OpenAI、Decisions APIを公開テストに移行し、迅速な意思決定のための画像分析を追加

OpenAIはDecisions APIを公開テスト段階で開発者に開放し、視覚コンテンツから迅速な意思決定を行うために画像を受け取る機能を追加した。公開版はGPT-6 Lunaモデル上で動作し、テキストまたは画像を、3種類の構造化された出力に変換できる。具体的には、ある命題が正しいかどうかに関する確率、指定されたリストからの選択、入力が範囲内のどこに位置するかを示す数値スコアである。

OpenAIはこのAPIを、入力100万トークン当たり0.10ドルで価格設定しており、出力トークンやキャッシュの読み書き処理には料金を課さない。このモデルにより、このサービスは汎用推論モデルとは異なる位置付けになる。APIは長い回答を生成するのではなく、特定の意思決定を迅速に行うことに重点を置いているためだ。

ゲームからロボットまで

OpenAIが行ったデモでは、交通の中を走行する車が登場するビデオゲームのフレームをAPIが分析し、車が車線変更すべきか、そのまま走行すべきかを選択する。同社によると、こうした意思決定にかかる時間は、推論モデルが同じタスクを実行する場合に要する時間の一部に過ぎないという。

同社はまた、Hugging Faceが提供するMicroduckという、プログラム可能な二足歩行ロボットのカメラ映像でAPIを利用する例も示している。Decisions APIをリアルタイム音声モデルGPT-Liveと組み合わせることで、システムは画像内の果物の位置を特定し、「リンゴを追って」のような命令に応じてロボットを果物へ向かわせることができる。また、「果物を追って」のような、より曖昧な命令にも対応できる。その他の例として、音声会話中にアニメーションキャラクターの表情を選択する用途も挙げられている。

ホスト型モデルとオープンモデルの競争

OpenAIの今回の動きは、孤立したものではない。PerplexityはHugging Face上で、Apache 2.0ライセンスのpplx-decider-v1-27bモデルを公開した。このモデルはQwen3.8-27Bをベースに調整されている。モデルカードによると、11のベンチマークで85.71%を達成し、TypeSafeのJevモデルの84.51%を上回った。一方、Jevは11項目中6項目で上回っており、その中にはWinoGrande、BBH、TruthfulQA binaryが含まれる。

Amazonはダウンロード可能なStrands Decider 2Bモデルを提供した。これはQwen3.5-2Bをベースとしており、同社によると、公開JevBenchセットにおいて、パラメーター数が約20億の公開モデルの中で2位に位置するという。Cloudflareは、オープンウェイトかつApache 2.0ライセンスのClefおよびClef-flashモデルを公開し、ClefはWorkers AIサービスからも利用できるようにした。ClefとOpenAIのAPIは画像をサポートする一方、JevとStrands Deciderはテキスト専用となっている。

開発者にとって重要なこと

最も重要な変化は、画像の追加だけではなく、モデルの提供方法に関係している。OpenAIのAPIはホスト型サービスとして利用できるのに対し、Perplexity、Amazon、Cloudflareでは、ウェイトをダウンロードして開発者自身のインフラ上でモデルを実行できる。そのため、意思決定モデルの選択では、精度や速度に加えて、実行場所、データ管理、運用コストも考慮されることになる。

提示された結果は各社がテストしたベンチマークに関連するものであり、応答時間、運用コスト、視覚性能についての包括的な独立比較は、本記事では示されていない。入手可能な情報に基づくと、Decisions APIは意思決定モデルの利用を視覚的かつインタラクティブなアプリケーションへ拡大するものだが、ホスト型サービスの使いやすさがローカル実行の柔軟性を上回るかどうかは、まだ決着していない。