OpenAI 决策接口只收输入费，每题比多数对手贵

决策模型开始按每道题的成本和准确度比较，每百万 token 的标价已经说明不了谁便宜。

先说结论。10 月 22 日，OpenAI 把决策接口（Decisions API）正式开放给所有客户，标价是每百万输入 token 0.1 美元，输出不收费，听起来是这一类里最省事的选择。但按 Artificial Analysis（下称 AA）用同一套题实测的结果，它每道题的平均成本比榜上 16 个决策模型里的 12 个都高，总分排第 14。我们的看法是：这个接口眼下能拿出手的是速度、图片输入和「已经在用 OpenAI」的便利，不是价格和准确度。

决策模型是什么

决策模型只做一件事：给定一段材料和几个固定选项，一次调用就选出一个，并给每个选项一个概率。智能体里大量的小判断都是这种题，比如这条工单归哪个部门、这条命令危不危险、要不要先向用户追问。据 TechCrunch 的报道，这个品类由创业公司 TypeSafe 的 Jev 带起来，OpenAI 的产品负责人 Nikunj Handa 说，团队看到 Jev 后决定做自己的版本，办法不是专门训练一个模型，而是把 Luna 改成更快、更便宜的推理方式，「现在就是普通的 Luna 在干活」。他说响应时间从 1 到 3 秒缩到 100 到 180 毫秒；客户 Speak 的 CTO 说，两次动作之间的间隔从 1.4 秒降到 0.13 秒。这些数字是公司与客户自述，按媒体报道处理。

OpenAI 的文档写明，目前只支持 gpt-6-luna 一个模型；未缓存输入每百万 token 0.1 美元，缓存读写按 Luna 的标准缓存价计，输出不计费；区域处理和长上下文另有加价。文档还说它比普通的 Responses 接口快约 10 倍，单次请求最多可问 400 个问题，可以输入文字、图片和 JSON。

按题算，账是另一本

AA 的决策模型榜让每个模型做同一套四项测试：知识题（含能不能说「不知道」）、人类终极考试的选择题、判断该不该调用工具、内容安全分类，四项各占四分之一。我们在北京时间 10 月 23 日约 13:20 读取了这张榜的页面数据，几组数字放在一起看：

• OpenAI 的 GPT-6 Luna（决策接口）：总分 48.5，平均每题 168 毫秒，折合每百万道题 78.87 美元。
• Liquid AI 的 d1-ultra：总分 65.2，每题 93 毫秒，每百万道题 31.80 美元。
• Baseten 的 Elephant 9B：总分 64.7，每题 165 毫秒，每百万道题 8.39 美元。
• TypeSafe 的 Jev 1.14：总分 57.1，每题 78 毫秒，每百万道题 41.53 美元。

同一套题、同一个分母下，OpenAI 每题的成本约是 d1-ultra 的 2.5 倍、Elephant 9B 的 9.4 倍、Jev 1.14 的 1.9 倍；16 个决策模型里只有 3 个比它贵。速度上它也不占先：168 毫秒和 Handa 说的区间对得上，但 Jev 1.14 和 d1-ultra 都在 100 毫秒以内。TechCrunch 同样写到，它在 AA 的榜上排第 14、在另一张 AIM System One 榜上排第 8。

为什么标价最低档、按题却贵？分析推断（依据：AA 每百万道题 78.87 美元，除以文档里每百万输入 token 0.1 美元）：如果全部按未缓存输入计费，OpenAI 平均每道题计了约 789 个输入 token。这比一道选择题的字面长度多，可能来自接口在后台套用的说明文字、按请求而不是按题计费的方式，或者 AA 的调用方式。究竟是哪一种，文档和榜单都没写。

它说的把握，和它实际对的比例

决策模型的卖点之一是给出概率，开发者拿它设阈值：把握高的自动放行，把握低的转人工。OpenAI 的文档也建议用自己带标注的样本设阈值。AA 同一页的数据显示，OpenAI 决策接口给出平均约 98% 把握的 3710 个回答里，实际对了 87.9%；平均把握约 85% 的 668 个回答，实际对了 57.6%；把握约 74% 的那一档，只对了 46.3%。在没答对的知识题里，它回答「不知道」而不是给出错误答案的比例是 10.1%，d1-ultra 是 84.5%，Elephant 9B 是 93.2%。分析推断（依据：上述校准分档）：直接把它报的概率当成正确率去设阈值，会放过比预想多的错误。

最强反方

最有力的反驳是：AA 的四项测试不是大多数客户的真实工作。据 TechCrunch，Box、Datadog、Ramp、Speak 参与了早期试用；真实业务里的判断题往往共享大段材料，能用上文档里的缓存折扣，图片题也可能更多。Handa 说 Luna 在图片分类上「校准得更好」，而据 AA 的方法说明，人类终极考试部分只取了不带图片的选择题，总分并不单独反映图片题。对已经把数据和权限放在 OpenAI 账户里的团队，少接一家供应商本身就是成本。TypeSafe 的 CEO 也劝大家别信榜单、拿自己的任务试。

这些我们部分接受：榜单不能替代自家任务的测试，图片题上它可能更强。但我们仍坚持主论点，因为两点不受这个反驳影响：一是每题成本是同一套题、同一个分母下的比较，「每百万 token 0.1 美元」并不自动等于每道题便宜；二是概率校准偏乐观，这在任何任务上都要先自己核对。如果 OpenAI 公布按题计费的口径、证明 AA 的成本算法高估了它，或者带图片的独立测试里它排到前列，我们会改口。

我们不知道什么

我们不知道 AA 的每题成本是怎么算的：是按标价乘以实际计费 token，还是含了缓存；方法页没有写成本口径。我们也不知道为什么 OpenAI 每题会计到约 789 个 token。Subquadratic 同日发布的 SubQ Snap 1.1 自称在 AA 榜上以 65 分并列第一，并把价格降到每百万 token 0.04 美元；但在我们读取的 AA 页面数据里，它只出现在模型列表中，没有找到总分，这个排名暂按企业宣称。OpenAI 说以后可能为决策任务专门训练，何时、效果如何都没有公开。

接下来看什么

一看 OpenAI 是否公开按题计费的说明，或者出现专门训练的决策版本；二看 AA 何时补上 SubQ Snap 1.1 的总分、是否加入图片题；三看 OpenRouter 这类平台上各家决策模型的实际调用量，TechCrunch 说目前在 OpenRouter 上调用最多的是 TypeSafe。站内此前写过 Perplexity 决策模型在新领域题上的表现，见那一篇。