فهرست مطالب
اپن‌ای‌آی در ۶ اکتبر ۲۰۲۶ یک ای‌پی‌آی تازه را وارد بتای عمومی کرد که به‌جای تولید متن، «تصمیم» می‌دهد: POST /v1/decisions. به آن یک متن یا تصویر می‌دهید و سؤال‌های تایپ‌شده‌ای مثل «این محصول آسیب دیده؟» می‌پرسید و جوابش یک عدد احتمال، یک انتخاب از فهرست ثابت یا یک امتیاز است — نه یک پاراگراف که مجبور باشید با regex از دلش جواب دربیاورید. اگر توسعه‌دهنده‌اید یا محصولی می‌سازید که روزی هزاران بار باید چیزی را دسته‌بندی، روت یا امتیازدهی کند، این خبر مستقیم به جیب شماست.
در این بررسی می‌گوییم Decisions API دقیقاً چه کاری می‌کند و چه کاری نمی‌کند، سه نقطهٔ قوت واقعی و سه نقطهٔ ضعف واقعی‌اش کجاست (با منبع، بدون نمرهٔ ساختگی)، قیمت واقعی‌اش برای یک میلیون تصمیم چقدر درمی‌آید و در پایان هم می‌گوییم امروز باید سراغش بروید یا صبر کنید.
پاسخ کوتاه
ای‌پی‌آی Decisions اپن‌ای‌آی از ۶ اکتبر ۲۰۲۶ در بتای عمومی است (پیش‌نمایش محدود از ۲۹ سپتامبر در DevDay) و عرضهٔ نهایی‌اش «در هفته‌های آینده» وعده داده شده، بدون تاریخ مشخص.
تک‌اندپوینت است (POST /v1/decisions)، فقط روی مدل gpt-6-luna با پنجرهٔ زمینهٔ حدود ۱٫۰۵ میلیون توکن، و فقط به‌صورت میزبانی‌شده — نه وزن باز، نه خودمیزبانی.
قیمت: ۰٫۱۰ دلار به‌ازای هر یک میلیون توکن ورودی، خروجی و کش رایگان؛ یعنی برای کارهای طبقه‌بندی تقریباً یک‌پنجم هزینهٔ استفادهٔ استاندارد از همان مدل.
سرعت «حدود ۱۰ برابر سریع‌تر از Responses API» ادعای خود اپن‌ای‌آی است؛ بنچمارک مستقلی منتشر نشده و هیچ عدد دقتی هم در دست نیست.
برای روتینگ تیکت، مدریشن و امتیازدهی بلادرنگ جذاب است؛ برای خروجی JSON سفارشی، زنجیرهٔ تصمیم‌های وابسته یا تصاویرِ با لینک میزبانی‌شده مناسب نیست.
اول زمینه: ای‌پی‌آی تصمیم‌گیری یعنی چه؟
بگذارید با یک مثال ملموس شروع کنیم. فرض کنید یک فروشگاه اینترنتی دارید و روزی ده هزار تیکت پشتیبانی می‌گیرید. راه قدیمی با مدل‌های زبانی این بود: متن تیکت را به مدل می‌دادید و می‌گفتید «دسته‌بندی‌اش کن»، بعد از دل پاراگرافی که مدل برمی‌گرداند، با regex برچسب «مالی» یا «فنی» را بیرون می‌کشیدید. این همان هکی است که توسعه‌دهنده‌ها سال‌ها با آن دست‌وپنجه نرم کرده‌اند: مدل برای نوشتن ساخته شده، ولی شما از آن «قضاوت» می‌خواهید.
مدل‌های تصمیم‌گیری (که بعضی به آن‌ها مدل‌های «سیستم یک» می‌گویند) دقیقاً برای همین شکاف ساخته شده‌اند: ورودی می‌گیرند، متن تولید نمی‌کنند، و فقط یک جوابِ تایپ‌شده و قابلِ شاخه‌زدن در کد برمی‌گردانند.
سه شکلی که Decisions جواب می‌دهد
ای‌پی‌آی Decisions سه نوع سؤال پشتیبانی می‌کند. گزاره (predicate): جملهٔ شرطی می‌دهید مثل «این محصول آسیب ظاهری دارد؟» و جواب یک عدد بین صفر و یک است. انتخاب (choice): فهرست ثابتی از گزینه‌ها تعریف می‌کنید (مثلاً «مالی، فنی، ارسال، سایر») و مدل یکی را انتخاب می‌کند، به‌علاوهٔ احتمال هر گزینه و امتیاز اطمینان. امتیاز (score): چند سطح مرتب‌شده تعریف می‌کنید و جواب یک میانگین وزنی است که حتی می‌تواند بین دو سطح بیفتد.
نکتهٔ مهم: این ای‌پی‌آی هرگز متن آزاد برنمی‌گرداند. اگر خروجی JSON با شکل دلخواه خودتان می‌خواهید، داکیومنت رسمی خودش می‌گوید سراغ Structured Outputs در Responses API بروید. این ابزار «تصمیم» می‌دهد، نه «متن».
دقیقاً چه چیزی عرضه شد؟
اپن‌ای‌آی می‌گوید این ای‌پی‌آی را در قالب برنامهٔ «۲۸ روز عرضه» در انجمن توسعه‌دهندگانش معرفی کرد. یک اندپوینت واحد است: POST /v1/decisions — به‌علاوهٔ یک پلی‌گراند برای تست بدون کد. ورودی مشترک (متن، یا پیام‌هایی که متن و تصویر را ترکیب می‌کنند) می‌گیرد و یک آرایه از سؤال‌ها؛ برای هر سؤال یک جواب تایپ‌شده برمی‌گرداند.
پشت صحنه فقط یک مدل است: gpt-6-luna، با پنجرهٔ زمینه‌ای حدود ۱٫۰۵ میلیون توکن — یعنی در یک لحظه می‌تواند متنی به بلندی چند هزار صفحه را بخواند. اما این مدل فقط از طریق همین اندپوینتِ میزبانی‌شدهٔ اپن‌ای‌آی در دسترس است؛ نه وزن باز، نه نسخهٔ خودمیزبان. جزئیات کامل محصول را در مطلب GPT-6 Luna و Sol چیست پوشش داده‌ایم.
سه نقطهٔ قوت واقعی
۱. پایان هک «پرامپت بده و regex بکش»
بزرگ‌ترین ارزش این محصول برای توسعه‌دهنده، حذف همان هک قدیمی است: دیگر لازم نیست از یک مدل مکالمه‌ای بخواهید پاراگراف بنویسد تا بعد با عبارت منظم، «بله/خیر» را از دلش بیرون بکشید. جواب از همان اول تایپ‌شده است — عدد، انتخاب یا امتیاز — و مستقیم وارد منطق کد شما می‌شود. برای تیم‌هایی که امروز همین کار را با Structured Outputs روی Responses API انجام می‌دهند، این یعنی یک لایهٔ کاملِ کدِ شکننده کمتر.
۲. فقط بابت چیزی که می‌خواند پول می‌گیرید
مدل قیمت‌گذاری ساده و صادقانه است: ۰٫۱۰ دلار برای هر یک میلیون توکن ورودی، و صفر برای خروجی و کش. چون جواب‌ها فقط یک عدد یا یک برچسب‌اند، عملاً خروجی‌ای برای صورت‌حساب وجود ندارد. به تحلیل FourWeekMBA، همین ساختار باعث می‌شود هزینهٔ Decisions برای کارهای طبقه‌بندی تقریباً یک‌پنجم استفادهٔ استاندارد از همان مدل gpt-6-luna باشد (قیمت استاندارد خروجی این مدل ۰٫۵۰ دلار به‌ازای هر میلیون توکن است). برای پایپ‌لاینی که روزی صدها هزار تصمیم می‌گیرد، این اختلاف مستقیماً در صورت‌حساب ماهانه دیده می‌شود. یک ضرب‌المثل قدیمی توسعه‌دهنده‌ها می‌گوید «خروجی مدل، جایی است که پول می‌سوزد» — این ای‌پی‌آی دقیقاً همان نقطه را از صورت‌حساب حذف کرده.
۳. سرعت نزدیک به بلادرنگ برای روتینگ
اپن‌ای‌آی می‌گوید این اندپوینت «حدود ۱۰ برابر سریع‌تر از Responses API» جواب می‌دهد. پوشش خبری DevDay این رقم را حدود ۱۵۰ میلی‌ثانیه در برابر ۱٫۶ ثانیه نقل کرده است. اگر این اعداد در عمل هم برقرار باشند، یعنی می‌توانید تصمیم‌گیری را وسط یک درخواست زنده بگذارید — مثلاً قبل از اینکه تیکت به صف انسان برسد، در کسری از ثانیه مسیرش مشخص شود — بدون اینکه کاربر منتظر چرخیدن اسپینر بماند. برای مدریشن محتوا، گیتینگ کیفیت و روتینگ درخواست، تأخیرِ زیر ۲۰۰ میلی‌ثانیه تفاوت بین «قابل‌استفاده در محصول» و «فقط برای پردازش آفلاین» است. نمونه‌ای از کاربرد ایجنت‌محور را در بررسی ChatGPT Work دیده‌ایم.
سه نقطهٔ ضعف واقعی
۱. «۱۰ برابر سریع‌تر» فعلاً فقط حرف شرکت است
همان‌طور که AI Weekly هم اشاره کرده، رقم ۱۰ برابر در برابر Responses API خود اپن‌ای‌آی سنجیده شده، نه یک رقیب خارجی؛ و نه پست انجمن و نه پوشش‌های بعدی، هیچ بنچمارک مستقلی از دقت یا سرعت منتشر نکرده‌اند. یعنی سرعت را باید با تست خودتان روی دادهٔ خودتان بسنجید. ما هم اینجا چیزی را که تست نکرده‌ایم تأیید نمی‌کنیم: تا وقتی عدد مستقل نبینیم، «۱۰ برابر» یک ادعای بازاریابی است، نه یک واقعیت فنی.
۲. هیچ عدد دقتی منتشر نشده؛ کالیبراسیون با شماست
این ضعف جدی‌تر است. هیچ‌یک از منابع — نه داکیومنت بتا و نه پوشش‌های خبری — عددی از دقت Decisions در برابر همان مدل gpt-6-luna روی Responses API منتشر نکرده‌اند. داکیومنت رسمی خودش هم صادقانه می‌گوید آستانه‌های تصمیم (مثلاً «بالای ۰٫۹ عمل کن») را باید با نمونه‌های برچسب‌دارِ محصول واقعی خودتان کالیبره کنید. ترجمهٔ عملی‌اش: نمی‌توانید کورکورانه به عدد ۰٫۸۷ اعتماد کنید و پول جابه‌جا کنید؛ اول باید چند هزار نمونهٔ واقعی را دستی برچسب بزنید و ببینید آستانهٔ مناسب کسب‌وکار شما کجاست. برای تیم‌های کوچک، این هزینهٔ پنهان راه‌اندازی است.
۳. تک‌مدل، فقط میزبانی‌شده، با محدودیت‌های آزاردهنده
فقط gpt-6-luna، فقط روی سرورهای اپن‌ای‌آی. اگر روزی بخواهید مدل را عوض کنید یا روی زیرساخت خودتان اجرا کنید، راهی نیست — قفل اکوسیستم کامل است. دو محدودیت فنی هم هست: تصمیم‌های وابسته به هم را نمی‌شود در یک تماس زنجیره کرد (برای هر تصمیمِ وابسته یک درخواست جدا لازم است) و تصاویر فقط به‌صورت base64 داخل بدنهٔ درخواست پذیرفته می‌شوند؛ لینک میزبانی‌شده یا شناسهٔ فایل رد می‌شود. برای سرویسی که تصویر را از URL می‌گیرد، این یعنی اول باید خودتان تصویر را دانلود و کد کنید — یک قدم اضافه و کمی تأخیر اضافه. در انجمن توسعه‌دهندگان هم واکنش‌ها یکدست مثبت نبود؛ یکی از کاربران باتجربه نوشته بود با این‌همه ای‌پی‌آی تصمیم‌گیری موجود (بعضی حتی سریع‌تر، از جمله متن‌بازها) این عرضه کمی «ضد اوج» به نظر می‌رسد.
مقایسه با رقبا
جدول زیر Decisions را کنار سه جایگزین واقعی می‌گذارد — با اعدادی که هر شرکت خودش اعلام کرده. جدول را این‌طور بخوانید: اگر «ارزان‌ترین» یا «سریع‌ترین» می‌خواهید، لزوماً برندهٔ اپن‌ای‌آی نیست؛ اگر «اکوسیستم اپن‌ای‌آی + تصویر» می‌خواهید، هست.
معیار | OpenAI Decisions API | Responses API + Structured Outputs | TypeSafe Jev |
|---|---|---|---|
وضعیت | بتای عمومی (۶ اکتبر ۲۰۲۶) | پایدار | دسترسی زودهنگام (waitlist) |
قیمت ورودی (هر ۱M توکن) | ۰٫۱۰ دلار | ۰٫۱۰ دلار (مدل luna) | ۰٫۰۴۲ دلار |
قیمت خروجی | رایگان | ۰٫۵۰ دلار | رایگان |
شکل جواب | احتمال / انتخاب / امتیاز | JSON با شکل دلخواه شما | احتمال / انتخاب / امتیاز |
تصویر | بله (فقط base64) | بله | نه (فقط متن) |
پنجرهٔ زمینه | حدود ۱٫۰۵ میلیون توکن | بسته به مدل | ۶۴ هزار توکن |
سرعت (ادعای شرکت) | حدود ۱۵۰ms (۱۰ برابر Responses) | حدود ۱٫۶ ثانیه | ۷۰ تا ۵۰۰ms |
بنچمارک مستقل | منتشر نشده | — | منتشر نشده |
میزبانی | فقط اپن‌ای‌آی (آمریکا/اروپا) | فقط اپن‌ای‌آی | فقط TypeSafe (غرب آمریکا) |
حریم داده | ZDR، واجد HIPAA | ZDR، واجد HIPAA | ZDR برای سازمانی؛ بدون گواهی SOC 2 در داک عمومی |
نتیجهٔ جدول: Jev حدود ۲٫۴ برابر ارزان‌تر است و روی کاغذ سریع‌تر، ولی فقط متن می‌خواند، پنجره‌اش کوچک‌تر است، منطقهٔ اروپایی ندارد و هنوز در waitlist است. اگر تصویر هم در کار است یا همین امروز می‌خواهید شروع کنید، Decisions جلوتر است؛ اگر فقط متن انگلیسیِ کم‌حجم دارید و قیمت برایتان حیاتی است، Jev را هم زیر نظر بگیرید.
قیمت واقعی: یک میلیون تصمیم چقدر آب می‌خورد؟
بگذارید با یک مثال حساب کنیم. فرض کنید هر تیکت پشتیبانی شما به‌طور میانگین ۵۰۰ توکن متن دارد و سه سؤال از ای‌پی‌آی می‌پرسید. ورودی هر تصمیم ۵۰۰ توکن است؛ یک میلیون تصمیم یعنی ۵۰۰ میلیون توکن ورودی. با نرخ ۰٫۱۰ دلار به‌ازای هر میلیون: ۵۰۰ × ۰٫۱۰ = ۵۰ دلار برای یک میلیون تصمیم. خروجی هم رایگان است، پس همین ۵۰ دلار، کل صورت‌حساب است.
حالا همین کار را با Responses API استاندارد انجام دهید: ورودی همان ۵۰ دلار، به‌علاوهٔ خروجی. اگر هر جواب حتی ۵۰ توکن توضیح هم داشته باشد، ۵۰ میلیون توکن خروجی با نرخ ۰٫۵۰ دلار می‌شود ۲۵ دلار اضافه — یعنی ۷۵ دلار در برابر ۵۰ دلار. هرچه جواب‌های مدل پرحرف‌تر باشند، این شکاف بزرگ‌تر می‌شود؛ و دقیقاً همین‌جاست که «خروجی رایگان» Decisions خودش را نشان می‌دهد.
تجربهٔ کاربری: یک تماس، قدم‌به‌قدم
کار با ای‌پی‌آی عمداً ساده طراحی شده. شما یک درخواست به آدرس /v1/decisions می‌فرستید که دو بخش دارد: اول «ورودی» — همان متن یا تصویری که باید درباره‌اش تصمیم گرفته شود؛ دوم «سؤال‌ها» — هر سؤال یک نام، یک نوع (گزاره، انتخاب یا امتیاز) و متن خودش را دارد. مثلاً ورودی، متن یک نظر کاربر است و سؤال‌ها این‌ها: «آیا این نظر اسپم است؟» (گزاره)، «این نظر به کدام تیم می‌رسد؟» (انتخاب از فهرست پشتیبانی/فروش/فنی)، «شدت نارضایتی چقدر است؟» (امتیاز روی سه سطح).
جواب برای هر سؤال جداگانه برمی‌گردد: برای گزاره یک عدد احتمال، برای انتخاب یک گزینه به‌علاوهٔ نقشهٔ احتمال همهٔ گزینه‌ها و امتیاز اطمینان، برای امتیاز یک عدد که می‌تواند بین دو سطح تعریف‌شدهٔ شما بیفتد. بعدش دیگر با شماست: در کدتان یک آستانه می‌گذارید — مثلاً بالای ۰٫۹ خودکار عمل کن، بین ۰٫۵ تا ۰٫۹ بفرست برای بازبینی انسانی، زیر ۰٫۵ نادیده بگیر. همین الگوی «آستانه‌گذاری» را داکیومنت رسمی هم توصیه می‌کند، ولی تأکید می‌کند که عدد مناسب آستانه را باید با دادهٔ واقعی خودتان پیدا کنید، نه با حدس. هرچه خروجی قابل‌پیش‌بینی‌تر باشد، سیستم پایدارتر است — تجربه‌ای که در بررسی Claude Code هم دیده‌ایم.
برای چه کسی می‌ارزد؟
امتحانش کنید اگر: همین امروز با Structured Outputs روی Responses API کار طبقه‌بندی یا روتینگ انجام می‌دهید و از هزینهٔ خروجی یا تأخیر شاکی‌اید؛ یا محصولی دارید که در مسیر زندهٔ درخواست به تصمیم زیر چندصد میلی‌ثانیه نیاز دارد. بتای عمومی باز است و پلی‌گراندش اجازه می‌دهد بدون نوشتن کد، رفتارش را روی دادهٔ خودتان ببینید.
صبر کنید اگر: تصمیم‌های شما به هم وابسته‌اند، خروجی JSON با شکل دلخواه می‌خواهید، یا به عدد دقتِ تضمین‌شده نیاز دارید. تا عرضهٔ نهایی و انتشار بنچمارک مستقل، برای بارهای حساس در محیط آزمایشی بمانید و آستانه‌ها را کالیبره کنید.
سراغش نروید اگر: ورودی‌تان فقط تصویر با لینک میزبانی‌شده است و نمی‌خواهید لایهٔ base64 اضافه کنید؛ یا به مدل خودمیزبان نیاز دارید؛ یا فقط متن انگلیسیِ ارزان می‌خواهید — در این صورت Jev (با همهٔ محدودیت‌هایش) روی کاغذ اقتصادی‌تر است.
دسترسی، محدودیت‌ها و نکته‌ای برای خوانندهٔ فارسی‌زبان
بتای عمومی برای همهٔ توسعه‌دهنده‌ها باز است و از Zero Data Retention پشتیبانی می‌کند (برای HIPAA هم واجد شرایط است) — خبر خوبی برای دادهٔ حساس. اما پردازش منطقه‌ای فقط آمریکا و اروپا اعلام شده؛ اگر دادهٔ شما نباید از این مناطق خارج شود، این یک خط قرمز است.
برای خوانندهٔ ایرانی، واقعیت این است: مثل بقیهٔ سرویس‌های اپن‌ای‌آی، دسترسی مستقیم از ایران با محدودیت مواجه است و ما در این مطلب راهی برای دور زدن پیشنهاد نمی‌کنیم. نکتهٔ مثبت برای فارسی‌زبان‌ها اینکه چون خروجی فقط عدد و برچسب است، کیفیت پایین‌تر مدل در زبان فارسی (که در متن‌های طولانی بیشتر به چشم می‌آید) در این کاربرد کمتر آزاردهنده است — مدل فقط باید «بفهمد»، نه اینکه «بنویسد». با این حال، اگر دادهٔ شما فارسی است، حتماً آستانه‌ها را روی نمونه‌های فارسی کالیبره کنید، نه انگلیسی.
چیزهایی که هنوز روشن نیست
تاریخ عرضهٔ نهایی اعلام نشده («هفته‌های آینده» — بدون روز مشخص)؛ سقف نرخ و SLA تأخیر بتا هم منتشر نشده.
هیچ بنچمارک مستقلی از سرعت یا دقت منتشر نشده؛ عدد «۱۰ برابر» فعلاً فقط ادعای شرکت است.
مشخص نیست در نسخهٔ نهایی مدل‌های دیگری هم اضافه می‌شوند یا فقط luna می‌ماند.
گزارش‌ها از «امتیاز اطمینان» در منابع مختلف یکدست نیست؛ رفتار دقیقش را باید در عمل دید.
جمع‌بندی
Decisions API یک ابزار تخصصیِ درست‌حسابی است، نه یک انقلاب. کاری که می‌کند — حذف لایهٔ شکنندهٔ «پرامپت و regex»، صفر کردن هزینهٔ خروجی و رساندن تأخیر به حد بلادرنگ — دقیقاً همان چیزهایی است که تیم‌های طبقه‌بندی و روتینگ سال‌ها برایش کد اضافه می‌نوشتند. اما بتاست: بدون عدد دقت، بدون بنچمارک مستقل، تک‌مدل و قفل‌شده در اکوسیستم اپن‌ای‌آی.
توصیهٔ ما روشن است: اگر همین امروز هزینهٔ خروجی یا تأخیر Responses API اذیتتان می‌کند، یک پایلوت کوچک با دادهٔ واقعی خودتان راه بیندازید و آستانه‌ها را کالیبره کنید — ولی بار کاری حیاتی را تا عرضهٔ نهایی و دیدن عددهای مستقل، روی آن سوار نکنید. و اگر فقط دنبال ارزان‌ترین «تصمیم» هستید، Jev را هم در فهرست تماشا نگه دارید.
سؤالات پرتکرار
Decisions API دقیقاً چه فرقی با Responses API دارد؟
Responses API متن تولید می‌کند و شما باید جواب را از دل متن بیرون بکشید؛ Decisions API اصلاً متن برنمی‌گرداند و فقط یک جواب تایپ‌شده (احتمال، انتخاب یا امتیاز) می‌دهد که مستقیم در کد قابل‌استفاده است. به گفتهٔ اپن‌ای‌آی حدود ۱۰ برابر هم سریع‌تر است، ولی این رقم هنوز مستقل تأیید نشده.
آیا الان می‌شود از آن استفاده کرد یا فقط بتاست؟
از ۶ اکتبر ۲۰۲۶ در بتای عمومی و برای همهٔ توسعه‌دهنده‌ها باز است. عرضهٔ نهایی «در هفته‌های آینده» وعده داده شده بدون تاریخ مشخص؛ برای محصول حیاتی بهتر است فعلاً در حد پایلوت بمانید.
هزینه‌اش چقدر است؟
۰٫۱۰ دلار به‌ازای هر یک میلیون توکن ورودی؛ خروجی و کش رایگان است. در مثال ما، یک میلیون تصمیم روی تیکت‌های ۵۰۰ توکنی حدود ۵۰ دلار آب می‌خورد. ضرب‌کننده‌های پردازش منطقه‌ای و زمینهٔ طولانی جداگانه اعمال می‌شوند.
آیا به اینترنت یا ابزار دیگری وصل می‌شود؟
نه. این ای‌پی‌آی نه وب‌گردی می‌کند، نه ابزار صدا می‌زند، نه متن می‌نویسد. فقط ورودی شما (متن یا تصویر base64) را می‌گیرد و جواب تایپ‌شده می‌دهد. برای خروجی JSON دلخواه یا فراخوانی ابزار، داکیومنت رسمی همان Responses API را پیشنهاد می‌کند.
تصویر هم قبول می‌کند؟
بله، ولی فقط به‌صورت base64 داخل بدنهٔ درخواست. لینک مستقیم تصویر (http/https) و شناسهٔ فایل (file_id) پذیرفته نمی‌شود؛ یعنی باید خودتان تصویر را دانلود و کد کنید.
رقیب ارزان‌ترش کیست؟
TypeSafe Jev با ۰٫۰۴۲ دلار به‌ازای هر میلیون توکن ورودی (حدود ۲٫۴ برابر ارزان‌تر) و تأخیر ۷۰ تا ۵۰۰ میلی‌ثانیه. اما فقط متن می‌خواند (نه تصویر)، پنجره‌اش ۶۴ هزار توکن است، منطقهٔ اروپایی ندارد و هنوز در فهرست انتظار دسترسی است.
آیا عدد اطمینانی که برمی‌گرداند قابل‌اعتماد است؟
نه کورکورانه. هیچ عدد دقت مستقلی منتشر نشده و داکیومنت رسمی می‌گوید آستانه‌های تصمیم را باید با نمونه‌های برچسب‌دارِ واقعی کسب‌وکار خودتان کالیبره کنید. برای فارسی هم حتماً روی دادهٔ فارسی کالیبره کنید.
منابع
انجمن توسعه‌دهندگان اپن‌ای‌آی: اعلام بتای عمومی Decisions API (۶ اکتبر ۲۰۲۶)
AI Daily Post: ورود Decisions API به بتا با وعدهٔ ۱۰ برابر سرعت (۹ اکتبر ۲۰۲۶)
FourWeekMBA: قیمت‌گذاری Decisions API (۸ اکتبر ۲۰۲۶)
PositionMySite: راهنمای تریاژ و روتینگ با Decisions API
MarkTechPost: بتای عمومی با جواب‌های تایپ‌شدهٔ ۱۰ برابر سریع‌تر (۹ اکتبر ۲۰۲۶)
Innfactory: مشخصات و قیمت TypeSafe Jev
