OpenAI Decisions API vs Jev: Giá, Tốc độ & Cách sử dụng

TL;DR

OpenAI Decisions API và TypeSafe Jev đều trả về các quyết định có giới hạn, kèm xác suất, thay vì văn bản sinh thành thông thường. OpenAI dùng GPT-6 Luna qua một endpoint chuyên dụng; TypeSafe Jev là một mô hình System One chuyên biệt. Jev rẻ hơn theo mức giá công bố cho token đầu vào ($0,042 so với $0,10 trên mỗi triệu), trong khi OpenAI hỗ trợ hình ảnh gốc. Các số liệu nhà cung cấp được xem xét ở đây không thiết lập người thắng về độ chính xác hay tốc độ trong đối đầu trực tiếp.

Những điểm chính

• Giá: Jev rẻ hơn 58% trên mỗi token đầu vào ở mức giá cơ bản công bố.
• Kiến trúc: OpenAI Decisions API dùng GPT-6 Luna; Jev được xây dựng mục đích cho xử lý quyết định.
• Tính đa phương thức: OpenAI hỗ trợ văn bản và hình ảnh; Jev tập trung vào văn bản và đầu vào có cấu trúc.
• Benchmark: Tuyên bố tốc độ nhà cung cấp dùng các chuẩn khác nhau; hãy so sánh trên cùng một tập dữ liệu gán nhãn.
• Lựa chọn: Ưu tiên hỗ trợ đa phương thức và tích hợp OpenAI, hoặc thông lượng văn bản-only và chi phí, tùy ứng dụng của bạn.

Tổng quan nhanh: OpenAI Decisions API vs Jev

Bảng dưới đây so sánh các endpoint quyết định đã được ghi nhận và mức giá cơ bản công bố, kiểm tra vào ngày 12 tháng 10, 2026. Quyền truy cập mô hình, giới hạn và điều khoản dịch vụ cần được xác minh đối với tài khoản triển khai.

Nhiều quy trình AI cần một danh mục, xác suất hoặc điểm số—không phải một đoạn văn. Một phiếu hỗ trợ cần định tuyến; một tác nhân cần chọn một hành động đã được phê duyệt; một hàng đợi duyệt cần xác định các đầu vào không chắc chắn. Cả hai sản phẩm đều đưa các quyết định như vậy thành đầu ra API hạng nhất.

OpenAI phát hành Decisions API ở bản beta vào ngày 6 tháng 10, 2026. Endpoint GPT-6 Luna của nó chấp nhận văn bản và hình ảnh. Jev là mô hình System One chuyên biệt của TypeSafe AI dành cho đánh giá không-sinh thành, với phương pháp huấn luyện được mô tả là Reinforcement Learning for Calibrated Decisions (RLCD).

Các loại câu hỏi trong bảng bao phủ ba tác vụ chung. Predicate của OpenAI và noul của Jev ước lượng liệu một điều kiện có đúng hay không, như ý định hoàn tiền hoặc đủ điều kiện. Choice chọn từ các danh mục định sẵn, như Billing, Technical và Shipping, để định tuyến. Score đánh giá một đầu vào so với một rubric hoặc các cấp độ, như mức độ khẩn cấp hoặc ưu tiên. Các mô tả này hợp nhất hai bản tổng quan sản phẩm; schema yêu cầu và ngữ nghĩa xác suất vẫn cần xử lý theo nhà cung cấp.

OpenAI Decisions API và Jev là gì?

OpenAI Decisions API và TypeSafe Jev là các dịch vụ AI tập trung vào quyết định, được thiết kế để biến dữ liệu đầu vào thành các đầu ra có cấu trúc và bị ràng buộc thay vì văn bản mở. Khác với các mô hình ngôn ngữ lớn truyền thống tạo lời giải thích hoặc phản hồi hội thoại, các API này đánh giá các câu hỏi được xác định trước và trả về các quyết định, xác suất hoặc điểm số. Điều này đặc biệt hữu ích cho các quy trình tự động như định tuyến yêu cầu khách hàng, phân loại nội dung, đánh giá rủi ro và lựa chọn công cụ của tác nhân AI, nơi đầu ra dự đoán được và xử lý hiệu quả là điều thiết yếu.

OpenAI Decisions API được vận hành bởi GPT-6 Luna và hoạt động qua endpoint /v1/decisions. Nó hỗ trợ cả văn bản và hình ảnh, với ba loại quyết định: predicate, choice và score. Lợi thế chính của nó là kết hợp sự hiểu ngữ cảnh của một mô hình AI đa dụng với một giao diện quyết định chuyên dụng, khiến nó phù hợp cho phân loại đa phương thức và các ứng dụng đã tích hợp với hệ sinh thái của OpenAI.

TypeSafe Jev, ngược lại, là một mô hình quyết định chuyên biệt truy cập qua endpoint /v1/systemone. Nó tập trung vào đánh giá dựa trên văn bản với ba loại câu hỏi: noul, choice và score. Jev nhấn mạnh vào suy luận hiệu quả, dự đoán có cấu trúc và hiệu chuẩn xác suất, khiến nó trở thành lựa chọn hấp dẫn cho phân loại khối lượng lớn và các pipeline quyết định tự động. Mặc dù cả hai dịch vụ giải quyết các vấn đề tương tự, những khác biệt về kiến trúc, khả năng đầu vào, giá và thiết kế API có thể ảnh hưởng đáng kể đến việc dịch vụ nào phù hợp hơn cho một ứng dụng cụ thể.

Cách tiếp cận mô hình, giới hạn đầu vào và phạm vi

So sánh này liên quan đến hành vi API được ghi nhận và định vị sản phẩm. OpenAI lộ trình GPT-6 Luna qua một endpoint quyết định, trong khi TypeSafe định vị Jev như một mô hình System One chuyên biệt. Các mô tả này tự thân không thiết lập lợi thế về độ chính xác hoặc tiết lộ toàn bộ chi tiết triển khai.

Jev cho phép 64K token trên toàn bộ yêu cầu, với giới hạn riêng 32K cho state cộng câu hỏi dài nhất. Hãy tính cả hướng dẫn câu hỏi và tiêu chí cũng như đầu vào chia sẻ. Hướng dẫn Decisions của OpenAI được liên kết không nêu một giới hạn ngữ cảnh số riêng cho endpoint này; hãy xác minh các giới hạn áp dụng thay vì giả định rằng một con số cửa sổ ngữ cảnh của mô hình chung áp dụng nguyên vẹn.

Benchmark lý luận sinh thành và sinh mã nằm ngoài phạm vi của các endpoint quyết định bị ràng buộc này. Đối với tạo lời giải thích hoặc sinh mã, hãy đánh giá một endpoint sinh thành phù hợp riêng. Kết quả cho mô hình đa dụng nền tảng không thiết lập hiệu năng cho endpoint Decisions.

Độ chính xác và độ trễ

Các tài liệu nhà cung cấp được trích dẫn không cung cấp một bài kiểm tra đối đầu phù hợp để xác lập người thắng về độ chính xác hoặc độ trễ. Tuyên bố nhanh hơn khoảng 10× của OpenAI so sánh Decisions với Responses API của chính họ. TypeSafe báo cáo độ trễ end-to-end 70–500 ms và nói các đánh giá công bố của họ thường chạy từ một laptop ở miền tây Hoa Kỳ.

Hiệu chuẩn xác suất và ngưỡng xem xét

Một mô hình có thể chính xác nhưng hiệu chuẩn kém. Trong số các dự đoán được gán xác suất 0,90 cho lớp được chọn, xấp xỉ 90% nên đúng nếu xác suất đó được hiệu chuẩn trên phân phối đánh giá. Đừng thay thế một trường API gọi là confidence cho xác suất này mà không kiểm tra định nghĩa của nó. Jev suy ra confidence của Choice từ phân phối xác suất: confidence = (p_max − 1/n) / (1 − 1/n), trong đó n là số lựa chọn. Kết quả Noul của nó không có trường confidence riêng. Hãy đo ECE và điểm Brier từ các xác suất thích hợp, cùng với precision, recall và F1 macro; chọn các ngưỡng xem xét từ dữ liệu có gán nhãn.

Giá và chi phí trên mỗi quyết định được chấp nhận

OpenAI liệt kê USD $0,10 trên mỗi triệu token đầu vào cho /v1/decisions; Jev liệt kê USD $0,042 trên mỗi triệu token đầu vào. Cả hai đều không tính phí token đầu ra cho các dịch vụ quyết định này. Ở các mức giá cơ bản đó, Jev rẻ hơn 58% trên mỗi token đầu vào. Phụ phí xử lý theo vùng và hệ số nhân ngữ cảnh dài của OpenAI có thể áp dụng; thử lại, tiền xử lý và xem xét có thể cộng chi phí vào quy trình.

Giả sử mỗi yêu cầu dùng 500 token đầu vào tính phí trên cả hai dịch vụ. Đây là các phép tính minh họa, không phải hóa đơn của nhà cung cấp.

Chi phí trên mỗi quyết định đúng được chấp nhận = (chi tiêu API + chi tiêu thử lại + chi tiêu xem xét thủ công) / số quyết định đúng được chấp nhận. Mức giá trên mỗi token thấp có thể bị bù bởi tỷ lệ định tuyến sai hoặc leo thang cao hơn.

Đối với một quy trình GPT-6 Luna thông thường, bảng giá mô hình CometAPI liệt kê các mức giá USD trên mỗi triệu token, kiểm tra vào ngày 12 tháng 10, 2026. Đây là mức giá theo endpoint mô hình; trang liên kết hiển thị một ví dụ Responses API và không thiết lập hỗ trợ gốc /v1/decisions hoặc định giá của nó.

Token đầu ra của GPT-6 Luna thông thường trên CometAPI được tính phí. Hãy giữ ước tính này tách biệt khỏi hai dịch vụ quyết định ở trên, vốn có phí token đầu ra công bố là bằng không. Ví dụ, 500 token đầu vào cộng 20 token đầu ra có chi phí $0,000048 cho mỗi yêu cầu ngữ cảnh ngắn, hoặc $48 cho mỗi một triệu yêu cầu, trước các khoản phí khác. Xác nhận bậc áp dụng và mức giá tài khoản trong catalog mô hình trực tiếp trước khi lập ngân sách.

Quy trình tác nhân và đánh đổi về phương thức

Cả hai đều có thể định tuyến một lời gọi công cụ, đánh giá liệu một điều kiện bảo vệ có được đáp ứng, hoặc chấm điểm một hành động. Không cái nào thay thế việc cấp phép, xác thực đầu vào hoặc quyền công cụ rõ ràng. Với tự động hóa thị giác, hỗ trợ hình ảnh gốc của OpenAI đơn giản hóa pipeline; đối với định tuyến thuần văn bản, mức giá cơ bản thấp hơn của Jev có thể hấp dẫn.

Xử lý đầu ra khác nhau tại ranh giới phản hồi. OpenAI trả về một mảng answers, với name xác định câu hỏi; Jev trả về một đối tượng answers khóa theo ID câu hỏi. Hãy chuẩn hóa các cấu trúc này trước khi áp dụng quy tắc nghiệp vụ chung. Jev suy ra confidence từ phân phối xác suất; đừng giả định các trường cùng tên có nghĩa tương đương giữa các nhà cung cấp. Xác thực nhãn và hiệu chuẩn ngưỡng xem xét trên dữ liệu ứng dụng.

Nguồn: Introducing System One Models & Jev; hình gốc. Điều này minh họa việc ghép nối quy trình, không phải benchmark đối đầu với OpenAI Decisions API.

API được dùng khác nhau thế nào: OpenAI Decisions API vs Jev

Quyền truy cập phải được cấu hình riêng cho mỗi nhà cung cấp: mỗi ví dụ dưới đây dùng host và khóa API của riêng nó. OpenAI mô tả Decisions là một endpoint beta công khai. Với Jev, hãy xác nhận quyền truy cập và thông tin xác thực hiện tại với TypeSafe trước khi triển khai. Với bất kỳ dịch vụ nào, hãy xác minh quyền tài khoản, khả dụng theo vùng, hạn ngạch và điều khoản dịch vụ; một yêu cầu ví dụ không đảm bảo truy cập sản xuất. Quyền truy cập của bên thứ ba vào một mô hình sinh thành không tự thân xác nhận hỗ trợ cho endpoint quyết định gốc của nó.

Cách dùng OpenAI Decisions API

Khái niệm có trùng lặp, nhưng schema yêu cầu khác nhau. OpenAI gửi input và một mảng các câu hỏi có name; Jev dùng state và một đối tượng questions khóa theo ID. Hãy triển khai một adapter riêng theo nhà cung cấp trước khi áp dụng chính sách quyết định chung.

Định tuyến một phiếu hỗ trợ với OpenAI Decisions API.

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 team should handle this?",
      "choices": [
        {"value":"billing","description":"Charges and refunds"},
        {"value":"technical","description":"Product errors"},
        {"value":"other","description":"Other requests"}
      ]
    }]
  }'

Cách dùng Jev API

Yêu cầu cURL sau dùng endpoint System One của Jev để phân loại một phiếu hỗ trợ. Thiết lập TYPESAFE_API_KEY trong môi trường của bạn, đặt phiếu vào state, và định nghĩa department bên trong đối tượng questions. Bản đồ criteria của nó liệt kê các nhãn định tuyến được phép và mô tả của chúng. Sau khi yêu cầu thành công, đọc mục department trong answers và xác thực nhãn đã chọn trước khi định tuyến phiếu. Xác nhận rằng định danh mô hình có sẵn cho tài khoản của bạn.

Định tuyến một phiếu hỗ trợ với TypeSafe Jev.

curl https://api.typesafe.ai/v1/systemone \
  -H "Authorization: Bearer $TYPESAFE_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "jev-1.13.0",
    "state": "I was charged twice for my order.",
    "questions": {
      "department": {
        "type": "choice",
        "instructions": "Which team should handle this?",
        "criteria": {
          "billing":"Charges and refunds",
          "technical":"Product errors",
          "other":"Other requests"
        }
      }
    }
  }'

Chính sách xem xét dùng chung cho xác suất lớp được chọn

Áp dụng một ngưỡng được hiệu chuẩn rõ ràng cho xác suất của lớp được chọn.

from dataclasses import dataclass
from math import isfinite

@dataclass
class NormalizedDecision:
    label: str | None
    selected_probability: float | None
    provider: str
    needs_review: bool

def apply_review_policy(label, selected_probability, provider, threshold):
    if not isfinite(threshold) or not 0.0 <= threshold <= 1.0:
        raise ValueError("threshold must be between 0 and 1")
    valid_probability = (
        selected_probability is not None
        and isfinite(selected_probability)
        and 0.0 <= selected_probability <= 1.0
    )
    return NormalizedDecision(
        label=label,
        selected_probability=selected_probability,
        provider=provider,
        needs_review=(
            not label
            or not valid_probability
            or selected_probability < threshold
        ),
    )

Ví dụ Python 3.10+ này là một lớp chính sách ứng dụng, không phải bộ phân tích phản hồi API. Mỗi adapter theo nhà cung cấp phải xác thực phản hồi và trích xuất xác suất lớp được chọn. Đừng truyền trường confidence thô của Jev như selected_probability. Cung cấp một ngưỡng được hiệu chuẩn cho nhà cung cấp, câu hỏi và tập dữ liệu đánh giá đó; xử lý các từ chối và lỗi truyền tải trước khi gọi chính sách.

OpenAI Decisions API vs Jev: Nên chọn thế nào

Chọn theo hai giai đoạn. Trước tiên, sàng lọc theo yêu cầu triển khai: đầu vào hình ảnh, quyền tài khoản, giới hạn đầu vào và công sức tích hợp. Sau đó benchmark các dịch vụ đủ điều kiện trên cùng một khối lượng công việc có gán nhãn. Với định tuyến thuần văn bản, kiểm tra xem mức giá đầu vào công bố thấp hơn của Jev có chuyển thành chi phí tổng thấp hơn hay không; với các quyết định phụ thuộc hình ảnh, đánh giá đường dẫn hình ảnh gốc của OpenAI. So sánh định tuyến sai, hiệu chuẩn, độ trễ đuôi, thử lại và xem xét thủ công ở một mục tiêu chất lượng đã thỏa thuận. Bảng dưới đây là danh sách ngắn điểm khởi đầu, không phải bằng chứng về một người thắng tổng thể.

Đối với tự động hóa doanh nghiệp khối lượng lớn, như định tuyến hỗ trợ và phân loại văn bản, Jev đáng ưu tiên khi chi phí đầu vào và thông lượng là mối quan tâm chính. Đối với các ứng dụng đa phương thức, bao gồm kiểm tra ảnh chụp màn hình, kiểm duyệt thị giác và quyết định dựa trên hình ảnh, OpenAI Decisions API là lựa chọn thực tế hơn nhờ hỗ trợ hình ảnh gốc. Đối với tác nhân AI và quy trình doanh nghiệp, lựa chọn phụ thuộc vào hạ tầng hiện hữu, độ phức tạp tích hợp và hệ quả của các quyết định sai. OpenAI có thể mang lại con đường suôn sẻ hơn cho các đội đã dùng hệ sinh thái của họ, trong khi Jev đáng cân nhắc cho khối lượng công việc văn bản lớn. Trong mọi kịch bản, quyết định cuối cùng nên dựa trên độ chính xác đo được, hiệu chuẩn xác suất, độ trễ và tổng chi phí vận hành, thay vì chỉ giá tiêu đề.

Bạn nên benchmark OpenAI Decisions API với Jev như thế nào?

Chạy cả hai dịch vụ trên cùng những đầu vào thực tế có gán nhãn, với định nghĩa câu hỏi phù hợp và vùng client trùng nhau. Theo dõi độ chính xác, F1 macro, ECE, điểm Brier, độ trễ p50/p95/p99, timeout, tỷ lệ từ chối, tỷ lệ xem xét và chi phí đô-la trên mỗi quyết định đúng được chấp nhận.

Quy trình gợi ý: xây dựng một tập đại diện có gán nhãn; bao gồm các trường hợp mơ hồ và ngoài phân phối; gửi các tác vụ có ngữ nghĩa giống hệt nhau; lặp lại đủ nhiều để đo phương sai; hiệu chuẩn các ngưỡng của từng hệ thống độc lập; và so sánh chi phí end-to-end bao gồm leo thang và thử lại.

Kết luận

Chọn OpenAI Decisions API khi quyết định phụ thuộc vào bằng chứng hình ảnh hoặc khi tích hợp OpenAI hiện hữu giúp giảm công sức triển khai. Đánh giá Jev cho khối lượng công việc quyết định thuần văn bản, nơi mức giá token đầu vào công bố thấp hơn của nó có thể giảm chi phí suy luận. Đo lường chất lượng nhãn, hiệu chuẩn, độ trễ đuôi và khối lượng xem xét trên cùng dữ liệu ứng dụng trước khi chọn.

Jev có mức giá cơ bản công bố thấp hơn cho token đầu vào; OpenAI Decisions API có đầu vào hình ảnh gốc. Các số liệu nhà cung cấp được trích dẫn không thiết lập người thắng tổng thể về độ chính xác hoặc tốc độ. Lựa chọn tốt nhất phụ thuộc vào chi phí và chất lượng của các quyết định được chấp nhận trong toàn bộ quy trình.

Các nhà phát triển có thể dùng GPT-6 Luna API trong CometAPI để thử nghiệm phân loại nhẹ trong một quy trình đa mô hình rộng hơn. Trang mô hình liên kết cung cấp một ví dụ Responses API. Quyền truy cập vào endpoint sinh thành đó không thiết lập hỗ trợ cho endpoint /v1/decisions chuyên dụng. Đây là một nguyên mẫu sinh văn bản thông thường. Nó không trả về schema câu trả lời gốc của Decisions hoặc một phân phối xác suất lớp đã hiệu chuẩn. Hãy xác thực nhãn trả về so với các danh mục được phép và xử lý lỗi API trước khi kết nối nó với các hành động hạ nguồn. Xác nhận hỗ trợ gốc /v1/decisions một cách riêng biệt nếu endpoint đó là yêu cầu.