OpenAI Decisions API实测解读：输入计费零输出费，省在哪

OpenAI 推出了一款定价逻辑颇为反常的 API。据 OpenAI 开发者论坛于 2026 年 10 月 6 日发布的公告，Decisions API 正式进入公开测试阶段——它不生成文本，只返回"决策"，而且输出 token 计费为 $0。开发者提交文本或图片，接口返回一个概率值、一个选项或一个评分，账单只按输入计算。

这个定价模型值得认真拆解，因为它的成本结构可能改变一批分类、路由类工作负载的构建方式。同时，OpenAI 附带的"快 10 倍"说法目前缺乏可验证的基准数据，需要分开看待。

Decisions API 到底返回什么

新增的独立端点是 POST /v1/decisions。开发者定义问题，API 返回三种类型化结果之一：

• Predicate（谓词）：条件为真的 0 到 1 概率，例如"这条消息是否紧急"
• Choice（选择）：从固定列表中选定一项，附带置信度评分，例如"路由到：账单/支持/物流/账户"
• Score（评分）：按有序严重级别给出的评级

返回值没有可解析的自然语言。传统做法中，模型会输出"这看起来是一个账单相关问题，因此建议……"，然后代码需要用正则表达式把它转成可执行动作。Decisions API 省掉了这一步，答案天然是结构化的。

该端点目前只支持 gpt-6-luna 这一个模型。输入可以是文本、图片或两者混合，但图片必须以 base64 内联数据 URL 形式提供（单次请求最多 128 张）；托管的图片链接和已上传的文件 ID 会被拒绝。

输入计费的数学账

公开定价为：

• 输入：$0.10 / 100 万 token
• 输出、缓存读取、缓存写入：全部 $0

作为对比，通过常规端点调用 gpt-6-luna 的费用是每 100 万输入 token $0.10、每 100 万输出 token $0.50。对于分类类工作负载——答案是标签而非长文——输出费用历来是"伤口上撒盐"的那部分。Decisions API 把它直接抹掉了。

有分析给出的结论是：在短回答的分类场景下，成本大约是标准 Luna 定价的五分之一。具体节省取决于输入与输出的比例，但方向是明确的：如果你的 LLM 调用只返回三个 token 的判定结果，你之前一直在为不需要的东西付费。

OpenAI 自己的文档留了两个需要留意的变量：区域处理附加费和长上下文输入倍率，两者均未公布具体数字。建议按自己的真实流量来测算成本，而不是照搬首页宣传价格。

什么是 token，以及输入/输出为什么不对称计费

Token 是模型处理文本的最小单位，大致对应一个英文单词的一部分或一个汉字。API 计费通常把 token 拆成“输入”（你发给模型的提示词、上下文、图片编码）和“输出”（模型生成的文字）。之所以输出单价普遍高于输入，是因为输入可以并行处理、一次前向计算即可完成，而输出必须逐 token 自回归生成——每生成一个 token 都要重新跑一遍网络，并且要把已生成的内容作为下一步的输入。这导致输出的单位算力成本远高于输入。对于分类任务，输出往往只有一两个标签 token，但正是这几个 token 决定了整次调用是否昂贵。Decisions API 把输出定价归零，实质上是承认：这类任务的计算瓶颈在读取输入、而非生成答案。

10 倍速度的说法需要验证

OpenAI 在发布材料中称，Decisions 返回答案的速度"比 Responses API 快约 10 倍"。但这个数字没有附带基准测试、没有单次调用的算力披露，也没有 /v1/decisions 与通过 Responses API 调用同一 gpt-6-luna 模型之间的准确率对比。

更快在情理上说得通：跳过自回归文本生成、直接输出类型化标量，计算量理应更低。但"快 10 倍"的前提是"在什么准确率下"？一个快速返回错误决策的 API，比一个慢但正确的 API 更糟。OpenAI 自己的指引是：用你的标注样本设定阈值——这其实是"请自行验证"的体面说法。

在有人发布可复现数据之前，把 10 倍当作营销口径看待。定价至少是可以核对的算术。

Decisions 与 Structured Outputs、函数调用的边界

OpenAI 官方指南划出了三条线：

• Decisions API：你需要一个判定——分类、路由、评分、门禁。答案本身就是输出。
• Structured Outputs（Responses API）：你需要抽取字段或书面解释，同时要求结构化。
• 函数调用：你需要模型带参数触发某个工具。

一个实用的判断标准：如果你正在写"只回复 billing 这个词"这样的提示词，然后还要 strip 空白、转小写——这本质上就是一次穿着 Chat Completions 外衣的 Decisions API 调用。该迁移的就迁移。

Structured Outputs 与函数调用分别解决什么问题

Structured Outputs（结构化输出）约束模型生成的内容必须符合给定的 JSON Schema，适合“既要文字、又要字段”的场景，比如从合同里抽出甲方、乙方、金额。它仍然生成文本，只是格式被强制合规。函数调用（Function Calling / Tool Use）则让模型判断“是否需要调用某个外部工具”，并给出工具名和参数，由你的代码执行实际动作。三者的区别在输出语义：Decisions 返回的是判定本身（一个概率、一个选项、一个分数），Structured Outputs 返回的是被结构化的内容，函数调用返回的是“下一步该做什么”的指令。如果你只需要一个标签，用 Structured Outputs 或函数调用都是在为不需要的文本生成付费。

适用与不适用的场景

适合：

• 内容审核与分诊队列（分类 → 路由 → 动作）
• Agent 工具路由：把"哪个工具处理这个请求"变成类型化选择
• 任何目前让 LLM 返回标签、再由代码解析的流水线
• 合规敏感流程——它支持零数据保留（Zero Data Retention）、符合 HIPAA 资格，并提供美国/欧盟数据驻留选项，对于此前把 JSON schema 提示词拼接在 Chat Completions 上的门禁流程，可以作为一个合理的替换方案

需要留意：

• 仍处公开测试阶段，正式可用（GA）"将在未来数周内"上线，没有确定日期
• 单一模型（gpt-6-luna），如果 Luna 在你的领域表现不佳，没有后备选项
• 图片输入仅支持内联，如果流水线依赖托管 URL，需增加抓取并编码的步骤
• 区域与长上下文倍率未披露，成本要按实测流量建模

零数据保留、HIPAA 与数据驻留意味着什么

零数据保留（Zero Data Retention，ZDR）是指服务商承诺不在服务器上存储请求与响应内容，处理完即丢弃，通常需要单独申请并签署协议。HIPAA 是美国《健康保险携带与责任法案》，只有签署商业伙伴协议（BAA）的服务商才能处理受保护健康信息，因此“符合 HIPAA 资格”意味着医疗机构可以合规地把含患者数据的请求发过去。数据驻留（Data Residency）指数据在哪个地理区域处理和存储，美国/欧盟选项是为了满足 GDPR 等法规对跨境传输的限制。对于合规敏感的门禁、分诊流程，这些属性往往比价格更关键，也是 Decisions API 相对“自己拼 JSON 提示词”的主要优势之一。

更大的模式：LLM 正在被拆解

Decisions API 是 OpenAI 把 LLM 拆开出售的一步。多年来行业只卖一个原语——"生成文本"——开发者用散文加解析来拼出分类器、路由器和评分器。现在原语在分化：需要文本的用文本生成，需要决策的用类型化决策，各自按实际服务成本定价。

Anthropic 在同月从另一方向做了同样的拆分：Haiku 5.5 面向高吞吐量场景，Opus 5.5 面向前沿推理。单模型通吃的时代正在收尾。真正的赢家，是那些能把每次调用路由到最便宜、够用原语的团队。

小结

Decisions API（2026 年 10 月 6 日公开测试）提供 POST /v1/decisions，返回概率、选择或评分而非散文；定价为每 100 万输入 token $0.10、输出 $0；"快 10 倍"的说法尚无独立验证，需要在自有标注数据上验证准确率；当答案是一个判定时用它，需要解释加结构时保留 Structured Outputs。测试期注意事项：单模型、仅内联图片、未披露的区域倍率。

速度与准确率方面的说法来自 OpenAI 官方；截至撰稿时未发现独立基准测试。