Parallel Decisions登陆AI Gateway:免费调用实时网络决策模型

Parallel Decisions Fast 上线 AI Gateway,免费提供带概率与证据的结构化实时判断能力。
Parallel 的决策模型 Parallel Decisions Fast 现已通过 AI Gateway 开放调用,至 2026 年 11 月 23 日免费,且无需单独注册 Parallel 账户,直接使用模型名 parallel/parallel-decisions-fast 即可。该模型不做对话生成,而是实时检索网络,针对 Boolean、Choice、Score 三类问题返回概率值和引用证据,同一请求中的多个相关问题可共享上下文与检索结果。引用包含来源 URL、标题和摘录,但作用于整个请求而非逐条映射到答案。应用可基于概率设定阈值自动执行动作,低置信结果转人工复核,适合 CRM 丰富、资格核验、线索路由与声明核查等场景。通过 AI Gateway 调用还可统一纳入日志与支出预算管理。
开发者现在可以通过 AI Gateway 免费调用 Parallel 的决策模型 Parallel Decisions Fast,无需单独注册 Parallel 账户,直接使用模型名 parallel/parallel-decisions-fast 即可。该模型针对企业、产品、政策等动态信息,实时搜索网络并返回带有概率和引用证据的结构化答案,供应用直接采取行动。

什么是 Parallel Decisions Fast
Parallel Decisions Fast 是 Parallel 推出的决策模型,它的设计目标不是生成对话文本,而是回答那些答案会随时间变化的、需要事实依据的问题。模型会搜索实时网络,针对你提出的问题返回概率值和引用证据。
这解决了一类常见痛点:传统大模型的知识截止于训练数据,对于“这家公司是否提供官方 CLI”“某项政策当前是否生效”这类问题,容易给出过时或臆测的答案。Parallel Decisions 通过实时检索把答案锚定在当前可查证的来源上,并给出置信概率。
在 AI Gateway 上,该模型至 2026 年 11 月 23 日免费使用,且不要求单独开通 Parallel 账户。
训练知识截止与检索增强生成(RAG)的差异:通用大语言模型的知识固化在训练数据的截止时间点,无法感知此后发生的变化,因此对时效性问题只能凭参数记忆“猜测”。检索增强生成(RAG)则在推理时先从外部来源检索最新信息,再让模型基于检索内容作答。Parallel Decisions 采用的就是检索增强思路,但输出形态并非自然语言段落,而是带概率的结构化字段。检索环节通常包含查询改写、网页抓取、片段抽取与相关性排序,最终证据以引用形式回传给调用方,使答案可被追溯和核验。
三种问题类型与共享上下文
Parallel Decisions Fast 支持三类结构化提问方式,覆盖不同的决策场景:
- Boolean(布尔)问题:返回“是”的概率。适合资格判断、特征核验等二分类场景。
- Choice(选择)问题:从你定义的选项中选出一个答案。适合分类路由、线索分配。
- Score(评分)问题:按照你提供的有序评分标准进行评估打分。适合风险分级、优先级排序。
一个请求中可以同时提出多个相关问题,它们会共享上下文和检索到的证据。这意味着检索成本被摊薄,多个关联判断的一致性也更好。官方给出的典型用途包括:丰富 CRM 记录、检查资格条件、路由销售线索、以及对照当前来源核验声明。
概率化二分类与阈值决策:Boolean 问题返回的是模型对“是”的置信概率(0 到 1 之间),而非确定的真/假。这使下游可以用阈值把连续概率转成离散动作,例如概率高于 0.9 自动写入 CRM,介于 0.6 与 0.9 之间标记待复核,低于 0.6 直接转人工。Choice 与 Score 问题同理,可对选项分布或评分结果设定接受条件。概率校准质量决定了阈值策略的效果,实践中宜先用一批已知答案的样本评估模型在各类问题上的准确率与置信分布,再确定阈值。
代码调用:三种接口形态
官方示例展示了通过 AI SDK、TypeSafe 兼容 API 和 OpenAI 兼容的 Decisions API 三种方式提出同一个网络检索问题。以 AI SDK 为例,借助 experimental_decide 函数:
import { experimental_decide as decide } from 'ai';
const result = await decide({
model: 'parallel/parallel-decisions-fast',
state: {
company: 'Clay',
website: 'https://www.clay.com'
},
questions: {
has_cli: {
type: 'boolean',
instructions: 'Does this company offer an official command-line interface?'
}
},
providerOptions: {
parallel: { includeExcerpts: true }
}
});
console.log(result.answers.has_cli);
console.log(result.providerMetadata?.parallel?.citations);
state 字段用于传入已知上下文(如公司名和官网),模型在此基础上检索。开启 includeExcerpts 后,返回结果会附带证据摘录。
AI SDK 与 OpenAI 兼容接口:AI SDK 是 Vercel 提供的统一模型调用库,通过 provider 抽象让同一套代码切换不同模型提供商,experimental_ 前缀表示该 API 尚处实验阶段,签名可能变动。OpenAI 兼容接口指遵循 OpenAI Chat Completions 风格的请求格式,使已有基于 OpenAI SDK 的代码只需替换 base URL 与模型名即可迁移,降低改造成本。TypeSafe 兼容 API 则强调请求与响应具备类型定义,便于在 TypeScript 项目中获得编译期校验。三者调用同一个后端模型,差异主要在请求封装和返回结构上。
引用证据与概率驱动的自动化
引用信息包含来源 URL、可选标题和证据摘录。需要留意的是,引用作用于整个请求,而不是把每个来源逐一映射到单个答案上。也就是说,模型返回的是一组支撑本次请求的证据,应用需要结合具体问题来判断哪些证据相关。
概率值的设计直接服务于自动化流程:应用可以设定阈值,在答案概率高于阈值时自动执行动作,低于阈值的结果则转交人工复核。这种“自动执行+不确定转人工”的模式,比让大模型直接输出自由文本更适合接入业务流程。
与 AI Gateway 的集成价值
通过 AI Gateway 调用该模型,请求会与其他模型请求一起被记录在日志和支出预算中,便于统一观测和成本管理。对于已经在使用 AI Gateway 的团队,引入决策模型不需要新增账户体系或计费通道,接入成本很低。
从产品定位看,Parallel Decisions 填补的是“需要事实依据的结构化判断”这一层能力:检索负责取回当前证据,模型输出可被程序消费的概率和选项,再交给业务逻辑决策。对于线索路由、资格核验、声明核查这类高频且答案易变的判断任务,这是一种比通用对话模型更贴合工程需求的形态。开发者可在模型目录中查看详情,并参考决策模型文档了解各问题类型的细节。
免费期是评估这类模型是否契合自身业务的好窗口——尤其是那些长期依赖人工查证、又难以用规则覆盖的判断环节。
AI Gateway 的定位:AI Gateway 是位于应用与多家模型提供商之间的统一代理层,统一处理鉴权、路由、重试、速率限制、日志记录与用量计费。开发者只需持有 Gateway 的凭证,便可用统一的模型命名规则(如 parallel/parallel-decisions-fast)调用不同厂商的模型,无需为每家单独开户。请求日志与支出预算集中呈现,便于按模型、按团队归集成本并做可观测性分析。对企业的价值在于减少多供应商接入的运维负担,同时为后续模型替换或 A/B 对比保留灵活性。
相关推荐

间谍蜜罐训练内幕:情感解离与锚定技术
间谍如何被训练执行蜜罐任务?一位受训者披露情感解离、香水与关键词锚定、目标照片绑定等心理学技术,解析条件反射如何被用于情报行动,并揭示这套机制在日常生活营销中的类似应用。

前沿AI风险管理:从训练到部署的全链路实践
OpenAI系统阐述前沿AI风险管理框架:从训练阶段的模型对齐,到部署阶段的沙箱隔离与阻断式防护,再到部署后的持续监控,构建贯穿模型全生命周期的分层风险控制体系。

Databricks推出Genie Migrate,简化Serverless迁移
Databricks 发布 Genie Migrate for Serverless,帮助用户将既有工作负载迁移到 Serverless 计算。本文解析该迁移工具的定位、对用户的实际意义以及尚未明确的细节。