Что такое OpenAI Decisions API и как он работает

Кратко

OpenAI Decisions API — это специализированная конечная точка, которая преобразует текст и изображения в прикладные, машиночитаемые решения, а не в сгенерированную прозу. Он использует GPT-6 Luna и поддерживает вопросы типов predicate, choice и score. OpenAI сообщает о приблизительно 10-кратном ускорении по сравнению с Responses API для поддерживаемых задач принятия решений и стандартной цене на вход $0.10 за миллион токенов.

Ключевые выводы

• Специально для решений: предопределенные вопросы вместо свободной беседы.
• Три типа решений: predicate, choice и score.
• Автоматизация с учетом вероятности: направляйте неоднозначные или важные по последствиям входы на ручную проверку.
• Заявленные поставщиком приросты скорости и стандартная цена только за вход $0.10 за 1M токенов делают конечную точку релевантной для больших объемов решений.
• Лучшие сценарии: маршрутизация, классификация, визуальные проверки и шлюзы решений для AI-агентов.

Что такое OpenAI Decisions API?

OpenAI Decisions API оценивает информацию и возвращает ограниченные, машиночитаемые решения. OpenAI выпустила его в бете 6 октября 2026 года. Это руководство предназначено для разработчиков, которые уже понимают API-ключи и JSON и хотят оценить рабочие процессы классификации или маршрутизации. Сведения о продукте проверены 12 октября 2026 г.

Схема запроса POST /v1/decisions принимает модель, общий текстовый или графический вход и определяемые разработчиком вопросы. Специализированная конечная точка возвращает типизированные суждения, а не пояснительную прозу.

Спецификации OpenAI Decisions API

Текущая доступность и доступ

По состоянию на 15 октября 2026 г. официальное руководство указывает на публичный бета-доступ, с gpt-6-luna как единственной поддерживаемой моделью. Отправляйте запросы на POST /v1/decisions; статус беты не гарантирует стабильность в продакшене.

Используйте проект OpenAI API и проверьте доступ к модели, статус биллинга и лимиты скорости перед внедрением. В руководстве указан Python SDK 3.26.0 или новее; доступ на уровне аккаунта следует подтвердить небольшим тестовым запросом.

Допустимые клиенты могут использовать Zero Data Retention и договоренности по HIPAA. В руководстве указана региональная обработка в США и Европе; применяются требования к допуску и контрактам. Доступ через сторонний интерфейс Luna не устанавливает совместимость с этой специализированной конечной точкой.

Как работает OpenAI Decisions API?

Запрос объединяет общий входной материал (evidence) с определяемыми разработчиком вопросами. API оценивает вход с помощью GPT-6 Luna и возвращает ответы, которые код приложения может использовать для автоматизации, ревью или эскалации. Несколько вопросов могут использовать один и тот же вход, хотя зависимые вопросы должны упорядочиваться приложением.

Оценка предиката

Предикат оценивает, выполняется ли указанное условие. Ритейлер может спросить, показано ли на фотографии видимое повреждение товара; ответ предоставляет вероятность от 0 до 1.

Иллюстративный фрагмент ответа предиката.

{
  "type": "predicate",
  "name": "visible_damage",
  "probability": 0.92
}

Выбор

Вопрос типа choice выбирает среди явно заданных категорий, например Billing, Technical Support или Account Access. Поля распределения и уверенности поддерживают нисходящую маршрутизацию и политики эскалации.

Оценка по шкале

Вопрос типа score оценивает вход относительно упорядоченного рубрикатора. Ожидаемая оценка может отражать вероятностно-взвешенные индексы определенных уровней; это не является автоматически калиброванным реальным риском.

Каковы основные возможности OpenAI Decisions API?

Быстрое, ограниченное по типу выполнение

Типизированные выходы устраняют значительную часть необходимости генерировать прозу, парсить текст или ретраить неверно сформированные ответы. OpenAI описывает примерно десятикратное относительное ускорение на поддерживаемых задачах принятия решений; фактический выигрыш зависит от длины входа, сетевых накладных и параллелизма.

Несколько вопросов на общем контексте

Один тикет поддержки можно оценить на предмет отдела, срочности и пригодности к ревью в одном запросе. Приложениям все равно нужно обеспечивать детерминированные бизнес-правила и проверки авторизации.

Понимание текста и изображений

Текст и изображения поддерживают маршрутизацию тикетов, триаж скриншотов и визуальный осмотр. Обратитесь к официальной документации для поддерживаемых форматов изображений, ограничений по размеру и текущих структур полезной нагрузки.

OpenAI использует эту помятую кружку в визуальном примере решения. Изображение иллюстрирует наблюдаемое повреждение; это не является доказательством измеренной точности. Эта конечная точка принимает встроенные data URL изображений в base64, а не размещенные URL изображений или file ID.

Автоматизация с учетом вероятности

Сообщаемая уверенность не гарантирует точность. Командам следует настраивать пороги на размеченной выборке, используя отдельные пороги для случаев с высокими последствиями ложноположительных или ложноотрицательных результатов.

Безопасность и контроль данных

Хранение данных, региональная обработка и регулируемое использование зависят от конфигурации аккаунта и применимых договорных требований. Подтвердите допуск перед обработкой регулируемой или чувствительной информации.

Сколько стоит OpenAI Decisions API?

Сообщенная стандартная ставка — $0.10 за миллион входных токенов без биллинга выходных токенов через специализированную конечную точку Decisions. Региональная обработка или множители для длинного контекста могут изменить итоговый счет.

Насколько Decisions API может сэкономить по сравнению с Responses API?

Сравнивайте эквивалентные задачи на одной модели. Руководство по Decisions указывает $0.10 за миллион входных токенов и отсутствие платы за выход и кэш. Страница модели Luna указывает стандартную цену текста $0.10/M некэшированного входа и $0.50/M выхода для общего использования модели.

Иллюстративный расчет, а не бенчмарк: 1,000,000 текстовых запросов, 500 некэшированных биллинговых входных токенов на запрос на каждой конечной точке, одна классификация на запрос и отсутствие региональных или премий за длинный контекст. Для Responses используйте общее число биллинговых выходных токенов, включая любые биллинговые reasoning-токены, а не только видимую длину ответа.

При этих допущениях: Decisions cost = N × I × $0.10 / 1,000,000. Responses cost = N × (I × $0.10 + O × $0.50) / 1,000,000. Savings percentage = (Responses cost − Decisions cost) / Responses cost × 100%, где N — число запросов, I — входные токены/запрос, O — биллинговые выходные токены/запрос.

Экономия выше обусловлена предполагаемым биллингом выходных токенов в Responses; это не фиксированная скидка конечной точки. Пересчитайте с учетом измеренного потребления входа, попаданий в кэш, записей в кэш, уровня обработки и ретраев. Тарифы за кэш или Batch/Flex могут изменить результат. Отдельно добавьте плату за инструменты, ручную проверку и инфраструктуру. Сравнивайте стоимость за принятую корректную decision после проверки качества и задержки; короткая метка и развернутое объяснение — это разные рабочие нагрузки.

OpenAI Decisions API vs Responses API vs Jev и Aplomb 1

Таблица фокусируется на специализированных сервисах решений. Для генерируемых объяснений, пользовательских схем извлечения или рабочих процессов инструментов используйте Responses API, как описано в руководстве по решениям OpenAI. Решение может выбрать ветку рабочего процесса, тогда как Responses генерирует контент или запрашивает вызов инструмента, а код приложения выполняет пользовательский инструмент.

Обзор возможностей и цен

Область выбора: Jev и Aplomb включены за опубликованные возможности решений, а не по популярности. Спецификации и стандартные цены за вход проверены 16 октября 2026 г. TypeSafe все еще сопоставляет jev-latest с 1.13 и jev-preview с 1.14, поэтому это сравнение фиксирует 1.13. Поддержка изображений в Jev является экспериментальной. Веса Aplomb лицензно ограничены; проверьте условия для коммерческого развертывания. Публикуемые цены за токены не являются рейтингом качества или оценкой общей стоимости рабочего процесса.

Выбор рабочего процесса

Составьте шорт-лист сервисов по требуемым входам и вариантам развертывания, затем протестируйте их на одинаковых размеченных примерах. Сопоставьте подготовку входа, рубрики решений, измерения сквозной задержки и политики ручного ревью. Сравните точность маршрутизации, пропуски, нагрузку на ревью и стоимость за принятую корректную decision. Отчет по этим метрикам предотвратит ситуацию, когда более низкая цена за токены или более быстрый ответ скрывает дополнительные ошибки или затраты на ревью.

Как использовать OpenAI Decisions API?

Шаг 1: Настройте учетные данные

Создайте API-ключ и передайте его в переменной окружения OPENAI_API_KEY. Никогда не хардкодьте секретные ключи в репозиториях или фронтенд-приложениях.

Шаг 2: Отправьте запрос через cURL

Следующий запрос следует официальной схеме примера choice. Перед запуском установите OPENAI_API_KEY; успешный ответ содержит массив answers. Команды оболочки используют синтаксис Bash.

Маршрутизация запроса в поддержку через cURL.

curl https://api.openai.com/v1/decisions \
  -H "Authorization: Bearer $OPENAI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gpt-6-luna",
    "input": "I was charged twice for my order.",
    "questions": [
      {
        "type": "choice",
        "name": "department",
        "instructions": "Which department should handle this complaint?",
        "choices": [
          {"value": "billing", "description": "Payments and refunds"},
          {"value": "technical", "description": "Product issues"},
          {"value": "other", "description": "Everything else"}
        ]
      }
    ]
  }'

Шаг 3: Интеграция с Python

Установите необходимый Python SDK.

pip install --upgrade "openai>=3.26.0"

Запрос и инспекция решения типа choice.

from openai import OpenAI

client = OpenAI()
result = client.decisions.create(
    model="gpt-6-luna",
    input="I was charged twice for my order.",
    questions=[{
        "type": "choice",
        "name": "department",
        "instructions": "Which team should handle this request?",
        "choices": [
            {"value": "billing", "description": "Payments and refunds"},
            {"value": "technical", "description": "Product issues"},
            {"value": "other", "description": "Other requests"}
        ]
    }]
)
answer = result.answers[0]
if answer.type == "refusal":
    print("Decision refused")
elif answer.type == "choice":
    print(answer.choice, answer.confidence)

Шаг 4: Определите правило эскалации

Примените иллюстративный порог маршрутизации.

if answer.type == "choice":
    if answer.choice != "other" and answer.confidence >= 0.90:
        print("Eligible for automatic routing")
    else:
        print("Send to human review")

Порог 0.90 является иллюстративным, а не гарантией поставщика или официально рекомендуемым значением по умолчанию. Валидируйте его на реальных примерах и бизнес-рисках.

Как получить доступ к GPT-6 Luna через CometAPI?

Разработчики могут использовать GPT-6 Luna API в CometAPI для задач общего назначения. Это не следует путать с поддержкой специализированной конечной точки OpenAI Decisions, для которой требуется отдельная проверка совместимости.

Классифицируйте текст через CometAPI Responses.

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.environ["COMETAPI_KEY"],
    base_url="https://api.cometapi.com/v1"
)
response = client.responses.create(
    model="gpt-6-luna",
    input=(
        "Classify as billing, technical, or other. "
        "Return only the category. "
        "Request: I was charged twice for my order."
    )
)
print(response.output_text)

Этот пример — классификация общего назначения через интерфейс модели, совместимый с CometAPI; он не возвращает нативную структуру вероятностей Decisions API и не наследует его цену «только за вход».

Лучшие сценарии использования OpenAI Decisions API

Это иллюстративные рабочие процессы приложений, а не заявленные внедрения или результаты бенчмарков. Они используют типы вопросов predicate, choice и score из официального руководства по Decisions. Код приложения выполняет последующие действия.

Классификация запросов поддержки

Предоставьте текст тикета, релевантную историю переписки и предопределенный список команд поддержки. Вопрос типа choice может выбрать Billing, Technical Support или Account Access; отдельный вопрос типа score может оценить срочность по письменной рубрике. Код приложения может назначить предложенную очередь и отправить неполные или неуверенные случаи на ревью.

Оцените рабочий процесс на тикетах, размеченных сотрудниками поддержки, измеряя точность маршрутизации по категориям, пропущенные срочные случаи, долю переназначений и нагрузку на ревью. Сравните эти результаты с текущим процессом маршрутизации перед расширением внедрения.

Модерация контента и очереди на ревью

Предоставьте отправленный текст или изображения вместе с четко определенными категориями ревью. Вопросы типа predicate могут оценивать наличие конкретных условий в контенте, а вопрос типа score может приоритизировать ревью согласно документированной шкале тяжести. Приложение затем может поместить помеченные элементы в соответствующую очередь и показать релевантный контент ревьюерам; сама конечная точка не удаляет контент и не применяет правила платформы.

Оцените пропущенные нарушения, лишние флаги, согласованность ревьюеров и задержки очередей на репрезентативных размеченных примерах. Настройте пороги отдельно для категорий с различными последствиями.

Осмотр изображений в e-commerce

Предоставьте фотографии товара и критерии проверки, релевантные предмету, например видимые трещины, разрывы или поврежденную упаковку. Вопросы типа predicate могут оценить, проявляется ли каждое условие, а вопрос типа score может применить определенную шкалу тяжести, когда изображения содержат достаточные признаки. Код приложения может запросить дополнительную фотографию или создать задачу для ручной инспекции, когда признаки неочевидны.

Оцените точность обнаружения на инспектированных товарах, включая пропущенные повреждения и ложные срабатывания по категориям товаров и условиям съемки. Сохраняйте решения о возврате или замене в существующем процессе одобрения ритейлера.

Шлюзы действий AI-агента

Предоставьте предлагаемое действие, его аргументы, соответствующий пользовательский запрос и письменные правила выполнения приложения. Вопросы типа predicate могут оценить, соответствует ли предложение запрошенной задаче или требует ревью. Код приложения может использовать результат для выбора предопределенной ветви: продолжить, запросить уточнение или эскалировать. Независимые проверки разрешений по-прежнему должны определять, авторизовано ли выполнение; суждение модели — лишь один из входов.

Оцените шлюз на размеченных предложениях действий, измеряя пропущенные неавторизованные действия, лишние эскалации и чувствительность к неполному или противоречивому контексту перед подключением к исполнению.

Триаж документов и писем

Предоставьте текст документа или письма, соответствующие метаданные и фиксированный набор категорий, таких как invoice, support request, meeting request или other. Вопрос типа choice может выбрать категорию, в то время как вопросы типа predicate могут определить условия, такие как отсутствие обязательной информации. Код приложения может отправить объект в соответствующий процесс извлечения, поиска или ревью, не прося конечную точку решений выполнять эти последующие шаги.

Оцените точность категорий, некорректную нисходящую маршрутизацию, объем ревью и время обработки на репрезентативных размеченных записях, включая неоднозначные объекты и незнакомые форматы.

Каковы ограничения OpenAI Decisions API?

API не генерирует произвольный объяснительный контент, не вызывает инструменты напрямую и не устраняет необходимость тестирования предсказаний. Отсутствующие категории и плохо написанные рубрики решений могут приводить к некорректным результатам. Значения уверенности могут быть декалиброваны; автоматизация с высокими ставками по-прежнему требует предохранителей, ручного ревью и логики авторизации.

Заключение

Decisions API перспективен для больших объемов ограниченных суждений, поскольку сочетает типизированные вероятностные выходы с упрощенной моделью тарификации по токенам. Командам следует сравнить его со Structured Outputs и альтернативными моделями решений на одинаковых размеченных примерах, измерениях задержки и полной стоимости рабочих процессов. Основная возможность — выделить шаги в AI-приложении, где нужен выбор, а не сгенерированная проза.

Частые вопросы

Как обрабатывать отказы OpenAI Decisions API?

Рассматривайте отказ как отдельный исход рабочего процесса. Проверяйте answer.type перед чтением полей choice, score или probability. Логируйте имя вопроса и направляйте запрос в путь ревью или восстановления; никогда не интерпретируйте отказ как отрицательный предикат или нулевую оценку.

Как поддерживать пороги Decisions API со временем?

Выбирайте пороги по размеченным holdout-примерам, затем мониторьте точность среди принятых решений и долю отправленных на ревью. Переоценивайте после изменения категорий, инструкций, источников входа или поведения модели. Ведите версионируемую рубрику, чтобы изменения маршрутизации можно было связать с конфигурацией, которая их произвела.

Как следует сообщать результаты тестов задержки OpenAI Decisions API?

Фиксируйте дату, регион, идентификатор модели, число вопросов, длину текста, размер изображения, параллельность, версию клиента, политику ретраев и конфигурацию сравниваемой конечной точки. Сообщайте сквозные p50 и p95 с объемами выборок и результатами качества, чтобы ускорение не достигалось лишь за счет принятия большего числа ошибок.

Как развивать категории Decisions API, не ломая интеграции?

Используйте стабильные машиночитаемые значения и поддерживайте явное сопоставление с нисходящими очередями. Добавьте резервную категорию и протестируйте исторические пограничные случаи перед развертыванием новых описаний. Если категория переименована, обновите карту маршрутизации и рубрику одновременно, вместо того чтобы допускать неизвестные значения в продакшн-действия.

Что следует логировать для аудита маршрутизации Decisions API?

Записывайте версию рубрики, выбранную категорию, релевантные вероятности или уверенность, порог, идентификатор модели, временную метку и предпринятое действие. Ограничьте сохраняемый входной контент необходимым для рабочего процесса и применяйте политику хранения организации. Запись аудита должна показывать, почему логика приложения направила или эскалировала случай.