System One 之争
Jev vs OpenAI Decisions API
OpenAI Decisions API 进入了 Jev 带动起来的快速、封闭选项决策赛道。两者都用于返回代码可以直接采取行动的答案；真正的差异在于问题如何定义、置信度数字意味着什么，以及模型接受哪些上下文。
公开报道将 Decisions API 描述为基于 GPT-6 Luna 的限量 preview 服务。随着 OpenAI 发布更多 preview 文档，细节可能变化。本页将报道中的信息与 Jev 当前的 API 契约分开说明。
开放状态更新
OpenAI Decisions API 尚未开放使用
目前这项能力还不能被公众直接调用。你可以先了解决策工作流，但现在还不能在 OpenAI 平台正式使用这项 API。
为什么会出现这一类 API
从模型输出到应用动作之间，缺少一个明确关口
通用模型擅长解释可能性；当软件已经知道允许执行哪些动作，只需要快速选择一个分支时，决策模型更有价值。
返回答案，而不是一段话
路由器需要拿到 billing、sales 或 support，而不是一段还要交给解析器再次阅读的文字。决策层把动作空间明确下来，也让响应保持精简。
把边界写进契约
开发者定义问题以及哪些答案有效，让下游代码更容易进行类型约束、记录、测试，并在结果违反策略时拒绝执行。
让控制循环保持快速
Agent 可以用更强的模型做规划，再把路由、放行、升级或选择下一个工具等小判断交给低延迟决策模型。
快速了解
目标相似：返回代码可以使用的决策
两个 API 处在相邻的位置，但作出的承诺不同。下面整理当前公开信息，并标注仍处于 preview 的内容。
引擎
专门用于决策、非对话式的模型。
据 DevDay 相关报道，是 GPT-6 Luna 的专用版本。
主要任务
完成边界清晰的分类、评分或真假判断，供应用代码直接采取动作。
从开发者定义的答案中快速完成一次选择，用于分类、路由或决定 Agent 的下一步。
输入
文本状态：字符串、JSON 对象或文本数组。
以文本或图片提供上下文。
答案空间
Choice 支持最多 255 个选项；Score 和 Noul 表达其他常见决策形状。
一组有限的预定义答案；preview 报道未披露公开上限。
问题契约
支持 Noul、Choice、Score；一次请求可以并行多个具名问题。
一个问题配一组预先定义的答案；完整的公开请求 Schema 仍在演进。
输出
返回与问题类型绑定的类型化答案、概率和置信度信号。
返回选中的答案和置信度分数。
置信度
Jev 文档说明其决策结果提供经过校准的概率和置信度信号。
当前报道描述的是模型产生的分数；独立校准细节尚未公开。
速度
面向低延迟、重复性判断；基准结果取决于工作负载和对比基线。
报道给出 150 毫秒响应，以及约为普通 GPT-6 Luna 10 倍的速度。
价格
Jev 当前资料按用量计费；实际部署仍应以对应方案和工作负载为准。
限量 preview 报道发布时尚未公布价格。
可用性
提供公开 API 和在线测试台。
两篇 DevDay 2026 相关报道发布时仍为限量邀请 preview。
上面的 Decisions API 数据来自 DevDay 2026 前后的 preview 期报道。应把它们当作评估计划的输入，而不是适用于所有工作负载的性能承诺。
同一个路由任务，两种契约
问题的形状很重要
两个系统都可以把账单工单路由到团队。Jev 将问题类型纳入 API 契约；公开描述中的 Decisions API 则是上下文加一组受限答案。
Jev：具名类型化问题
Choice 选择团队，Noul 判断是否需要人工复核。
{
"model": "jev-latest",
"state": "I was charged twice and need a refund.",
"questions": {
"team": {
"type": "choice",
"instructions": "Which team should handle this?",
"criteria": {
"billing": "Payments and refunds",
"technical": "Product issues",
"other": "None of the above"
}
},
"needs_review": {
"type": "noul",
"instructions": "Does this need human review?"
}
}
}Decisions API：上下文 + 可选答案
根据公开描述整理出的概念形状，不代表已经稳定公开的 SDK 请求体。
{
"context": "I was charged twice and need a refund.",
"question": "Which team should handle this?",
"answers": ["billing", "technical", "other"]
}由于报道描述的是尚未公开完整稳定请求 Schema 的 preview 产品，Decisions API 示例有意保持概念化。
一种实用的 Agent 模式
决策模型是快速关口，不是完整 Agent
有价值的架构不是模型二选一，而是分工：开放式推理负责理解和规划，决策模型负责边界明确的分支，而最终是否执行仍由你的代码掌握。
01
明确任务
让 LLM 或 Agent 理解开放式请求、调用所需工具，并把它整理成紧凑的决策上下文。
02
只暴露相关状态
只传递下一步判断所需的文本或图片上下文，而不是重复发送完整对话或工具轨迹。
03
提出一个边界问题
定义允许的结果——路由、放行、拦截、评分或下一步动作——让决策 API 返回代码所期待的分支。
04
执行策略检查
在预约、付款、发送消息或修改数据之前，用确定性代码执行阈值、权限、限流和人工审批。
这个模式也适合工具选择：编排模型决定 Agent 想完成什么，快速决策调用负责选择下一步边界动作。
什么时候适合使用？
边界清晰的决策选 Jev
当应用需要反复处理边界清晰的判断、一次请求询问多种问题，或希望将概率信号纳入输出契约时，Jev 更合适。
这些情况可以关注 Decisions API
当你需要文本或图像上下文，希望留在 OpenAI 生态内，并能接受 preview 阶段的可用性和契约变化时。
组合成两阶段工作流
让通用模型负责解释或转换信息，再用决策模型处理路由、放行、评分或升级等窄范围关口。
不要把置信度分数当成安全保证。请使用带标签的真实案例评估方案，根据错误成本设置阈值，并为高影响动作保留确定性策略检查或人工复核。
上线前检查
让决策触发动作之前，需要测试什么
快速返回只有在边界可测量时才有价值。保持模型调用足够小，同时把评估和策略层明确写出来。
建立带标签样本
用真实案例衡量路由准确率、误放行、误升级和拒答，不要只在干净的演示 prompt 上测试。
验证分数含义
置信度数字不会自动等于校准概率。在把分数映射到业务阈值前，先比较不同分数区间与真实结果。
尝试对抗输入
测试数字、日期、歧义指令、prompt injection、格式错误的 state，以及会诱导模型自信地走错分支的输入。
保留安全退路
对于不确定或高影响的情况，暂停、请求人工复核，或交回通用工作流，不要强行选择一个答案。