
Microsoft considera las probabilidades señales útiles de confianza para decidir si actuar, aplazar o pedir una revisión. Establece umbrales utilizando casos etiquetados representativos de tu propia carga de trabajo. El umbral para aceptar una asignación inocua de categoría puede diferir del umbral para una acción con un falso positivo costoso. Una opción explícita de incertidumbre permite que un clasificador evite forzar una elección sin respaldo.
Para una puntuación ordenada, utiliza el resultado para comparar elementos o aplicar un umbral medido; no es una valoración absoluta de calidad validada de forma independiente. Comprueba si reformular una pregunta o cambiar el orden de las opciones altera la decisión. Esto concreta el significado de una puntuación devuelta para la aplicación que la utiliza.
Un agente puede utilizar una decisión acotada para elegir su siguiente acción, un flujo documental puede clasificar el material entrante y un paso de evaluación puede aceptar, revisar o escalar un resultado generado. Microsoft también describe como aplicaciones el análisis de intenciones, la asignación de incidentes, la relevancia de búsqueda y el etiquetado de datos. Un modelo generativo sigue siendo el componente adecuado cuando el artefacto requerido es un resumen, una explicación, un texto reescrito o código; el modelo de decisión puede seleccionar el siguiente paso de procesamiento.
Para un proyecto con la API de Ailoot, empieza por una decisión específica y define la evidencia, las respuestas permitidas y la acción asociada a cada resultado. Ten en cuenta la sensibilidad documentada del modelo a la formulación y su falta de una justificación escrita. Evalúa las decisiones frente a las etiquetas reales de la tarea y examina los casos inciertos antes de tratar la confianza como permiso automático para actuar.
", "aboutText": "Microsoft-Decision-1 está creado para decidir sobre contenido proporcionado: seleccionar una etiqueta, comprobar una condición o asignar una valoración. Microsoft posentrenó Qwen3.5-9B para esta tarea específica de puntuación. El resultado es un juicio numérico que una aplicación puede utilizar directamente, en lugar de una conversación, un documento o una explicación escrita.\n\n### Opciones fijas y tipos de pregunta claros\n\nEl fabricante describe tres clases de preguntas. Una pregunta binaria devuelve una probabilidad entre 0 y 1 para una condición definida. Una pregunta de elección selecciona una opción y devuelve una probabilidad para cada candidata. Una pregunta de puntuación sitúa un elemento en una escala ordenada y devuelve un valor ponderado por probabilidad, que puede quedar entre los niveles de la escala.\n\nUtiliza una pregunta binaria cuando un flujo de trabajo necesite comprobar una condición, como si una respuesta contiene una acción prometida. Utiliza una pregunta de elección para asignar una solicitud a una categoría conocida. Utiliza una puntuación para ordenar una cola de revisión o valorar una respuesta según una rúbrica definida. Estas tareas difieren en el resultado que necesita tu aplicación, así que selecciona el tipo de pregunta antes de preparar la entrada.\n\n### Preparación de la evidencia y las opciones\n\nEl modelo lee un estado proporcionado, expresado como texto o JSON, junto con preguntas e instrucciones acotadas. Incluye el material que determina la decisión y define los criterios con claridad. Para un clasificador de tickets, proporciona el mensaje y descripciones significativas de los destinos permitidos. Para una comprobación de calidad, proporciona la respuesta candidata, la tarea original y la rúbrica, en lugar de pedir una valoración general de calidad sin explicación.\n\nVarias preguntas pueden compartir la misma evidencia. Un solo ticket puede necesitar un destino, un nivel de urgencia y una comprobación de contactos repetidos. Mantener esas decisiones vinculadas al mismo material proporcionado facilita la interpretación del resultado. La formulación de la pregunta y la distinción entre opciones siguen siendo relevantes: unas etiquetas que se solapen o la falta de evidencia pueden producir una puntuación aparentemente precisa para una tarea mal definida.\n\n### Confianza y control del flujo de trabajo\n\nMicrosoft considera las probabilidades señales útiles de confianza para decidir si actuar, aplazar o pedir una revisión. Establece umbrales utilizando casos etiquetados representativos de tu propia carga de trabajo. El umbral para aceptar una asignación inocua de categoría puede diferir del umbral para una acción con un falso positivo costoso. Una opción explícita de incertidumbre permite que un clasificador evite forzar una elección sin respaldo.\n\nPara una puntuación ordenada, utiliza el resultado para comparar elementos o aplicar un umbral medido; no es una valoración absoluta de calidad validada de forma independiente. Comprueba si reformular una pregunta o cambiar el orden de las opciones altera la decisión. Esto concreta el significado de una puntuación devuelta para la aplicación que la utiliza.\n\n### Usos prácticos de un modelo de decisión\n\nUn agente puede utilizar una decisión acotada para elegir su siguiente acción, un flujo documental puede clasificar el material entrante y un paso de evaluación puede aceptar, revisar o escalar un resultado generado. Microsoft también describe como aplicaciones el análisis de intenciones, la asignación de incidentes, la relevancia de búsqueda y el etiquetado de datos. Un modelo generativo sigue siendo el componente adecuado cuando el artefacto requerido es un resumen, una explicación, un texto reescrito o código; el modelo de decisión puede seleccionar el siguiente paso de procesamiento.\n\nPara un proyecto con la API de Ailoot, empieza por una decisión específica y define la evidencia, las respuestas permitidas y la acción asociada a cada resultado. Ten en cuenta la sensibilidad documentada del modelo a la formulación y su falta de una justificación escrita. Evalúa las decisiones frente a las etiquetas reales de la tarea y examina los casos inciertos antes de tratar la confianza como permiso automático para actuar.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "6c95ed4188a9423b1c908a5bd98855a1faca7bcccd49d02dfff75622fd7b7e70", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "es", "methods": [ { "html": "microsoft/microsoft-decision-1Microsoft-Decision-1 es el modelo de puntuación de decisiones de Microsoft para clasificación, asignación, priorización y evaluación. Lee texto o JSON proporcionados y devuelve probabilidades, una opción seleccionada o una puntuación ordenada, aportando a la lógica de la aplicación un resultado estructurado en lugar de prosa generada.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Microsoft-Decision-1 está creado para decidir sobre contenido proporcionado: seleccionar una etiqueta, comprobar una condición o asignar una valoración. Microsoft posentrenó Qwen3.5-9B para esta tarea específica de puntuación. El resultado es un juicio numérico que una aplicación puede utilizar directamente, en lugar de una conversación, un documento o una explicación escrita.
El fabricante describe tres clases de preguntas. Una pregunta binaria devuelve una probabilidad entre 0 y 1 para una condición definida. Una pregunta de elección selecciona una opción y devuelve una probabilidad para cada candidata. Una pregunta de puntuación sitúa un elemento en una escala ordenada y devuelve un valor ponderado por probabilidad, que puede quedar entre los niveles de la escala.
Utiliza una pregunta binaria cuando un flujo de trabajo necesite comprobar una condición, como si una respuesta contiene una acción prometida. Utiliza una pregunta de elección para asignar una solicitud a una categoría conocida. Utiliza una puntuación para ordenar una cola de revisión o valorar una respuesta según una rúbrica definida. Estas tareas difieren en el resultado que necesita tu aplicación, así que selecciona el tipo de pregunta antes de preparar la entrada.
El modelo lee un estado proporcionado, expresado como texto o JSON, junto con preguntas e instrucciones acotadas. Incluye el material que determina la decisión y define los criterios con claridad. Para un clasificador de tickets, proporciona el mensaje y descripciones significativas de los destinos permitidos. Para una comprobación de calidad, proporciona la respuesta candidata, la tarea original y la rúbrica, en lugar de pedir una valoración general de calidad sin explicación.
Varias preguntas pueden compartir la misma evidencia. Un solo ticket puede necesitar un destino, un nivel de urgencia y una comprobación de contactos repetidos. Mantener esas decisiones vinculadas al mismo material proporcionado facilita la interpretación del resultado. La formulación de la pregunta y la distinción entre opciones siguen siendo relevantes: unas etiquetas que se solapen o la falta de evidencia pueden producir una puntuación aparentemente precisa para una tarea mal definida.
Microsoft considera las probabilidades señales útiles de confianza para decidir si actuar, aplazar o pedir una revisión. Establece umbrales utilizando casos etiquetados representativos de tu propia carga de trabajo. El umbral para aceptar una asignación inocua de categoría puede diferir del umbral para una acción con un falso positivo costoso. Una opción explícita de incertidumbre permite que un clasificador evite forzar una elección sin respaldo.
Para una puntuación ordenada, utiliza el resultado para comparar elementos o aplicar un umbral medido; no es una valoración absoluta de calidad validada de forma independiente. Comprueba si reformular una pregunta o cambiar el orden de las opciones altera la decisión. Esto concreta el significado de una puntuación devuelta para la aplicación que la utiliza.
Un agente puede utilizar una decisión acotada para elegir su siguiente acción, un flujo documental puede clasificar el material entrante y un paso de evaluación puede aceptar, revisar o escalar un resultado generado. Microsoft también describe como aplicaciones el análisis de intenciones, la asignación de incidentes, la relevancia de búsqueda y el etiquetado de datos. Un modelo generativo sigue siendo el componente adecuado cuando el artefacto requerido es un resumen, una explicación, un texto reescrito o código; el modelo de decisión puede seleccionar el siguiente paso de procesamiento.
Para un proyecto con la API de Ailoot, empieza por una decisión específica y define la evidencia, las respuestas permitidas y la acción asociada a cada resultado. Ten en cuenta la sensibilidad documentada del modelo a la formulación y su falta de una justificación escrita. Evalúa las decisiones frente a las etiquetas reales de la tarea y examina los casos inciertos antes de tratar la confianza como permiso automático para actuar.
POST /v1/systemonetextdecisions| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites microsoft/microsoft-decision-1 | Predeterminado— |
Campoprovider | Tiposchema | RequisitoOpcional | Valores y límites | Predeterminado— |
Campoquestions | Tipoobject | RequisitoObligatorio | Valores y límites | Predeterminado— |
Camposession_id | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
Campostate | Tiposchema | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campotrace | Tiposchema | RequisitoOpcional | Valores y límites | Predeterminado— |
Campouser | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
Campoquestions.<id>.type | Tipostring | RequisitoObligatorio | Valores y límites noul, choice, score | Predeterminado— |
Campoquestions.<id>.instructions | Tipostring|object|array | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campoquestions.<id>.criteria | Tipoobject|array | RequisitoOpcional | Valores y límites Condiciones: choice/score: obligatorios; noul: opcional. Los criterios de choice son un objeto; score es una lista con minItems1. | Predeterminado— |
Campoquestions.<id>.criteria.true | Tipostring|object|array | RequisitoObligatorio | Valores y límites Se aplica cuando: Se ha proporcionado un objeto de criterios noul | Predeterminado— |
Campoquestions.<id>.criteria.false | Tipostring|object|array | RequisitoObligatorio | Valores y límites Se aplica cuando: Se ha proporcionado un objeto de criterios noul | Predeterminado— |
noul · Obligatorio: state, questions.<id>.type=noul, questions.<id>.instructions
choice · Obligatorio: state, questions.<id>.type=choice, questions.<id>.instructions, criteria object
score · Obligatorio: state, questions.<id>.type=score, questions.<id>.instructions, criteria array with minItems1
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, state, questions |
Parámetromaterial_types | Contratotext |
Parámetrooptional_controls | Contratoprovider, session_id, trace, user |
Parámetromultimodal_input_binding | Contratonull |
Ciclo de vida: synchronous
Envía el ID exacto del modelo y conserva la respuesta nativa completa.
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
Relaciona cada cargo con las condiciones mostradas. Usa una tarifa para cada conjunto de configuraciones alternativas.
| Configuración | Tabla de tarifas | Tokens de contexto, más de | Tokens de contexto, hasta inclusive | Cargo |
|---|---|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Tokens de contexto, más de— | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.000084 / 1K tokens Salida · Tokens de salida $0 / 1K tokens Entrada · Lectura de caché — / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónTramo 1 por longitud de la solicitud | Tabla de tarifas— | Tokens de contexto, más de0 | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.000084 / 1K tokens Salida · Tokens de salida $0 / 1K tokens Entrada · Lectura de caché — / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "microsoft/microsoft-decision-1",\n "questions": {\n "is_bug": {\n "criteria": {\n "false": "The customer is asking a question or requesting a feature.",\n "true": "The customer describes broken or unexpected product behavior."\n },\n "instructions": "Is the customer reporting a software defect?",\n "type": "noul"\n },\n "team": {\n "criteria": {\n "account": "Login, permissions, or profile issues.",\n "frontend": "Rendering, layout, or browser compatibility issues.",\n "payments": "Checkout, billing, or payment processing issues."\n },\n "instructions": "Which team should own this ticket?",\n "type": "choice"\n },\n "urgency": {\n "criteria": [\n "Can wait for the next release",\n "Should be fixed this week",\n "Blocking revenue right now"\n ],\n "instructions": "How urgent is this ticket?",\n "type": "score"\n }\n },\n "state": {\n "customer_tier": "enterprise",\n "ticket": "My checkout page shows a blank screen after I click Pay. I have tried two browsers."\n }\n}set -eu\n: "${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
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Se conserva cada respuesta al ID de pregunta proporcionado con su tipo exacto, valor noul/choice/score, confianza, probabilidades y leyenda. El JSON original completo se almacena y solo se devuelve tras la liquidación.
Conserva la operación original y la respuesta completa o parcial; no repitas el POST.
| Campo | Tipo |
|---|---|
Campomodel | Tipostring |
Campoid | Tipostring |
Campoprovider | Tipostring |
Campoanswers.<id>.type | Tipostring |
Campoanswers.<id>.noul | Tiponumber |
Campoanswers.<id>.choice | Tipostring |
Campoanswers.<id>.score | Tiponumber |
Campoanswers.<id>.confidence | Tiponumber |
Campoanswers.<id>.probabilities | Tipoobject |
Campoanswers.<id>.legend | Tipoobject |
Campousage.input_tokens | Tipointeger |
Campousage.output_tokens | Tipointeger |
Campousage.cost | Tiponumber |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampo obligatorio, representación o valor no válido | Siguiente pasoCorrige el campo indicado de la solicitud. |
Ailoot Ultra microsoft/microsoft-decision-1
Usa las rutas de método indicadas arriba.