OpenAI lanserar Decisions API i offentlig betaversion, driven av GPT-6 Luna

OpenAI släppte Decisions API i offentlig betaversion den 6 oktober 2026 och introducerade en slutpunkt som returnerar typade svar på utvecklardefinierade frågor med text‑ och bildinmatningar. OpenAI API changelog registrerar releasen i betaversion med gpt-6-luna, som levereras via en dedikerad POST /v1/decisions slutpunkt.

OpenAI säger att den nya slutpunkten producerar dessa svar ungefär 10× snabbare än Responses API. Enligt Decisions API documentation kan API:et testas i Playground, där utvecklare kan experimentera med frågor och inmatningar innan de skriver kod.

Releasen följer API:ets introduktion på DevDay 2026, där den var tillgänglig i begränsad förhandsvisning. OpenAI:s DevDay recap sade att API:et tillämpar Luna-modellens resonemang på en uppsättning användardefinierade frågor, var och en med ett begränsat antal fördefinierade svar, vilket låter utvecklare tillhandahålla text‑ eller bildkontext och få tillbaka resultat som kan driva innehållsklassificering, begäran‑omdirigering eller en agents nästa åtgärd. OpenAI sade då att en bred lansering var planerad inom de kommande dagarna.

Slutpunkten körs på GPT-6 Luna, en resonansmodell som OpenAI släppte tillsammans med GPT-6 Sol den 22 september 2026. Båda modellerna accepterar text‑ och bildinmatningar och genererar text via Responses- och Chat Completions‑API:erna.

Hur Decisions API fungerar

Varje förfrågan har tre delar. Modellfältet väljer den modell som ska utvärderas; för närvarande stöds endast gpt-6-luna. Inmatningsfältet bär gemensam bevisning för frågorna, antingen som en textsträng eller som användarmeddelanden som innehåller text och bilder. Frågearrayen specificerar vad modellen ska utvärdera: varje frågas typ, dess instruktioner samt eventuella tillåtna val eller poängnivåer. Svaret innehåller en svararray, och varje fråga har ett unikt namn som API:et återger tillsammans med sitt svar.

En predikatfråga kontrollerar ett villkor, såsom synlig skada på en produkt eller om ett avsnitt är relevant, och returnerar en sannolikhetsuppskattning från 0 till 1 att villkoret är sant. I guidens exempel inspekteras ett produktfoto för spricka, reva eller buckla, och ett illustrativt svar returnerar en sannolikhet på 0,92; en applikation kan flagga foton för granskning när värdet passerar ett tröskelvärde som utvecklaren ställt in.

En valfråga väljer ett värde från en fast uppsättning levererade alternativ, där varje alternativ har en beskrivning som förklarar när det gäller. Svaret innehåller det valda värdet, en sannolikhetsarray som täcker alla alternativ, samt ett separat förtroendefält. Guidens omdirigeringsexempel skickar ett kundklagomål om en dubbel debitering till ett faktureringsalternativ före tekniska, leverans‑ och andra alternativ. OpenAI:s vägledning är att lägga till ett reservvärde såsom other för inmatningar som kategorierna inte förutsäger; applikationen kan dirigera det reservresultatet till en allmän granskningskö.

En poängfråga bedömer en inmatning mot ordnade nivåer, såsom ärendesvårighetsgrad, ordnade från lägst till högst. Den returnerade poängen är det sannolikhetsviktade genomsnittet av nivåindexen, som börjar på 0, så resultatet kan hamna mellan två definierade nivåer. I det genomförda exemplet ger sannolikheter på 0,1, 0,7 och 0,2 över tre svårighetsnivåer en poäng på 1,1 med ett förtroende på 0,55.

För utdata utöver dessa tre svarstyper pekar dokumentationen utvecklare till Structured Outputs med Responses API när de behöver ett objekt som följer ett anpassat JSON‑schema, samt till funktionsanrop när en modell måste begära ett verktygsanrop med argument.

Användningsvägledning och inmatningsgränser

Bilder måste skickas som inbäddade base64‑data‑URL:er; slutpunkten stöder inte värdbaserade HTTP‑ eller HTTPS‑bild‑URL:er eller file_id‑inmatningar. För att utvärdera en bild tillsammans med instruktioner eller annan kontext placerar utvecklare input_text‑ och input_image‑delar tillsammans i ett enda användarmeddelande.

Oberoende frågor kan dela en enda förfrågnings frågor‑array, och varje fråga kan använda en annan typ, så att en applikation kan kontrollera ett produktfoto för skada och klassificera produktens kategori i ett anrop. När ett beslut beror på ett tidigare svar måste applikationen skicka separata förfrågningar, där det första resultatet styr uppföljningen, exempelvis bekräfta skada innan man frågar efter en reparationskategori.

Dokumentationens författarguide fokuserar på observerbara kriterier: håll separata frågor för olika aspekter, ge varje val en tydlig betydelse, och definiera poängnivåer så att intilliggande nivåer skiljer sig tydligt. När det gäller tolkning är rådet att kalibrera tröskelvärden mot märkta exempel från produktionsapplikationen, och väga de relativa kostnaderna för falska positiva och falska negativa.

Prissättning, datakontroller och röst

Prissättningen för slutpunkten med gpt-6-luna är $0,10 per 1 M inmatningstoken. Endast inmatningstoken debiteras: cache‑läsningar, cache‑skrivningar och utmatningstoken är kostnadsfria. Regionala bearbetningspremier och prismultiplikatorer för långa kontexter gäller fortfarande, medan gpt-6-luna‑förfrågningar utanför /v1/decisions följer den tillämpliga modell‑ och bearbetningsnivåprissättningen.

API:et stöder Zero Data Retention och HIPAA‑användning för berättigade kunder, med dataplats och regional bearbetning som erbjuds i USA och i Europa (det Europeiska ekonomiska samarbetsområdet och Schweiz). För röststyrda applikationer möjliggör klientdelegation med Live API att en agent kan välja åtgärder från röstförfrågningar och rapportera resultaten tillbaka till användaren.

OpenAI säger att de förväntar sig att Decisions API ska nå generell tillgänglighet inom de kommande veckorna.