摘要

OpenAI 将 Decisions API 正式发布为通用可用（GA）。该接口基于 GPT-6 Luna 构建，把模型能力收窄到"有界答案"类问题（概率、选择、评分三类返回），帮助应用与智能体从文本、图像和结构化输入中做出近乎实时决策，比经由 Responses API 调用 GPT-6 Luna 最快快 10 倍。定价上只对输入 token 收费，每百万输入 token 0.10 美元、缓存命中 0.01 美元，不收输出 token 费用。自公测以来新增 GPT-Live 原生集成、复用上下文的提示缓存、美欧推理数据驻留，支持原生 JSON 输入与问题中带图，单请求问题上限翻倍至 400 个，并在亚洲多区扩容。OpenAI 并援引 Box、Datadog、Ramp、Sierra、Speak 等客户实测，验证其在路由、风险评分、成本归因、语音交互等场景的延迟与成本优势。

正文（译文）

应用程序和智能体在工作流中会做出许多微小的决策：如何对输入进行分类、将请求路由到哪里、下一步采取什么行动。单独来看它们很简单，但在规模上，延迟和成本会累积起来。

今天我们将 Decisions API 正式发布为通用可用（GA）。它基于 GPT-6 Luna 构建，将 Luna 的智能集中于具有限定答案的问题，帮助应用与智能体从文本、图像和结构化输入中做出近乎实时决策，比经由 Responses API 使用 GPT-6 Luna 快多达 10 倍。

自公开测试版以来，我们新增了原生的 GPT-Live 集成、用于复用上下文的提示缓存，以及在美国和欧盟的推理数据驻留。开发人员还可以传递原生 JSON 输入，在问题指令中包含图像，并且每个请求最多可询问 400 个问题（是此前上限的两倍）。我们还持续改进延迟，包括在亚洲多个区域增加额外容量。

各团队如何使用 Decisions API 早期采用已显示出它在各类用例中的适用性。在 OpenAI 内部，各团队正在产品与业务工作流中应用它：dots 团队用它降低响应时间、提升交互性；个人理财团队用它给交易描述做分类；通信团队用它按主题对报道分类，并评分其是强化还是挑战关键叙述，以识别哪些值得更仔细审查。客户同样广泛地应用它，从精确归因 AI 成本，到让语言学习体验更具交互性。

客户实测引语（原文保留）： Box 产品管理平台与集成副总裁 Biswaroop Palit：借助 Box Extract 和 Decisions API，我们对业务文档分类并路由到正确的下一步。在我们的评估中，Decisions API 在 30 个保险凭证案例上实现了约 5 倍更快的路由选择，准确度与 Responses API 相同——把常规工作自动化，并把低置信度案例交给人工审阅。（原文：With Box Extract and the Decisions API, we classify business documents and route them to the right next step. In our evaluation, the Decisions API delivered ~5x faster route selection on 30 certificate of insurance cases, with the same accuracy as the Responses API...）

Datadog 高级工程师 AJ Stuyvenberg：Decisions API 帮我们在执行智能体生成的 rshell 命令前对其风险评分，以自主修复问题。与现有前沿模型相比，它以相当的准确度提供了 40 倍更快的 p95 延迟——使得把 Decisions 放在修复动作的热路径中成为可能。（原文：The Decisions API is helping us score the risk of agent-generated rshell commands before executing them to autonomously remediate issues. Compared with available frontier models, it delivered 40x faster p95 with comparable accuracy...）

Ramp 研究工程师 René Sultan：与 GPT-6 Luna 相比，Decisions API 把 AI 成本归因到实际工作的速度提高了 4 倍、成本降低 30%，且不牺牲准确性。（原文：The Decisions API has made it 4x faster and 30% cheaper to attribute our AI costs to the actual work when compared to GPT-6 Luna, without sacrificing accuracy.）

Sierra 工程师 Ajeet Grewal：我们在实时客户对话的编排中使用 Decisions API 选择合适的下一步行动。它的 p95 低于 280 毫秒，比之前的方法快约 3 倍、每次调用成本低 90%，客户结果没有下降。（原文：It runs at under 280 ms p95, about 3x faster and 90% lower cost per call than our previous approach, with no drop in customer outcomes.）

Speak 首席技术官 Andrew Hsu：对语言学习者而言时机很重要。测试中 GPT-Live 里的 Decisions API 集成把到下一步动作的时间减少超过 90%，从 1.4 秒降到 0.13 秒，带来更具交互性的学习体验。（原文：In our testing, the Decisions API integration in GPT-Live was able to reduce the time to next action by over 90%, from 1.4s to 0.13s...）

为您的应用选择所需的决策类型 使用很简单：开发人员定义一个问题及其允许的答案，再提供文本、图像或原生 JSON 作为上下文。API 返回三种支持答案类型之一——概率（probability）、选择（choice）或评分（score）——应用据此决定下一步。答案类型的多样使其适用于广泛用例。

三种答案类型： predicate：估计某条件为真的概率，例如产品是否有可见损坏。返回 probability，即对真值的概率估计，范围 0 到 1。 choice：从预定义选项中选一个，例如智能体是继续、重试还是要求澄清。返回 choice，即你提供的值之一，响应同时含概率与置信度。 score：按有序级别对输入评级，例如损坏严重程度。返回 score，即级别索引的概率加权平均值。

用 Decisions API 与 GPT-Live 构建实时语音体验 借助 GPT-Live，可以为语音应用带来自然、富有表现力的对话，并用流畅的中断处理保持对话连贯。Decisions API 现已原生集成进 GPT-Live，帮助应用在实时对话中做出快速、聚焦的决策：客服代理可决定是提出澄清问题、路由请求还是升级问题；虚拟形象可在用户说话时调整面部表情，并依据用户措辞用眨眼或微笑回应，创造更具交互性的体验。

以下示例利用转录更新来选择虚拟形象表情，把这段配置加入现有 GPT-Live 会话的 session.triggers： type 设为 decisions；event_type 设为 session.input_transcript.delta；decisions 内 questions 用 choice 类型，name 为 reaction，instructions 为"根据用户最新消息为虚拟形象选择合适反应"，choices 给出 neutral、happy、sad、concerned 四个值。 Live 会发出 decision.event，应用读取选定的 reaction 并驱动角色动画。

亲自用 GPT-Live 试用 Decisions 页面提供交互式演示：用户可开关麦克风、开始会话，并看到"实时决策"根据双方话语选择面部表情，表情调色板含 Curious、Delighted、Surprised、Pensive、Tender、Cheeky、At ease 等。演示为限时，使用即表示同意 OpenAI 条款与隐私政策。

构建并评估你的第一个决策 Decisions API 今天通过专用 Decisions 端点与 GPT-6 Luna 一同正式可用。从应用频繁做出的一个重复性决策入手：定义问题、可能答案以及区分它们所需的上下文，再在 Decisions Playground 用自有文本或图像测试，或按开发指南发出首个请求。

定价与可用性：Decisions API 每百万输入 token 收费 0.10 美元，缓存输入每百万 token 0.01 美元（含 30 分钟与 12 小时两种缓存写入）。只对输入 token 付费，没有输出 token 费用。区域处理在美国和欧盟可用，零数据保留对符合条件的客户开放。文末标注作者为 OpenAI，标签为 API、2026。