决策模型价格战：OpenAI、Perplexity、微软定价差5倍

决策模型是什么

决策模型不写文章。你给它一个状态（文本、JSON、图片）加上一个或多个带类型的问题，它返回结构化答案：是/否的概率、从你给定选项中的选择及置信度，或者一个排序分数。这一品类因 TypeSafe 的 Jev 得名，该产品于 2026 年 9 月发布。自 10 月 1 日起，几乎每周都有新产品亮相。

决策模型价格战来源

与大语言模型最大的区别在于输出形态——不是散文，而是概率。这意味着它可以被直接接入决策流程，而不需要再做一次解析。当分类、判断这类任务从「用提示词套一个生成模型」变成独立产品，定价逻辑也随之改变。

结构化输出（Structured Output） 是理解决策模型的关键前提。传统大语言模型默认输出自然语言文本，调用方若想拿到「是/否」或某个类别，往往需要额外写正则、JSON 解析或约束解码（constrained decoding）来从散文里提取信号，这一步既脆弱又增加延迟。决策模型把输出空间直接限制为带类型的答案——概率、枚举选项、排序分数，并在推理层保证格式合法。这样下游程序可以像调用普通函数一样消费结果，无需再做一次「文本转语义」的解析。它本质上是把分类、判断这类判别式任务从生成式模型里剥离出来，做成接口契约明确的独立原语。

七家厂商的定价记分牌

模型	发布时间	输入价格	输出价格	权重	上下文
OpenAI Decisions API (gpt-6-luna)	10月6日	$0.10 / 1M	$0	闭源	未公开
Perplexity pplx-decider-v1-27b	10月1日	$0.04 / 1M	$0	Apache 2.0	262k
Perplexity pplx-decider-v1.1-27b	10月7日	$0.02 / 1M	$0	Apache 2.0	262k
Microsoft-Decision-1	10月9日	$0.042 / 1M	$0	未公开	未公开
TypeSafe Jev	2026年9月	浮动	浮动	—	—
Cloudflare Clef / Clef-flash	10月1日	未公开	未公开	开源	—
AWS Strands Decider 2B	10月1日	未公开	未公开	—	—

五周内七次发布，最贵和最便宜之间差了 5 倍——而这些 API 在结构上做的是同一件事。输出全部免费计费，是这个品类的另一个共同特征：厂商赌的是输入侧的规模效应。

Perplexity 为什么能便宜到 $0.02

两个可验证的原因。

模型更小。 27B 参数，从 Qwen3.8-27B 微调而来，对标的却是 OpenAI 端点背后那种前沿规模的模型。小模型意味着更便宜的推理成本，账很好算。

权重开源。 Perplexity 以 Apache 2.0 协议开源了权重。如果你有一块约 49 GiB 显存的 GPU，可以自行部署 v1.1。这等于给定价设了一个天花板：任何有硬件的人都能以电费成本运行它。OpenAI 的闭源模型没有这个约束。

但有个诚实的提醒：每 token 更便宜不等于每次正确决策更便宜。 一个错误率 15% 的 $0.02 模型，一旦把「判断错误」的代价算进去，可能比错误率 5% 的 $0.10 模型更贵。

开源权重对定价的约束机制值得展开。当模型权重以 Apache 2.0 这类宽松协议发布后，任何拥有足够显存的一方都能自行部署，边际成本退化为电费与硬件折旧，厂商的定价实际上被「自托管替代成本」封顶。约 49 GiB 显存通常对应单张 80GB 级 GPU 或双卡组合，属于中小团队可承受的范围。这也解释了为什么闭源厂商必须靠生态锁定（同一账单、同一 SDK）而非单纯价格来留客。需要区分的是：开源的是权重，不是训练数据或训练配方，因此复现质量、微调效果仍取决于社区投入，Decision Index 这类追踪项目正是在做这件事。

基准测试到底说了什么

Perplexity 自己的数据是：pplx-decider-v1 在一个 11 项基准、7210 个样本的测试面板上达到 85.71%，Jev 为 84.51%，其中 RAGTruth 上差距最大（88.80% vs 77.27%）。但 Jev 在 11 项测试中的 4 项仍然领先，包括 WinoGrande 和 BBH。

需要强调的是，Perplexity 官方文档并没有发布基准表——这些数字来自其公告，而非独立复现。社区运营的 Decision Index 排行榜（一个追踪 Jev 开源复现的 Hugging Face 项目）显示 Perplexity 为 62.75、Jev 为 60.11（v0.3 评分），但评分公式在版本间发生过变化，这两个数字也不能直接比较。

SAS 做过一次独立评测（每个数据集约 50 个样本，各跑三次），测得 v1 在人工编写用例上准确率 0.95，但在公开数据集上为 0.80，校准误差 0.06–0.09，中位延迟约 0.3 秒。样本量偏小，却是目前最接近第三方数据的数字。

结论很清楚：Perplexity 的模型在自家测试上看起来能与 Jev 竞争，但没有任何人公开发布过七款模型的完整对比。在独立机构用同一套测试跑完所有模型之前，基准战更像营销。

校准误差（Calibration Error） 在这里指模型给出的置信度与实际正确率之间的偏差。一个校准良好的模型，在它声称「80% 把握」的样本上应真有约 80% 正确；校准误差 0.06–0.09 意味着存在几个百分点的系统性高估或低估。对决策模型而言，这一指标比单纯的准确率更贴近使用场景，因为下游流程常按置信度阈值分流（高置信自动执行、低置信转人工）。此外，混淆矩阵通过列出真阳、假阳、真阴、假阴四类计数，能揭示总体准确率掩盖的偏科问题——例如一个模型在正例上很准却在负例上大量误判，对风控类应用可能是致命的。这也是文中建议用自有标注样本而非公开榜单做选型的原因。

延迟表现

Perplexity 公布了自己测试的延迟数据（9月30日）：几百个输入 token 时低于 2 秒，90k token 时约 5 秒，190k 时约 14 秒，接近 262k 输入上限时约 23 秒。OpenAI 宣称「比 Responses API 快 10 倍」，但没有附上任何基准。微软和其他厂商则什么都没公布。

所有模型的延迟都随输入长度增长——对一份 20 万 token 文档做决策，和对一条推文做决策完全是两回事。要用你真实的输入规模去测。

该用哪个做原型

追求当下最便宜： Perplexity v1.1，$0.02/M。价格是 v1 的一半，还有开源权重兜底，且没有按请求收费。

需要开源权重： Perplexity，没有第二个选项。它是表里唯一今天就能自部署的决策模型。

已经在 OpenAI 生态里： Decisions API 让你留在同一个账单账户和 SDK 里。你为这种便利多付 5 倍的单 token 价格——原型阶段可以接受，规模化后值得重新评估。

需要准确率的第二意见： 拿同一批 200 个标注样本跑两个模型，算一个混淆矩阵，再做决定。

背后的模式

这又是一次「解绑」。行业多年来只卖一种原语——生成文本——开发者则用散文加解析器拼出分类器。现在分类成了独立产品品类，并有了自己的价格战：五周七个玩家，价格上下已经拉开 5 倍。

可以预期同样的事会发生在其他所有「穿着 LLM 外衣」的工作负载上。重排序、信息抽取、内容审核是下一批。

「解绑」（unbundling） 指的是把过去打包在通用大模型里的能力，拆成针对单一任务的专用产品。行业早期只有一种原语——生成文本，开发者用提示词加解析器拼出分类器、重排序器、审核器，功能上可行但效率与稳定性都受限。一旦某个子任务的需求足够集中，就会出现专门的模型与服务：更小的参数规模、更低的价格、更明确的接口契约。文中预判重排序、信息抽取、内容审核是下一批被解绑的负载，逻辑一致——它们都有清晰的输入输出格式、可量化的评测标准，以及大量重复调用，因而适合用专用小模型替代通用大模型，形成新的价格竞争。

核心要点

五周内 7 个决策模型发布：OpenAI（$0.10）、Perplexity v1（$0.04）与 v1.1（$0.02）、微软（$0.042），以及 Jev、Cloudflare Clef、AWS Strands Decider
Perplexity 同时做到最便宜和权重开源（Apache 2.0，约 49 GiB 显存可自部署）
所有引用的基准数据均为厂商提供，尚不存在独立的全模型对比
先用最便宜的做原型，用你自己的标注数据验证准确率，然后再决定

来源：Perplexity 文档与时间线（2026年10月1–7日）、OpenAI Decisions 指南、tsnmedia.org 对比（2026年10月）、explainx.ai 决策模型指南、AI Weekly 警报、SAS 模型卡评测、OpenRouter 定价页。除特别注明外，基准数据均由厂商提供；截至撰稿时，没有可用的独立跨模型基准测试。