10 月 22 日，OpenAI 宣布正式全面开放决策 API（Decisions API），由 GPT-6 家族中最小的模型 Luna 提供支持。开发者写好一个问题和几个备选答案，再把内容发过去，模型直接从选项里挑一个返回，不生成多余的内容。界面新闻报道的定价是输入每百万 token 0.10 美元、缓存输入 0.01 美元；OpenAI 开发者账号则称，它的决策速度最高可达 GPT-6 Luna 的 10 倍，可通过 Responses API 调用。从 9 月底 DevDay 上的有限预览，到 10 月 7 日公测，再到这次面向所有开发者的正式开放，三周之内，"决策"从聊天模型的副产品，变成了一个单独定价、单独调用的产品。界面新闻微博微博
一道选择题的三种问法
Decisions API 的输入支持文本和图片，提供三种输出形式，分别是 Predicates、Choices 和 Scores。按公测公告的说法：Predicates 估计一句话为真的概率，适合做安全闸门；Choices 在预设选项中给出选择结果并附带置信度，适合工单分拣、模型路由；Scores 将输入内容映射到数值区间打分，适合批量评估和排序。OpenAI 开发者账号还列出了六类已经落地的应用场景：请求路由、数据标注、视觉分析、界面操作、风险标记、数据集分类。它替代的是两种旧做法。一种是让大模型自由回答，再从一长串文字里解析出结果——慢、贵，还偶尔答非所问；另一种是专门训练分类器，得先攒标注数据，类别一变就要重训。现在答案限定在你给的选项里，结果不可能跑出范围，换选项只是改一下请求参数。一个被广泛传播的演示是鸡蛋产线质检：把每颗鸡蛋裁图发给这个接口，返回"干净、脏了、还是裂了"，每一张鸡蛋图片，仅消耗约 280 个 Token，一千张图片成本只要 0.03 美元，可以大规模批量质检。微博微博
为什么突然冒出这么多"决策模型"
这个品类的引火线是 9 月中旬创业公司 TypeSafe 发布的 Jev，联合创始人 Diogo Almeida 把它称为"System 1 模型"——借用"快思考"的说法：不推理、不解释，一次性给所有选项打分，直接返回答案和校准过的概率。它的价格也极低：输入每百万 token 0.042 美元，输出免费，处理一百万张三道判断题的工单大约 19 美元。演示里有人一小时内搭出能玩 Minecraft 的机器人，只要列出可选动作，不用训练。微博
随后的一个月，赛道挤满了玩家：DevDay 上 OpenAI 连夜推出 Decisions API；一周后，微软正式发布Microsoft-Decision-1，在MicrosoftFoundry与OpenRouter上线。Cloudflare、Perplexity、AWS 各有对应产品；10 月 22 日——和 OpenAI 正式开放同一天——蚂蚁数科发布了面向产业的 LingDT-Decision-1.0。一份聚合了 Reddit、Hacker News 和 GitHub 近三十天讨论的行业梳理指出，各家在问题类型上谈拢了，在端点和响应结构上各走各的（/systemone 对 /decisions），所以换一家供应商约等于重写一次适配层。Jev 只收文本、OpenAI 的接口能看图，这些差异也都还留在适配层里。微博知乎
独立实测：它最准，但也是最贵的之一
10 月 23 日凌晨，开发者 Laurie 发布了一篇六款决策模型的横评，是目前 OpenAI 正式开放后最早的一批独立对照数据。他们从生产环境捞出 98 条真实客服对话（其中 61 条是逐条核对出的"翻车"记录），让 Jev、Perplexity、Liquid、Clef 和 OpenAI 等六款模型做"这条对话是否失败"的二分类。结果是：F1 分数高达0.87，把好坏数据分得最干净，在五折交叉验证里没有一次掉出过双 80% 底线。但账单同样醒目：每 100 次评估3.72 美分——整整是 Perplexity 的4.5 倍。样本只有 98 条，单篇自测的数字需要更大规模复核，它证明的是相对位置，不是绝对精度。知乎
比排名更值得注意的是这篇实测暴露的坑。几乎所有 API 的官方文档里，默认阈值都是0.50，但六个模型对正常和故障对话的打分分布存在重叠：真有模型把故障样本普遍打在 0.4 附近，死守 0.5 一条线，它一条故障都抓不出来——阈值必须拿自己的标注数据重新搜索。知乎
“会分类"也不等于"懂概率”。给分数做 Platt 校准之后，多数模型的概率可信度变好了，原本表现最佳的 OpenAI，在套用对数几率空间的校准后，衡量概率误差的 Brier 分数反而从0.159恶化到了0.164——直接套教科书上的校准流程，可能把最强的选手调坏。知乎
社区里对这个品类的质疑也没有消失。Red Hat 那篇基准的结论被顶到 HN 168 分：决策模型并没有胜过 LLM-as-judge 或传统分类器。Hacker News 上高赞的说法很直接：“这不就是分类器”；Jev 引以为卖点的高斯校准概率，也被独立复现指为过度自信——平均置信度 0.66，实际准确率 0.53。换成 OpenAI 版本，这些质疑同样需要回答。知乎
现在该不该用：模型建议，代码决定
企业侧已经收敛出一套落地姿势，被 AWS 工程师总结成一句话：“AI 建议，代码决定，IAM 执行”，模型判断只走到应用策略层，执行权交给最小权限的 IAM。微软 .NET agent 框架列出的适用节点是同一口径：循环该不该继续、任务是否完成、哪些工具被授权且相关、下一个该谁发言、结果要不要升级。在整个OpenAI，团队正在将决策API应用于产品和业务工作流。知乎界面新闻
对准备跟进的开发者，目前证据能支撑的判断大致是三条。第一，Randy Olson 之前做过更大范围的测评，结论一模一样：简单分类和路由，小决策模型完全能平替；一旦涉及深度知识和复杂推理，还是得回到大块头模型。第二，先用你自己的数据把阈值调出来，再决定上线，别直接照搬文档默认值。第三，各家接口尚未统一，把供应商抽象层先建出来，别把决策调用直接写死进业务分支。知乎
接下来值得盯的信号：OpenAI 是否放出更多官方性能口径与案例；Jev 阵营在微软、蚂蚁等对手进场后的价格动作；以及"决策模型 vs 大模型裁判"这类独立基准，能否从单篇博客变成可复核的公开榜单。输入每百万token收费0.10美元的定价已经随全面开放公布。但独立评测目前仍只有一篇——这个品类的性能边界，要到第一份可复核的公开基准出来才算真正画清。界面新闻
