OpenAI, Decisions API'yi geliştiricilerin kullanımına genel test aşamasında açtı ve görsel içerikten hızlı kararlar almak için görüntü kabul etme özelliğini ekledi. Genel sürüm GPT-6 Luna modeli üzerinde çalışıyor ve metinleri veya görüntüleri üç tür yapılandırılmış çıktıya dönüştürmeye olanak tanıyor: belirli bir ifadenin doğruluğuna ilişkin olasılıklar, belirli bir listeden seçim ve girdinin bir aralık içindeki konumunu belirleyen sayısal puan.
OpenAI, API'yi milyon giriş belirteci başına 0,10 dolar olarak fiyatlandırıyor; çıkış belirteçleri veya önbellek okuma ve yazma işlemleri için ücret alınmıyor. Bu model, hizmeti genel akıl yürütme modellerinden farklı bir konuma yerleştiriyor; çünkü API, uzun bir yanıt üretmek yerine belirli bir kararı hızlı biçimde vermeye odaklanıyor.
Oyunlardan robotlara
OpenAI'nin sunduğu bir gösterimde API, bir aracın trafiğin ortasında hareket ettiği bir video oyunundan alınan kareleri analiz ediyor ve aracın şerit değiştirmesi mi yoksa devam etmesi mi gerektiğini seçiyor. Şirket, bu kararların alınmasının, aynı görevi yerine getirmek için bir akıl yürütme modelinin ihtiyaç duyabileceği sürenin bir bölümünü aldığını söylüyor.
Şirket ayrıca API'nin Hugging Face tarafından geliştirilen ve Microduck adını taşıyan programlanabilir iki ayaklı bir robottan alınan kamera görüntüleriyle kullanımını da gösteriyor. Decisions API'nin gerçek zamanlı ses modeli GPT-Live ile birleştirilmesiyle sistem, görüntüdeki bir meyvenin konumunu belirleyip «elmayı takip et» gibi bir komuta yanıt olarak robotu ona yönlendirebiliyor; ayrıca «meyveyi takip et» gibi daha belirsiz bir komutla da başa çıkabiliyor. Diğer örnekler arasında sesli bir konuşma sırasında hareketli bir karakter için ifadeler seçmek yer alıyor.
Barındırılan ve açık modeller arasındaki rekabet
OpenAI'nin adımı boşlukta gerçekleşmiyor. Perplexity, Hugging Face üzerinde Apache 2.0 lisansıyla pplx-decider-v1-27b modelini yayımladı; bu model Qwen3.8-27B temel alınarak ayarlandı. Model kartına göre model, 11 ölçütte %85,71 puan elde etti; TypeSafe'in Jev modeli ise %84,51 puan aldı. Bununla birlikte Jev, WinoGrande, BBH ve TruthfulQA binary'nin de aralarında bulunduğu 11 ölçütten altısında daha iyi performans gösterdi.
Amazon, indirilebilen ve Qwen3.5-2B temel alınarak oluşturulan Strands Decider 2B modelini sundu ve modelin genel JevBench veri kümesinde yaklaşık iki milyar parametreye sahip genel modeller arasında ikinci sırada yer aldığını söyledi. Cloudflare ise açık ağırlıklara ve Apache 2.0 lisansına sahip Clef ve Clef-flash modellerini yayımladı; Clef'i Workers AI hizmeti üzerinden de kullanıma sundu. Clef ve OpenAI API'si görüntüleri desteklerken Jev ve Strands Decider yalnızca metin için tasarlandı.
Geliştiriciler için ne önem taşıyor?
En önemli değişiklik yalnızca görüntülerin eklenmesiyle değil, modelin dağıtım biçimiyle ilgili. OpenAI API'si barındırılan bir hizmet olarak sunulurken Perplexity, Amazon ve Cloudflare ağırlıkların indirilmesine ve modellerin geliştiricinin kendi altyapısında çalıştırılmasına izin veriyor. Bu nedenle çalıştırma konumu, veri üzerindeki kontrol ve işletim maliyeti gibi unsurlar, doğruluk ve hızın yanı sıra karar modeli seçiminde rol oynayacak.
Sunulan sonuçlar her kuruluşun test ettiği ölçütlerle bağlantılı olmaya devam ediyor; ayrıca içerik, yanıt süresi, işletim maliyeti veya görsel performans açısından kapsamlı ve bağımsız bir karşılaştırma sunmuyor. Mevcut verilere göre Decisions API, karar modellerinin görsel ve etkileşimli uygulamalardaki kullanımını genişletiyor; ancak barındırılan hizmetin kolaylığının yerel çalıştırmanın esnekliğine üstün gelip gelmeyeceğini henüz kesinleştirmiyor.