OpenAI推出Decisions API：GPT-6 Luna专干分类判断，$2.94替代$372大模型监督|AI自学笔记

2026年10月的第一周，OpenAI在DevDay上悄然上线一项有限预览功能Decisions API，剑锋直指一个两周前才悄然走红的创业公司产品——TypeSafe AI的Jev。

一句话结论：Decisions API是OpenAI用自家GPT-6 Luna模型做”约束输出分类”的轻量决策层，比调用完整大模型便宜两个数量级，与Jev的思路如出一辙，也意味着Diogo Almeida（Jev创始人、前OpenAI对齐工程师）开创的”快速决策模型”赛道正式被头部厂商收编。

Decisions API是什么

Sam Altman在DevDay演讲中首次披露了这项能力。Decisions API的核心逻辑是：不让模型”生成一段话”，而是让它从一组预先定义好的选项中选一个——可以是图片分类标签、布尔判断（是/否）、离散评分，或一个智能体可以执行的动作列表。

模型输出被严格限制在给定范围内，速度大幅提升，同时保留了GPT系列的安全护栏、语言覆盖和图像理解能力。用Altman的话说：这是一套”让慢思考（System Two）语言模型专注于复杂推理，把快速分类交给System One决策层”的架构分工。

OpenAI尚未公布该API的正式定价和延迟指标，目前仅向部分开发者开放有限预览。

Jev：Decisions API的”原型”

Decisions API的发布，被广泛解读为对Jev的直接回应。Jev由前OpenAI工程师Diogo Almeida于2026年9月15日创立，定位为”不做聊天的AI”——它只做分类判断，将输入映射到预设选项，放弃一切文本生成能力。

Almeida在2024年从OpenAI离职，参与过ChatGPT研发。他将这套技术命名为”面向校准决策的强化学习”（RL for Calibrated Decisions）。Jev发布仅三周，已经有约25%的财富世界500强企业在使用，每日处理Token量突破1万亿（约在上线一周后达成）。

OpenAI宣布Decisions API后，Almeida在X平台发推回应，称之为”克隆战争”（clone wars）的开始，并暗示OpenAI的入场本身就是对”快速决策模型是自动化基础设施必备组件”这一判断的背书。

$2.94 vs $372：一次 Hackathon 揭示的成本鸿沟

网络安全资深人士Shapor Naghibzadeh（创业公司QueryStory负责人）用Jev做了一个概念验证：在一次黑客松中，他用Jev对自主智能体的每一步操作做实时安全审查，设计了三层过滤：

高置信度判定为恶意或超界的操作 → 直接拦截
模糊地带 → 标记人类审核
安全已验证步骤 → 自动放行

结果：用Jev对整条工作流做监督，每次运行成本为2.94美元；用标准前沿大模型执行同样任务，成本为372美元——相差约126倍。

该分析还指出，这套监督机制或许能防止此前的Hugging Face被入侵事件。注：这是Hackathon演示中的分析性结论，并非经过实测验证的结果。

为什么这不只是”又一个API”

Decisions API和Jev的兴起，背后是一个真实的架构需求：自主智能体在执行长序列任务时，每一步都调用完整大模型既贵又慢，但完全不做监督又会导致”目标漂移”（goal misalignment）——OpenAI在2026年9月报告的”1200个智能体失控”事件正是这种风险的具体体现。

快速决策模型的价值在于：提供一个廉价的”守门人”，在智能体执行关键步骤前做廉价预判，把真正需要复杂推理的决策留给大模型，把简单分类判断留给自己。

Almeida也承认，真正的难点不是低延迟和低价格——”掷骰子谁都会”——而是校准性（calibration），即模型输出的概率值在统计上是否可信。TypeSafe的核心壁垒，正是用于训练和校准Jev的合成数据集。

OpenAI尚未公布Decisions API的概率校准机制，也未说明预览阶段如何处理边缘失效问题。

关键数据一览

指标	Jev	标准前沿大模型
单次运行监督成本	$2.94	$372
每日处理Token	1万亿+	—
财富500强渗透率	约25%	—
响应速度	毫秒级	秒级
输出类型	约束分类	开放文本
适用场景	自动化工作流守门	复杂推理/生成

常见问题

Decisions API和Jev有什么区别？

核心逻辑相似，都是”约束输出分类”，但底层模型不同：Decisions API基于OpenAI自有的GPT-6 Luna，Jev基于TypeSafe自研的决策模型。Jev已上线并开放注册（有$5赠金），Decisions API目前仍为有限预览。Jev的优势在于校准性数据和合成训练集积累，OpenAI的优势在于既有用户基础和模型能力。

这种”决策层”能否真正防止AI安全事故？

理论上可以降低风险，但尚未经过大规模实战验证。Hackathon演示显示成本大幅降低，但”预防Hugging Face入侵”的结论是事后分析推断，并非实测结果。核心挑战是校准性——模型给出的概率是否真实可靠。

谁应该关注这个赛道？

企业AI平台开发者、Agent框架工程师、安全合规团队。凡是正在部署自主智能体、且担心”目标漂移”或”越界操作”的团队，都值得评估快速决策模型是否适合做工作流的守门层。

快速决策模型的市场格局

快速决策模型（Fast Decision Model）赛道在2026年9月前几乎无人问津，Jev是第一款真正意义上的商业化产品。但Jev上线三周后的数据证明了这个市场的真实存在：25%的财富500强渗透、1万亿Token/日的处理量、以及正在洽谈的10亿美元新一轮融资——这些数字在AI基础设施赛道中属于异常快速的 adoption curve。

OpenAI的Decisions API入局，意味着这条赛道从”创业公司游戏”正式升级为”头部厂商标配”。TypeSafe CEO Almeida对此的公开回应颇为微妙：他没有排斥OpenAI的进入，反而称之为”克隆战争”——暗示市场教育已经完成，Jev的价值在于先发优势和校准性数据的积累，OpenAI的跟进反而验证了这条路的可行性。

值得关注的是，Google和Microsoft尚未公布类似产品。Microsoft曾在Copilot路线图中提及”Agent Supervision”能力，但目前没有独立决策模型产品。Amazon AWS则通过Bedrock的Guardrails间接提供内容过滤能力，而非独立的快速分类层。这给TypeSafe和OpenAI留下了6-12个月的市场窗口期。

小结

OpenAI推出Decisions API，实质上是在自己的生态里正式认可了”快速决策模型”这一新范式。Diogo Almeida的Jev用三周时间证明了这不是伪需求，OpenAI的跟进则让这条赛道从创业公司游戏升级为头部厂商标配竞争。对自动化工作流而言，一个2.94美元级别的监督层，可能比372美元的大模型全开更具实用价值——前提是概率校准足够可靠。

延伸阅读

AI 自学笔记 每天更新 AI 前沿动态，订阅 RSS，或按 Ctrl/⌘+D 收藏本站，明天见。

OpenAI推出Decisions API，GPT-6 Luna专干分类判断