AI 行业最贵的那部分，不是生成答案，而是让模型替你做决定。
10 月 22 日，OpenAI 把决策 API（Decisions API）彻底敞开。这套接口建立在 GPT-6 Luna 之上，干的是一件很聚焦的事：把模型的聪明劲儿收拢到那些“答案有边界”的问题上，让应用程序和智能体根据文本、图像以及结构化数据，在近乎实时的节奏里拍板定案。OpenAI 给出的数字是，响应速度比经由 Responses API 调用 GPT-6 Luna 最高快 10 倍。
真正有杀伤力的，是定价。输入每百万 token 0.1 美元，按官方定价表，命中缓存的输入每百万 token 只要 0.01 美元。更关键的是计费逻辑：只按输入 token 算钱，输出 token 免费。你问得越多、答得越长，账单只认你“喂进去”的那部分。
这看起来是一次普通的接口开放。但把它放回 OpenAI 过去一个月的动作里看，味道不一样。
OpenAI 正在把“判断”变成一种独立商品
过去两年，大模型 API 的计价单位一直是“输入 + 输出”。你喂一段提示词，模型吐出一段回答，两头都按 token 计费。这套逻辑默认了一件事：模型的价值在于“生成”。
决策 API 把这件事翻了个面。它不让你拿模型写文章、写代码、写方案，它只让你问三类问题：某个条件成不成立、从几个固定选项里选哪一个、对照一套评分标准打几分。输出不是自由文本，而是概率、选项和分数。
这种“答案有边界”的设定，恰好卡住了智能体落地最疼的那个点。一个能自主浏览网页、操作软件的智能体，每走一步都要判断：这个按钮是不是下一步该点的？这份合同条款有没有风险？这张截图里的错误是不是刚才那次操作造成的？以前这些判断要靠通用对话模型兜一圈，拿一段自然语言回答再自己解析；现在可以直接要一个结构化结果。
速度是另一张牌。官方称决策 API 比 Responses API 快 10 倍。对智能体来说，延迟不是体验问题，是成本问题：每一步判断慢一秒，一个多步骤任务就慢几分钟，用户等不起，token 也在空转。
GPT-6 Luna 本身也是这张拼图的一块。2026 年 9 月 22 日，OpenAI 在发布 GPT-6 Astra 之后，把 Sol 和 Luna 推上 API，官方说法是“把 Astra 的大部分能力放进更快、更便宜的模型里，支持规模化工作”。Luna 的标准定价是输入 0.1 美元、输出 0.5 美元每百万 token，而决策 API 直接把输出费用砍到零。
0.1 美元的背后，是 OpenAI 在抢“高频判断”的入口
每百万 token 0.1 美元是什么概念？对比一下就清楚了。
OpenAI 官方定价页上，旗舰模型 GPT-6 Astra 标准价是输入 10 美元、输出 50 美元每百万 token；Sol 系列是输入 2 美元、输出 10 美元；GPT-6 Luna 标准价输入 0.1 美元、输出 0.5 美元。决策 API 用的是 Luna，但只收输入费，输出免费。
这意味着，一个以“判断”为主的智能体工作流，边际成本可以压到原来的几十分之一。
这背后是 OpenAI 对 AI 工作负载的一次重新分层。Astra 守住高端长程任务，比如跨电脑和浏览器的多步骤代理；Sol 切专业工作和工程任务；Luna 打高频、低成本、规模化的判断。决策 API 则是把 Luna 最擅长的那部分单独拆出来，做成一个更薄、更快、更便宜的接口。
商业逻辑很直白：高频判断是智能体的“水电煤”。一个客服智能体每天要做几万次“这个问题属于哪一类”的判断，一个代码智能体每次提交前都要判断“这段改动有没有风险”，一个数据分析智能体要不断判断“这张图表是不是回答了用户的问题”。这类调用量大、单次价值低、对延迟敏感。谁把单价压得最低、响应最快，谁就能锁住智能体的底层调用习惯。
从“给建议”到“替你定”，AI 的产品形态在变
决策 API 最有意思的地方，不在技术，而在产品哲学。
过去的大模型接口，本质上是在卖“建议”。你问它，它给你一段文字，采不采纳、怎么用，你自己定。决策 API 卖的是“决定”。它返回的是一个可以直接写进代码分支的结果：概率超过 0.8，就走 A 路径；否则走 B 路径。
这种转变对应着 AI 应用成熟度的一个分水岭。早期 AI 产品是“副驾驶”，人在环路里，模型给建议；成熟的 AI 产品是“自动驾驶”，模型在环路里做决定，人只看结果。决策 API 就是为后一种形态准备的。当模型学会在限定框里又快又省地做决定，AI 从“能给建议”到“能替你定”的那一步，被 OpenAI 又往前推了一截。
这也是为什么 OpenAI 要把输出做成结构化。概率、固定选项、评分，这三种输出格式都能直接进数据库、进规则引擎、进监控面板。开发者不需要再写一层“解析模型回答”的胶水代码，也不需要担心模型某天突然换了一种表达方式导致整个流程崩掉。
自公开测试以来，这套接口也在快速长肌肉。据报道，OpenAI 为它加入了面向复用上下文的 Prompt 缓存能力，并支持美国与欧盟的推理数据驻留；开发者如今能直接传原生 JSON 输入、在问题指令里夹带图像，单次请求可提交的问题数量上限也已提升至 400 个。延迟表现同样在持续打磨。
这些能力指向同一个方向：让决策 API 能扛住真实业务的高并发，而不是只适合演示。
风险与局限，早期测试已经露出苗头
不过，现在给决策 API 下结论还太早。公开测试刚开，社区里的早期信号已经显示，这东西不是万能药。
有开发者拿它和另一款判断类模型 Jev 做对比，在小几百道文字游戏和对话游戏的测试题上，没看出 Luna 的优势，结论是“Jev 更便宜、更快、在判断类问题上更准”。当然，作者自己也强调这只是早期信号，不是通用基准。
更值得留意的是概率校准问题。有用户在经典的“有偏硬币”测试里发现，当硬币被设定为 70% 正面时，用条件判断格式跑 1000 次，正面出现约 70%，符合预期；但换成多选格式，正面出现了 98%。也就是说，模型在“选一个”的模式下会把概率质量过度集中到最可能的选项上，它返回的不是真实后验概率，而是“最可能结果”。
同一位用户还发现，选项的排列顺序会影响返回的概率。这对把决策 API 当概率引擎用的开发者来说，是个需要警惕的信号。
这些都不是致命伤，但足以说明：决策 API 现在更适合“选最可能的那个”这类场景，而不是“精确估计概率分布”。它的定位是又快又省地拍板，不是做严谨的统计分析。
缓存也是个需要说清楚的点。OpenAI 定价表虽然列出了 gpt-6-luna 的缓存输入价格，但在开发者社区的问答里，官方明确回复：决策 API 目前还没有开放缓存功能，仍处于测试阶段。考虑到决策类任务的输入往往高度重复，同样的分类规则、同样的评分标准反复出现，缓存一旦开放，成本还能再下一个台阶。
一场关于“判断权”的定价战才刚刚开始
把这几件事拼在一起，能看到 OpenAI 的下一步棋路。
它不再满足于只卖“最聪明的模型”。Astra 守住高端，Sol 和 Luna 切中端和规模化，决策 API 则把“判断”这个动作单独拆出来，用接近免费的价格铺向所有智能体。这是一套从旗舰到毛细血管的完整产品矩阵。
对开发者来说，信号很明确：如果你的应用里有大量“答案有边界”的判断，分类、路由、打分、条件检查，决策 API 大概率会比通用对话接口更便宜、更快、更稳定。值得立刻拿自己的真实流量测一遍。
对行业来说，真正的变化在于，AI 的竞争焦点正在从“谁的回答更好”转向“谁的决定更可靠、更便宜”。当判断变成一种可以按百万 token 计价的基础设施，智能体的规模化才真正有了经济账。
AI 的价值，过去体现在它说了什么；接下来，会体现在它替我们决定了什么。
快报