OpenAI Decisions API 公测：类型化输出，速度快10倍

OpenAI 推出了一项面向开发者的新接口——Decisions API，目前已在 GPT-6 Luna 模型上进入公开测试阶段。与此前的 Responses API 相比，这套新接口专注于返回结构化的决策类数据，并在速度和成本上做出了显著优化。

Decisions API 到底解决了什么问题

传统的大模型 API（如 Responses API）通常返回自由形式的文本，开发者需要再做一层解析才能提取出结构化信息。Decisions API 的思路完全不同：它直接返回**类型化（typed）**的结果，包括概率值（probabilities）、选项（choices）和评分（scores）。

这意味着当你需要让模型做分类、打分、排序或在若干选项中做选择时，不必再编写繁琐的提示工程和后处理逻辑，模型会以可预测的数据结构直接给出答案。对于构建自动化决策流程、内容审核、推荐排序这类场景，这种设计可以大幅降低工程复杂度。

所谓"类型化（typed）输出"，是指 API 返回的数据结构在调用前就已经明确定义，每个字段都有固定的类型约束——例如概率值必然是 0 到 1 之间的浮点数，选项必然是枚举值之一，评分必然落在指定区间内。这与返回自由文本的根本区别在于：开发者不再需要用正则表达式或二次调用大模型来提取关键信息，也不必担心模型"自由发挥"导致格式偏移。这种设计思路与 OpenAI 此前推出的 Structured Outputs 功能一脉相承，但 Decisions API 更进一步，直接在接口层面规定了任务语义，而不仅仅是约束输出格式。

速度提升约10倍意味着什么

官方给出的关键数据是：Decisions API 返回结果的速度约为 Responses API 的 10 倍。

这背后的逻辑并不难理解。生成一段完整的自然语言回答需要模型逐 token 地解码，输出越长、延迟越高。而决策类任务本质上只需要输出一个结构化的小规模结果——一个概率分布、一组评分或一个选中的选项。省去了冗长的文本生成环节，响应延迟自然大幅下降。

对于需要高并发、低延迟的生产环境来说，10 倍的速度提升不只是体验改善，更可能直接改变系统架构的可行性。例如实时风控、在线推荐、交互式 Agent 的决策节点，都对延迟极为敏感。

定价策略：只收输入，不收输出

成本方面，Decisions API 的定价为每 100 万输入 token 收取 0.10 美元，输出不额外计费。

这个定价结构值得注意。常规大模型 API 往往对输出 token 收取更高的费用（因为生成成本更高），而 Decisions API 完全免除输出费用。考虑到决策类接口的输出本身就很小，这一策略对高频调用的开发者格外友好——成本几乎只取决于你喂进去的上下文长度。

换句话说，对于那些需要反复让模型在大量候选项中做判断的应用，Decisions API 在经济性上相比传统生成式接口有明显优势。

主流大模型 API 的定价惯例中，输出 token 的单价通常是输入 token 的 3 到 5 倍，原因在于自回归解码过程的计算量随输出长度线性增长，且难以并行化。Decisions API 免除输出计费的前提，正是其输出规模极小——一组概率分布或评分向量的 token 数量往往在个位数到几十之间，相比动辄数百 token 的文本回答可以忽略不计。这也意味着其 0.10 美元 / 百万 token 的输入定价与同类生成接口相比并不直接可比，实际单次调用总成本还需结合具体上下文长度来估算。

对开发者生态的潜在影响

从产品定位看，Decisions API 代表了一种趋势：大模型能力正在被拆解成更专用、更可控的原子化接口。过去开发者只能通过通用的对话或补全接口，自己想办法把模型"套"进结构化任务里；现在 OpenAI 直接把"做决策"这件事封装成了一等公民。

这种细分化有几个直接好处：

• 可预测性更强：类型化输出减少了解析失败和格式错误的风险；
• 工程成本更低：无需复杂的 schema 约束和重试逻辑；
• 性能与成本双优：延迟和费用都针对决策场景做了专门优化。

当然，目前它仍处于公开测试阶段，且绑定在 GPT-6 Luna 这一特定模型上。实际的稳定性、准确率表现，以及是否会扩展到其他模型，还需要在更广泛的使用中验证。

小结

Decisions API 的发布，反映出 OpenAI 在推动模型能力产品化、场景化方面的持续投入。对于构建决策密集型应用的团队而言，更快的响应、更低的成本和更结构化的输出，三者叠加带来的吸引力相当明确。接下来值得观察的，是它能否在真实业务中兑现这些承诺，以及 OpenAI 是否会沿着这条"专用 API"的路线继续拆分更多能力。