什麼是 OpenAI Decisions API 及其運作方式

TL;DR

OpenAI Decisions API 是一個專用端點，將文字與影像轉換為可執行、機器可讀的決策，而非生成性文字。它使用 GPT-6 Luna，並支援 predicate、choice 與 score 類型的問題。OpenAI 報告在支援的決策任務上相較 Responses API 約快 10 倍，且採用每 100 萬個 token 0.10 美元的標準輸入定價。

Key Takeaways

• 目的導向的決策：預先定義問題，而非自由對話。
• 三種決策類型：predicate、choice、score。
• 具機率意識的自動化：將模糊或影響重大的輸入導向人工審核。
• 供應商所述的速度提升，以及每 100 萬個 token 0.10 美元的僅輸入計費，使其適用於大量決策場景。
• 最適用於路由、分類、視覺檢查與 AI 代理的決策閘。

What Is the OpenAI Decisions API?

OpenAI Decisions API 用於評估資訊並返回受限且機器可讀的決策。OpenAI 在 2026 年 10 月 6 日以測試版形式發布此端點（https://developers.openai.com/api/docs/changelog）。本指南面向已了解 API 金鑰與 JSON，並想評估分類或路由工作流程的開發者。產品細節已於 2026 年 10 月 12 日查核。

POST /v1/decisions request schema 接受模型、共享的文字或影像輸入，以及由開發者定義的問題。此專用端點返回型別化判斷，而非說明性文字。

OpenAI Decisions API specifications

Current availability and access

截至 2026 年 10 月 15 日，官方指南列為公開測試，且僅支援 gpt-6-luna。請將請求送至 POST /v1/decisions；測試版不保證生產穩定性。

在部署前，請使用 OpenAI API 專案並檢查其模型存取、計費狀態與速率限制。指南列出需使用 Python SDK 3.26.0 或更高版本；請先以小型測試請求確認帳戶層級存取權。

符合資格的客戶可使用 Zero Data Retention 與 HIPAA 安排。指南列出美國與歐洲的區域處理；仍需符合資格與合約要求。透過第三方 Luna 介面進行存取並不代表與此專用端點相容。

How Does the OpenAI Decisions API Work?

請求會結合共享的輸入佐證與由開發者定義的問題。API 使用 GPT-6 Luna 評估輸入，並返回可由應用程式自動執行、審核或升級處理的答案。多個問題可共享同一輸入，但相依問題應由應用程式排序。

Predicate evaluation

Predicate 用於判斷特定條件是否成立。例如零售商可詢問一張照片是否顯示可見的產品損傷；回應會提供 0 到 1 之間的機率。

Illustrative predicate answer excerpt.

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

Choice selection

Choice 類問題在顯式提供的類別中進行選擇，例如 Billing、Technical Support 或 Account Access。分佈與置信度欄位有助於後續路由與升級策略。

Score evaluation

Score 類問題依據有序量表評估輸入。預期分數可反映所定義等級的機率加權索引；這並不自動代表經校準的真實世界風險。

What Are the Main Features of the OpenAI Decisions API?

Fast, bounded execution

型別化輸出減少了生成長文本、解析文字或重試格式錯誤答案的需求。OpenAI 稱在支援的決策任務上相較 Responses API 約有十倍速度提升；實際效益取決於輸入長度、網路開銷與並發情況。

Multiple questions over shared context

同一張客服單可在一次請求中同時評估部門、緊急程度與是否符合審核條件。應用程式仍需強制執行確定性的業務規則與授權檢查。

Text and image understanding

文字與影像可支援客服單路由、螢幕截圖分流與視覺檢查。請參考官方文件以了解支援的影像格式、大小限制與目前接受的載荷結構。

OpenAI 在其視覺決策範例中使用了這個凹損馬克杯影像。該影像展示可觀察的損傷；它不代表量測的準確率。本端點接受內嵌 base64 影像資料 URL，不接受託管影像 URL 或檔案 ID。

Probability-aware automation

回報的置信度並不保證準確性。團隊應以標註的保留資料調整門檻，對於高假陽性或高假陰性代價的情境分別設定門檻。

Security and data controls

資料保留、區域處理與受規範用途取決於帳戶設定與適用的合約要求。在處理受規範或敏感資訊之前，請先確認資格。

How Much Does the OpenAI Decisions API Cost?

報告的標準費率為每 100 萬個輸入 token 0.10 美元，透過專用的 Decisions 端點不對輸出 token 計費。區域處理或長上下文的乘數可能影響最終費用。

How much can Decisions API save versus Responses API?

請在相同模型上比較等價任務。Decisions 指南列為每 100 萬個輸入 token 0.10 美元，且無輸出或快取費用。Luna 模型頁則在一般模型使用中列為標準文字定價：未快取輸入 $0.10/M，輸出 $0.50/M。

示意計算，非基準測試：1,000,000 次文字請求，每個端點每次請求 500 個未快取且需計費的輸入 token，每次請求一個分類，無區域或長上下文附加費。對 Responses，請使用總計費的輸出 token，包括任何計費的推理 token，而非僅以可見答案長度計算。

在上述假設下：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%，其中 N 為請求數、I 為每請求輸入 token、O 為每請求計費輸出 token。

上表的節省來自假設中的 Responses 輸出計費；它不是固定的端點折扣。請使用量測到的輸入用量、快取命中、快取寫入、處理層級與重試次數重新計算。快取輸入或 Batch/Flex 費率會改變結果。另行計入工具費用、人工審核與基礎設施。請在檢查品質與延遲後，比較每個被接受的正確決策成本；簡短標籤與較長說明屬於不同工作負載。

OpenAI Decisions API vs Responses API vs Jev and Aplomb 1

此表聚焦於專用決策服務。若需生成解釋、客製化抽取結構，或工具工作流程，請依OpenAI 決策指南使用 Responses API。決策可選擇工作流程分支，而 Responses 用於生成內容或請求工具呼叫，並由應用程式碼執行自訂工具。

Capabilities and pricing overview

選擇範圍：Jev 與 Aplomb 因其公開的決策能力而被納入，比較非以人氣為導向。規格與標準輸入價格已於 2026 年 10 月 16 日查核。TypeSafe仍將 jev-latest 對應至 1.13，jev-preview 對應至 1.14，因此此比較以 1.13 為準。Jev 的影像支援為試驗性質。Aplomb 權重受授權限制；商用部署請檢視條款。公佈的 token 價格並非品質排名，亦非總工作流程成本估計。

Workflow selection

請依所需輸入與部署選項篩選服務，並在相同的已標註案例上進行測試。對齊輸入準備、決策量表、端到端延遲量測與人工審核策略。比較路由準確率、遺漏案例、審核工作量與每個被接受的正確決策成本。將這些結果一併報告，以避免較低 token 價格或較快回答掩蓋額外錯誤或審核成本。

How Can You Use the OpenAI Decisions API?

Step 1: Configure credentials

建立 API 金鑰，並以 OPENAI_API_KEY 環境變數提供。切勿將秘密金鑰硬編碼到版本庫或前端應用。

Step 2: Send a request with cURL

以下請求遵循官方 choice 範例結構。在執行前設定 OPENAI_API_KEY；成功回應包含 answers 陣列。Shell 指令使用 Bash 語法。

Route a support request with 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"}
        ]
      }
    ]
  }'

Step 3: Integrate with Python

安裝所需的 Python SDK。

pip install --upgrade "openai>=3.26.0"

Request and inspect a choice decision.

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)

Step 4: Define an escalation rule

套用示意的路由門檻。

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

0.90 門檻僅為示意，非供應商保證或官方建議預設值。請以真實案例與業務風險進行驗證。

How Can You Access GPT-6 Luna Through CometAPI?

開發者可透過 GPT-6 Luna API in CometAPI 用於通用模型任務。請勿將此與 OpenAI 專用 Decisions 端點的支援混為一談；後者需單獨驗證相容性。

透過 CometAPI Responses 進行文字分類。

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)

此範例為透過 CometAPI 相容的模型介面進行通用分類；它不返回原生的 Decisions API 機率結構，也不繼承其僅輸入的定價。

What Are the Best Use Cases for the OpenAI Decisions API?

以下為示意的應用工作流程，非實際部署或基準結果。它們使用 官方 Decisions 指南中的 predicate、choice 與 score 問題型別。應用程式碼負責後續動作。

Customer support classification

提供工單文字、相關對話紀錄與預定義的支援團隊列表。Choice 問題可選擇 Billing、Technical Support 或 Account Access；另一路徑的 score 問題可依書面量表評估緊急程度。應用程式碼可指派建議佇列，並將不確定或資訊不完整的案例送審。

在支援人員標註的工單上評估工作流程，衡量各類別的路由準確率、錯過的緊急案件、重新指派率與審核工作量。與現有路由流程比較後再擴大部署。

Content moderation and review queues

提供提交的文字或影像與明確定義的審核類別。Predicate 問題可評估內容是否出現特定條件，score 問題可依記錄的嚴重程度量表設定審核優先級。應用程式可將被標記的項目放入適當佇列，並向審核者呈現相關內容；端點本身不會移除內容或執行平臺規則。

在具代表性的標註樣本上評估漏檢、非必要標記、審核者一致性與佇列延遲。針對不同後果的類別分別調整門檻。

E-commerce image inspection

提供產品照片與針對該項目的檢查標準，例如可見裂縫、撕裂或包裝損壞。Predicate 問題可評估各條件是否出現，當影像證據足夠時，score 問題可套用既定嚴重程度量表。當證據不明確時，應用程式碼可要求補拍或建立人工檢查任務。

依據實際檢測項目評估偵測準確度，包括漏檢與誤報，並覆蓋不同產品類別與影像條件。退款或更換決策請置於零售商既有的核准流程中。

AI-agent action gating

提供擬議行動、其參數、相關使用者請求與應用的書面執行規則。Predicate 問題可評估提案是否符合請求或需要審核。應用程式碼可利用結果選擇預定義分支：繼續、要求澄清或升級。獨立的權限檢查仍需決定是否允許執行；模型判斷僅為其中一項輸入。

在已標註的行動提案上評估閘控，衡量漏接未授權行動、非必要升級，以及對不完整或矛盾上下文的敏感度，之後再連結至實際執行。

Document and email triage

提供文件或電子郵件文字、相關中繼資料與固定類別，如 invoice、support request、meeting request 或 other。Choice 問題可選擇類別，Predicate 問題可識別是否缺少必要資訊等條件。應用程式碼可將項目送至相應的抽取、檢索或審核工作流程，而非要求決策端點執行後續步驟。

使用具代表性的標註紀錄（包括模糊項目與不熟悉格式）評估類別準確度、錯誤的下游路由、審核量與處理時間。

What Are the OpenAI Decisions API’s Limitations?

此 API 不生成任意說明性內容、不直接執行工具，也無法免除對預測的測試。缺漏的類別與撰寫不佳的決策量表會導致不適當結果。置信度值可能未校準；高風險自動化仍需保障措施、人工審核與授權邏輯。

Conclusion

Decisions API 透過型別化的機率輸出與簡化的 token 計價模型，對大量且邊界明確的判斷具有吸引力。團隊應使用相同的已標註案例、延遲量測與完整工作流程成本，將其與 Structured Outputs 與替代決策模型比較。核心機會在於辨識 AI 應用中需要「選擇」而非「生成文字」的步驟。

FAQs

How should OpenAI Decisions API refusals be handled?

將拒絕視為獨立的工作流程結果。在讀取 choice、score 或 probability 欄位前先檢查 answer.type。記錄問題名稱，並將請求導向審核或補救路徑；切勿將拒絕解讀為 predicate 的否定或 score 的零分。

How can Decisions API thresholds be maintained over time?

在已標註的保留樣本上選擇門檻，然後監控被接受決策的準確度與送審占比。當類別、說明、輸入來源或模型行為改變時重新評估。維護版本化的量表，以便將路由變更追溯到產生它們的設定。

How should OpenAI Decisions API latency tests be reported?

記錄日期、區域、模型識別碼、問題數、文字長度、影像大小、並發度、用戶端版本、重試策略與比較端點配置。回報端到端 p50 與 p95，並附上樣本數與品質結果，以避免僅透過接受更多錯誤來獲得表面上的速度提升。

How should Decisions API categories evolve without breaking integrations?

使用穩定且機器可讀的值，並維護到下游佇列的顯式對應。新增後備類別，並在部署新說明前測試歷史邊界案例。若重命名類別，請同步更新路由映射與量表，而非讓未知值進入生產行動。

What should be logged for a Decisions API routing audit?

記錄量表版本、選定類別、相關機率或置信度、門檻、模型識別碼、時間戳與採取的動作。僅儲存工作流程所需的輸入內容，並套用組織的保留政策。稽核記錄應顯示為何應用程式邏輯將案例路由或升級。