Article Intelligence
先看结论
OpenAI 在 DevDay 后开放 Decisions API 公测。用户在论坛反馈的早期测试显示，Jev 在判断类问题上比 Luna 更准、更快（中位每轮 0.3 秒对 1.6 秒）且更便宜，Luna 成本约为其 2-3 倍；两者均按每次调用不足一美分计费。
核心指标
评分用于衡量信号强度，判断类指标用于解释方向、热度、后续动作与可信程度。
影响力
衡量事件对技术、产业或生态的外部影响强度。
5.0
这是 OpenAI 在 DevDay 重点提及的 Decisions API 进入公测，定位为面向判断/分类任务的新接口形态，具备一定的战略意义——它把'决策'从生成模型中抽离成独立 API，可能改变分类类工作负载的调用方式。但从短期冲击力看，本文主体是社区用户数百题的早期自测，缺少官方基准、架构说明和正式定价文档；缓存缺失、predicate 与 choice 格式结果差异显著等争议也说明产品尚未定型。它属于'改变局部竞争格局'量级的 API 发布，而非范式转移，故给 5.0 分。
复合价值
综合新颖性、可执行性与长期观察价值。
7.0
Decisions API 切中的是智能体时代最高频的调用原语——判断/路由/分类。Agent 每完成一步往往需要多次「这是不是同一件事」「用户到底在问什么」的二值判断，这类调用量级远大于生成调用，且具备强复现性（同一下游产品会长期、海量调用）。OpenAI 把定价压到仅按输入 token 计费、每百万 0.10 美元且无输出费用，直接重构了分类任务的单位经济模型，一旦开发者把决策逻辑固化进来，迁移成本与调用惯性构成复利基础。但当前存在两项硬约束限制其 3-5 年基石地位：其一，无缓存使高频重复分类场景的成本优势被削弱，论坛已明确指出这会阻碍从 Responses API 迁移；其二，predicate 与 choice 格式结果差异巨大（70% 偏置硬币在 choice 格式下被过度推向 98%，且选项顺序改变概率），说明概率校准尚不可靠——这是决策类基础设施的致命伤。综上，它有望成为细分基础设施（分类/决策层），但需缓存能力与校准可靠性双重验证，故给予 7.0 而非更高。
结构化事实、实体识别与逻辑链
OpenAI 在 DevDay 后开放 Decisions API 公测。用户在论坛反馈的早期测试显示，Jev 在判断类问题上比 Luna 更准、更快（中位每轮 0.3 秒对 1.6 秒）且更便宜，Luna 成本约为其 2-3 倍；两者均按每次调用不足一美分计费。
OpenAI 宣布 Decisions API 进入公开测试（Public Beta），该 API 在 DevDay 上被提及。有用户在 OpenAI 社区论坛发布早期测试，对比了 Jev 与 Luna 两款模型：在数百道文字游戏与一款对话游戏题目上，Jev 在细微判断类问题上更准确，速度更快（多轮对话中位每轮约 0.3 秒对 Luna 的 1.6 秒），且成本约为 Luna 的 1/2 至 1/3，Luna 相同问题成本是其 2-3 倍。用户指出 Decisions API 当前不提供缓存，gpt-6-luna 输入定价为每百万 token 0.10 美元且仅对输入 token 计费，无缓存读写与输出 token 费用。另有用户测试发现 predicate 格式与 choice 格式结果差异显著：在 70% 正面偏置的硬币实验中，predicate 得到 70% 正面，而 choice 得到 98%，且 choice 顺序会改变概率。用户强调该结论仅基于数百题，应视为早期信号而非通用基准。
情绪
混合
有价值信号，也有明显限制；不要简单当成利好或利空，需要结合正文证据判断。
Hype
中 hype
有一定叙事包装，阅读时需要同时看亮点和限制。
帖子本身措辞克制，用户明确声明'仅数百题、属早期信号而非通用基准'，未见'颠覆''革命性'等 PR 滥用词，这是加分项。但 Decisions API 承载了 DevDay 的重点宣传预期，官方却未同步发布架构与基准说明，社区只能在信息真空中自测，'亮点'与'未定型'之间的落差构成一定包装成分，故判定为 medium。
行动建议
持续监测
先保持观察，等后续产品、论文或市场反馈再升级判断。
置信度
分别对应影响力、复合价值与 Hype 判断的可信程度。
技术/商业影响、关注焦点与受影响对象
无缓存导致分类任务切换不经济，且 predicate/choice 格式与选项顺序会显著改变输出概率，可靠性存疑
Decisions API 将'判断/分类'能力封装为独立、按输入 token 计费的调用原语，试图把决策逻辑从通用生成中剥离，潜在降低多轮对话与游戏决策场景的延迟与成本（Jev 中位每轮 0.3s vs Luna 1.6s）。但测试暴露出核心工程问题：choice 格式会将概率质量过度集中于最可能结果（70% 偏置硬币被判为 98% heads），且选项顺序会改写概率，说明其概率校准与 predicate 格式存在本质差异，界面语义尚未收敛。
定价为每百万输入 token 0.10 美元且仅计输入、无输出与缓存费用，若补齐缓存可让高频分类任务成本显著低于通用模型，直接冲击以分类/判定为主的中低端工作负载市场；反之，缓存缺失使这类任务'切换不经济'，反而抑制迁移，定价结构能否成立成为其能否从 beta 走向基础设施的关键变量。
结合机会清单和风险矩阵判断后续关注重点
成本不确定性：无缓存导致分类任务在 Decisions API 与 Responses API 间切换经济性不明朗，可能造成预算超支。
评测噪声风险：用户自述测试覆盖面窄（文字游戏 + 一款对话游戏），易被误当作基准推广，误导技术选型。