---
title: 最近流行ってるDecisionモデルってなーに？ Microsoft-Decision-1を動かして、JevとOpenAIと日本語で比べてみた
tags:  #ai #azure  
author: [Hiroki Nomura](https://www.docswell.com/user/shirokuma)
site: [Docswell](https://www.docswell.com/)
thumbnail: https://bcdn.docswell.com/page/YJ6WVW9QJV.jpg?width=480
description: なごあずの集い#10（#75azu）の登壇資料です。Decisionモデル（Microsoft-Decision-1、Jev、OpenAI Decisions API）の特徴と仕組み、Foundryでの動かし方、日本語の業務文書での比較と使いどころをまとめています。
published: October 17, 26
canonical: https://www.docswell.com/s/shirokuma/5Q2JEW-what-is-microsoft-decision-1-model
---
# Page. 1

![Page Image](https://bcdn.docswell.com/page/YJ6WVW9QJV.jpg)

最近流行ってる
Decisionモデルってなーに？
Microsoft-Decision-1を動かして、
JevとOpenAIと日本語で比べてみた
なごあずの集い#10 #75azu
しろくま
Hiroki, Nomura


# Page. 2

![Page Image](https://bcdn.docswell.com/page/GJ5MDMN2J4.jpg)

プロフィール
しろくま
Microsoft MVP for Microsoft Foundry
愛知県在住。技術ブログを書いたりしています。
所属：AzPoC部 #AzPoC ／ なごあず #75azu
2


# Page. 3

![Page Image](https://bcdn.docswell.com/page/9E2989517R.jpg)

今日お話しすること
Decisionモデルって何？ 特徴と仕組み
Microsoft-Decision-1をFoundryで動かす
（デプロイと呼び出し）
JevとOpenAIとの違い
日本語の業務文書での比較と、使いどころ
3


# Page. 4

![Page Image](https://bcdn.docswell.com/page/D7Y464K4EM.jpg)

分類のたびに、LLMに文章を作らせていませんか？
「これは経理宛て？」に、理由つきの文章は要らないことが多いです
遅い
高い
ブレる
1件ごとに
出力トークンにも、
同じ入力でも、答え方が
数秒かかると、数千件の
お金がかかります
毎回少し変わります
仕分けが終わりません
Microsoftの発表にある例：Xbox Researchのフィードバック分類
GPT-6 Sol 2.6〜2.8秒/件 → 0.14〜0.19秒/件
※Microsoftの発表にある自社測定です
4


# Page. 5

![Page Image](https://bcdn.docswell.com/page/VENYZYR6J8.jpg)

PART 1
Decisionモデルとは


# Page. 6

![Page Image](https://bcdn.docswell.com/page/Y79PZPMRE3.jpg)

考えるLLMと、すぐ決めるDecisionモデル
たとえるなら受付の振り分け担当です。選ぶだけで、説明はしません
LLM（じっくり考える）
Decisionモデル（すぐ決める）
文章で答えます
選択肢ごとの確率だけ返します
理由も説明できます
理由は言いません
そのぶん、時間とお金が
速くて安いです
かかります
6


# Page. 7

![Page Image](https://bcdn.docswell.com/page/G78D1DLG7D.jpg)

文書と質問を渡すと、答えの「確率」が返る
質問は3種類です。はい/いいえ、選択肢、段階評価
文書（state）
「請求書の金額が契約と
noul
緊急を求めている？
はい
違います。
至急確認してください。」
choice
質問（questions）
担当は？
billing
担当は？ 深刻度は？ 緊急？
1回で、まとめて聞けます
score
深刻度は？（軽微〜致命的）
中程度
重大
scoreは確率の加重平均です（この例は1.05）
7


# Page. 8

![Page Image](https://bcdn.docswell.com/page/L7LMQMLXJR.jpg)

noul・choice・score の使い分け
答えの形で選びます。はい/いいえなら noul、並びのない選択肢なら choice、順序のある
段階なら score です
種類
こんな問いに
返ってくる値
今回の例
noul
はい/いいえで答えられる
「はい」の確率
対応が必要か
choice
並びのない選択肢から1つ選ぶ
選択肢ごとの確率
文書の種類、担当部署
score
低・中・高のように順序のある段階
段階ごとの確率と、その加重平均
緊急度、機密度
8


# Page. 9

![Page Image](https://bcdn.docswell.com/page/4EMY1YM3EW.jpg)

Jevから始まり、各ベンダーが追従
Jevが最初に出て、OpenAIとMicrosoftが続きました
9/15
10/6
10/9
Jev
TypeSafe AI
OpenAI Decisions
API
MicrosoftDecision-1
「System One Model」という
9/29 DevDayで発表
Microsoft Foundryで
呼び方を広めた
10/6 public beta
利用できます
Azureの中で使えます
OSS：H2O-Lightning
Strands-Decider
Quyet ほか
9


# Page. 10

![Page Image](https://bcdn.docswell.com/page/PER9L9VRJ9.jpg)

Microsoft-Decision-1の中身
ベースはQwen3.5-9B。今後はMAIやOpenAIのモデルに載せ替える予定です
ベース
入出力
料金
Qwen3.5-9Bに、
テキストのみ
判断用の追加学習
（32,768トークン）
$0.042
APIで使います
理由は返しません
入力100万トークンあたりです。出力は無料です
10


# Page. 11

![Page Image](https://bcdn.docswell.com/page/P7XQWQZYEX.jpg)

PART 2
Foundryで動かす


# Page. 12

![Page Image](https://bcdn.docswell.com/page/37K9V9847D.jpg)

Foundryのモデルカタログから、デプロイする
12


# Page. 13

![Page Image](https://bcdn.docswell.com/page/LJ3WMW2DJ5.jpg)

呼んでみる：HTTPで、3つの質問をまとめて
文章を作らないので、output_tokensは3です
POST {endpoint}/providers/microsoft/v1/systemone
{
{
"answers": {
"model": "decision1",
"team": {
"state": "請求書の金額が契約と違います。
"choice": "billing",
"probabilities": {
至急確認してください。",
"questions": {
"billing": 0.9999, … } },
"team": { "type": "choice",
"severity": {
"instructions": "担当は？",
"score": 1.05,
"criteria": { "billing": "請求・支払い",
"probabilities": {
"engineering": "不具合", "support": "使い方" } },
"1": 0.946, "2": 0.053, … } },
"severity": { "type": "score",
"urgent": { "noul": 0.9998 }
"criteria": ["軽微","中程度","重大","致命的"] },
},
"urgent": { "type": "noul",
"usage": {
"instructions": "緊急？" }
"input_tokens": 115,
}
}
"output_tokens": 3 }
}
13


# Page. 14

![Page Image](https://bcdn.docswell.com/page/8JDK6KZ2EG.jpg)

JevとOpenAIとの違いは、APIの形・画像・料金
MicrosoftとJevはほぼ同じ形。URLとキーを替えれば切り替わります
Microsoft
Jev
OpenAI
リクエスト
state＋questions
state＋questions
input＋questions
questionsの形
辞書
辞書
配列
はい/いいえ
noul
noul
predicate
画像入力
×
△ 実験的
○
box（領域を返す）
―
1.14.0のみ
―
入力料金／100万トークン
$0.042
$0.042
$0.10
公開
10/9
9/15
10/6（beta）
14


# Page. 15

![Page Image](https://bcdn.docswell.com/page/VEPKYKDL78.jpg)

PART 3
日本語の業務文書で比較


# Page. 16

![Page Image](https://bcdn.docswell.com/page/27VVGV167Q.jpg)

お題：届いたメールや文書を仕分ける
合成した240件を5つの観点で仕分けます。約2割はわざと難しくしてあります
例：件名は【至急】なのに…
文書の種類
請求・見積
件名：【至急】ご請求書送付の件
部署
経理
機密
機密
要対応
はい（支払いは必要）
緊急度
低
…11月分保守料のご請求書を
お送りします。
お支払期日：2026年12月31日
社内システムの都合で「至急」の件名で
送信されております。お支払いは
通常どおり
期日までで問題ございません。
16


# Page. 17

![Page Image](https://bcdn.docswell.com/page/5JGL8L227L.jpg)

精度：1問ずつは横並び。差が出たのは緊急度
種類
部署
機密
要対応
緊急度
5問すべて
Jev
97.1
95.4
92.1
95.8
92.1
75.0%
OpenAI
95.8
94.2
89.2
93.3
92.9
70.8%
Microsoft
95.8
92.9
88.3
93.3
85.8
63.3%
選択肢のキーは、意味のある名前に
はい/いいえの条件は、criteriaに
✕ "criteria": { " opt_00 ": "経理…", " opt_01 ": "法務…" }
✕ "instructions": "対応が必要か？ 返信や支払いが… "
〇 "criteria": { "finance": "経理…", "legal": "法務…" }
〇 "criteria": { "true": "返信・支払いなどが必要",
✕にすると、12件中2件で答えが変わりました
"false": "共有・通知のみ" }
要対応の正解率 ✕ 63.7% ○ 93.3%
17


# Page. 18

![Page Image](https://bcdn.docswell.com/page/47QY9YP9EP.jpg)

速さとコスト：Microsoftは安いが、少し遅い
公称のp50 85msは再現しませんでした。最良の条件でも140msです
p50 米国・
小さい入力
p50 日本・
大きい入力
240件を
全件
1万件の
コスト
Jev
122ms
172ms
6.2秒
$0.84
OpenAI
130ms
199ms
6.6秒
$1.79
Microsoft
140ms
361ms
7.8秒
$0.42
Microsoftは入力が長いほど遅くなります。デプロイごとに1分あたりの上限があり、今回は
合計274件/分でした。単価が同じでも、トークン数はMicrosoftとJevで約2倍違います
18


# Page. 19

![Page Image](https://bcdn.docswell.com/page/KE4WXWXRJ1.jpg)

PART 4
使いどころ


# Page. 20

![Page Image](https://bcdn.docswell.com/page/L71YNYNVJG.jpg)

使いどころ：確信度が低いものだけ、人に回す
1,200問のうち86%は3社とも正解でした。割れたものだけ人が見ます
確信度が高く、答えが一致
→ 自動で振り分け
業務文書
Decisionモデル
5問を1回で
低い・割れた → 人が
確認、またはLLMへ
20


# Page. 21

![Page Image](https://bcdn.docswell.com/page/G7WG4G43E2.jpg)

ほかにも、こんな使い方が合いそう
文書・問い合わせの仕分け
エージェントの次の行動の判断
AIの回答の合否判定
モデルのルーティング
21


# Page. 22

![Page Image](https://bcdn.docswell.com/page/4JZL2L2GE3.jpg)

まとめ
Decisionモデルは、判断だけを速く安く返します。
Qwen3.5-9Bがベースです
Microsoftの今後のDecisionモデルリリースの方針：
MAIやOpenAIのモデルなどにも、
リベースしていきます
22


# Page. 23

![Page Image](https://bcdn.docswell.com/page/YE6WVWVQEV.jpg)

Thank you!
#75azu で感想をお待ちしています
デモ動画：youtu.be/Dso6P64SLdg
詳しくはZennの記事に書きました
zenn.dev/nomhiro/articles/microsoft-decision-1-vs-jev-openai
しろくま
Hiroki, Nomura


# Page. 24

![Page Image](https://bcdn.docswell.com/page/GE5MDMD2E4.jpg)

付録：3社の答えが割れた文書
請求書が届いたので総務部から法務部に相談するメールです。正解は「申請・稟議」で、OpenAIだけ「その他」でした
24


# Page. 25

![Page Image](https://bcdn.docswell.com/page/97298981JR.jpg)

付録：設問の例（緊急度とnoul）
"urgency": { "type": "score", "instructions": "対応の緊急度は？（実際の期限と影響を優先）",
"criteria": [
"低：対応不要、期限なし、社内の申請で期限が1週間より先",
"中：数日〜1週間以内。社外からの問い合わせで期限の明示がないもの",
"高：当日〜翌日の期限",
"緊急：業務や顧客への深刻な影響が進行中で、直ちに対応が必要" ] }
"action_required": { "type": "noul", "instructions": "受信者が何らかの対応をする必要があるか？",
"criteria": {
"true":
"返信・承認・作業・支払いなどが求められている。議事録ならタスクが明示的に割り当てられている",
"false": "情報共有・通知・報告のみで対応は不要。対応不要と明記されている" } }
25


# Page. 26

![Page Image](https://bcdn.docswell.com/page/DJY464647M.jpg)

付録：確信度のずれ・日英
ECE（確信度のずれ）
日本語／英語
Microsoft
0.047
86.7／90.0
Jev
0.046
85.8／87.5
OpenAI
0.065
80.0／83.3
日英：MASSIVE意図の正解率（%）。英語のほうが2〜3ポイント高いだけです
26


# Page. 27

![Page Image](https://bcdn.docswell.com/page/V7NYZYZ6E8.jpg)

付録：測定条件と限界
業務文書は合成した240件です。正解はLLMが付け、別のLLMが見直しました
速さは、日本の自宅回線とCentral USのAzureコンテナから、60件を
1件ずつ測りました
全件の時間は、3社を同じ並列数で同時に流しました（Microsoftは3デプロイに分散）
Microsoftは今後ベースを載せ替える予定です。OpenAIもbetaです。数字は
変わる可能性があります
Jevは測定時、jev-latestがjev-1.13.0でした。1.14.0（多言語が改善の見込み）に
切り替わる予定です
検定は補正していません。240件なので、1〜2ポイントの差は誤差の範囲です
27


# Page. 28

![Page Image](https://bcdn.docswell.com/page/YJ9PZPZR73.jpg)

付録：参考リンク
Microsoft-Decision-1 発表ブログ：commandline.microsoft.com/microsoft-decision-1model-foundry/
Microsoft Learn：learn.microsoft.com/azure/foundry/foundry-models/how-to/usefoundry-models-microsoft-decision
JPさんのZenn記事（Portalからのデプロイ）：zenn.dev/microsoft/articles/ms-decision-1
今回の比較（しろくまのZenn記事）：zenn.dev/nomhiro/articles/microsoft-decision-1-vsjev-openai
OpenAI Decisions API：developers.openai.com/api/docs/guides/decisions
Jev：typesafe.ai/blog/introducing-system-one-models-and-jev
JevBench：benchmarkheaven.com/jev-models
MASSIVE：huggingface.co/datasets/AmazonScience/massive
Qwen3.5-9B：huggingface.co/Qwen/Qwen3.5-9B
28