OpenAI Decisions API: Новый стандарт структурированных ответов

В мире больших языковых моделей (LLM) мы долгое время жили в парадигме «генеративного хаоса». Мы просили нейросеть написать код, создать текст или проанализировать данные, и получали в ответ свободный поток токенов. Это прекрасно для творчества, но катастрофически неудобно для инженерных задач, где нам нужны четкие, машиночитаемые ответы: «Да» или «Нет», выбор из списка или конкретное число. До недавнего времени интеграция таких моделей в программные продукты требовала сложных постобработок, парсинга JSON или использования специализированных промптов, которые не всегда были надежны.

6 октября 2026 года ситуация изменилась. OpenAI официально представили свою новую Decisions API, анонсированную еще на конференции DevDay. Это не просто очередное обновление модели, а фундаментальный сдвиг в том, как мы взаимодействуем с искусственным интеллектом на уровне архитектуры приложений. Новая система, вдохновленная концепциями, ранее реализованными в платформе Jev, позволяет моделям выдавать структурированные решения с гарантированной типизацией. И хотя OpenAI не открыли свой исходный код, сообщество, в лице таких энтузиастов, как Саймон Уиллисон, уже адаптировало инструменты для работы с этим нововведением.

В этой статье мы подробно разберем, что такое Decisions API, как работает новая модель gpt-6-luna, какие возможности она дает разработчикам и почему это может стать стандартом для интеграции ИИ в бизнес-процессы. Мы также рассмотрим практические примеры использования, сравним стоимость с альтернативами и обсудим, как быстро начать работу с этой технологией через утилиту командной строки `llm`.

01Что такое Decisions API и зачем она нужна?

Традиционные LLM, такие как GPT-4 или GPT-5, являются вероятностными генераторами текста. Они предсказывают следующее слово на основе контекста. Это делает их гибкими, но непредсказуемыми в строгом смысле. Если вы попросите модель классифицировать отзыв как «положительный» или «отрицательный», она может выдать ответ в виде абзаца текста, объясняющего, почему она так решила. Для человека это понятно, но для программы это шум, который нужно очищать.

Decisions API решает эту проблему, предоставляя модель, которая по своей природе склонна к принятию решений, а не к генерации текста. Концептуально это похоже на то, как работает функция `switch` или `if/else` в программировании, но примененная к сложным семантическим задачам. Модель принимает на вход данные (текст, изображения) и выдает результат строго определенного типа: булево значение (да/нет), выбор из ограниченного набора вариантов или числовой скоринг.

Это особенно критично в сценариях, где цена ошибки высока. Например, в медицинской диагностике, юридическом анализе документов или автоматической модерации контента. Вместо того чтобы полагаться на то, что LLM «правильно поймет» инструкцию, вы получаете структурированный ответ, который можно напрямую использовать в базе данных или логике приложения. Это снижает нагрузку на систему постобработки и повышает надежность пайплайна.

02Модель gpt-6-luna: Поддержка изображений и новые возможности

Сердцем новой Decisions API является модель gpt-6-luna. Это специализированная версия архитектуры GPT-6, оптимизированная именно для задач классификации и принятия решений. Важнейшей особенностью этой модели является мультимодальность. В то время как многие предыдущие модели для классификации работали только с текстом, gpt-6-luna принимает на вход как текстовые запросы, так и изображения.

Это открывает невероятные возможности для анализа визуального контента. Например, вы можете загрузить фотографию продукта и спросить у модели, соответствует ли он определенным стандартам качества, или проанализировать снимок с камеры наблюдения на предмет наличия запрещенных объектов. Модель не просто описывает изображение, как это делают обычные чат-боты, а выдает конкретный вердикт.

Саймон Уиллисон, известный эксперт в области LLM, одним из первых начал экспериментировать с этой моделью. Он заметил, что gpt-6-luna, наряду с моделью Jev (от другой компании), поддерживает три основных типа вопросов:

1. Yes/No (Да/Нет): Бинарная классификация. Идеально для модерации, проверки фактов или простых фильтров.
2. Choices (Выбор): Модель выбирает один вариант из предоставленного списка. Например, определение тональности текста (позитивный, негативный, нейтральный) или категоризация документа.
3. Scores (Оценки): Присвоение числового значения. Например, оценка вероятности мошеннической транзакции от 0 до 1.

Поддержка изображений в gpt-6-luna делает её особенно привлекательной для задач компьютерного зрения, где требуется не просто обнаружение объектов, а их семантическая оценка. Это сближает LLM с традиционными моделями машинного обучения, но с гораздо более высоким уровнем понимания контекста.

03Сравнение с Jev: Архитектурное сходство и ценовые различия

На рынке уже существовало решение под названием Jev, которое предлагало аналогичный функционал для структурированных ответов. Саймон Уиллисон ранее разработал плагин llm-typesafe для работы с Jev, и при появлении OpenAI Decisions API он использовал этот опыт для создания нового плагина llm-openai-decisions.

С точки зрения API-интерфейса и концептуальной модели, OpenAI Decisions и Jev очень похожи. Оба предлагают те же три типа вопросов и стремятся к детерминированности вывода. Однако есть одно критическое различие, которое может повлиять на выбор платформы для вашего проекта: стоимость.

Модель OpenAI gpt-6-luna взимает плату за входные токены по ставке 10 центов за миллион токенов. В то же время модель Jev предлагает более низкую ставку — 4.2 цента за миллион входных токенов. При этом обе модели не взимают плату за вывод, так как объем вывода минимален.

Эта разница в цене может быть существенной для приложений с высокой нагрузкой. Если вы планируете обрабатывать миллионы запросов в день, экономия на 5.8 цента за миллион токенов может складываться в значительную сумму. Однако OpenAI предлагает экосистему, которая может быть более зрелой для интеграции, и модель gpt-6-luna, возможно, превосходит Jev в качестве понимания сложных визуальных и текстовых контекстов. Выбор между ними будет зависеть от баланса между стоимостью и точностью для вашей конкретной задачи.

04Установка и настройка плагина llm-openai-decisions

Для разработчиков, использующих утилиту командной строки llm (от того же Саймона Уиллисона), работа с новой API стала максимально простой. Не нужно писать сложные HTTP-запросы или разбираться с аутентификацией на уровне кода. Все, что требуется, — это установить соответствующий плагин.

Процесс установки занимает всего одну команду. Это позволяет быстро протестировать возможности модели, не углубляясь в детали интеграции. Плагин llm-openai-decisions берет на себя всю рутину: формирование запроса, отправку данных в OpenAI и парсинг ответа в удобный формат.

llm install llm-openai-decisions

После установки вы можете сразу начать использовать модель openai-decisions/gpt-6-luna в своих командах. Плагин автоматически обрабатывает передачу API-ключа и управляет версиями модели. Это снижает порог входа для новых пользователей, позволяя им сосредоточиться на логике своих приложений, а не на инфраструктурных деталях.

05Практический пример: Анализ изображений с помощью LLM

Давайте рассмотрим конкретный пример использования. Предположим, у вас есть коллекция фотографий, и вам нужно автоматически классифицировать их по наличию определенных объектов. В данном случае мы будем использовать изображение двух пеликанов, чтобы проверить, содержит ли оно млекопитающих.

Команда для выполнения этого запроса выглядит следующим образом:

llm -m openai-decisions/gpt-6-luna \
  -a https://static.simonwillison.net/static/2025/two-pelicans.jpg \
  -s "Does this image contain any mammals?"

Здесь мы используем флаг -m для указания модели, флаг -a для прикрепления изображения по URL и флаг -s для передачи текстового запроса. Обратите внимание, что запрос задан в форме вопроса, но модель вернет не текстовый ответ, а структурированное решение.

Результат выполнения этой команды будет выглядеть как JSON-объект, содержащий тип предиката, имя оценки и вероятность. В данном случае, поскольку пеликаны — это птицы, а не млекопитающие, модель должна вернуть низкую вероятность.

{
  "type": "probability",
  "predicate": "mammals",
  "name": "evaluation",
  "evaluation": false,
  "probability": 0.0
}

Как видно из примера, модель вернула вероятность 0.0, что означает полное отсутствие уверенности в том, что на изображении есть млекопитающие. Это идеальный результат для задачи классификации. Вы можете легко распарсить этот JSON в своем коде и использовать значение probability для дальнейшей логики.

06Другие типы вопросов: Choices и Scores

Хотя пример с изображением демонстрирует возможности мультимодальности, Decisions API не ограничивается бинарной классификацией. Поддерживаются также типы choices и scores.

Для типа choices вы можете предоставить модели список вариантов, из которых она должна выбрать один. Например, вы можете спросить: «Какой из этих продуктов лучше подходит для веганов: А, Б или В?». Модель вернет индекс выбранного варианта или его название, в зависимости от конфигурации.

Для типа scores вы можете попросить модель оценить что-то по шкале. Например, «Оцените уровень срочности этого email от 0 до 10». Модель вернет числовое значение, которое можно использовать для сортировки или фильтрации задач.

Все эти типы вопросов описаны в подробной документации к плагину. Рекомендуется ознакомиться с README, чтобы понять, как правильно форматировать запросы для каждого типа. Это поможет избежать ошибок и получить максимально точные результаты.

07Что это значит на практике

Появление Decisions API и модели gpt-6-luna знаменует собой новый этап в развитии интеграции ИИ. Мы переходим от эпохи «болтливых» ассистентов к эпохе «решающих» агентов. Это особенно важно для B2B-сектора, где надежность и предсказуемость результатов критичны.

Для разработчиков это означает возможность создавать более сложные и надежные приложения. Вы можете интегрировать LLM в свои базы данных, системы управления контентом и инструменты аналитики, не боясь, что модель выдаст случайный текст. Структурированные ответы позволяют автоматизировать процессы, которые раньше требовали ручного вмешательства.

Для бизнеса это означает снижение затрат на обработку данных. Поскольку оплата идет только за входные данные, а вывод минимален, стоимость одного решения может быть очень низкой. Это делает использование LLM экономически оправданным даже для задач с высокой частотой запросов, таких как модерация контента в реальном времени или скоринг кредитных заявок.

Однако важно помнить о конкурентах. Модель Jev предлагает более низкую цену, что может быть решающим фактором для проектов с ограниченным бюджетом. OpenAI, в свою очередь, предлагает мощную экосистему и, возможно, более высокое качество моделей. Выбор будет зависеть от конкретных потребностей вашего проекта.

В заключение, Decisions API — это не просто новая функция, а новый способ мышления о взаимодействии с ИИ. Он позволяет нам использовать силу больших языковых моделей не для генерации текста, а для принятия решений. И это, пожалуй, самое важное применение ИИ в ближайшие годы.

Источник: Simon Willison ↗