OpenAI Decisions API contra Jev

La API de Decisiones de OpenAI y Jev de TypeSafe hacen el mismo trabajo: envían una entrada y un conjunto de preguntas, obtienen respuestas tipadas con probabilidades en lugar de texto para analizar, y solo pagan por los tokens de entrada. Decisions cuesta $0.10 por 1M de tokens de entrada, está en beta pública, acepta texto e imágenes, y se ejecuta en GPT-6 Luna. Jev cuesta $0.042 por 1M de tokens de entrada, está en acceso anticipado detrás de una cuenta de consola de TypeSafe, es solo texto y limita cada solicitud a 64k tokens.

Para lo básico, comience con qué es la API de Decisiones y cómo usar Jev. Esta publicación los compara fila por fila, luego conecta ambos en un proyecto de Apidog detrás de una única regla de confianza.

Comparación lado a lado

Cada celda proviene de las páginas del proveedor en las referencias.

Decisions es un endpoint, no un modelo; se ejecuta en GPT-6 Luna. Jev es el "modelo System One" de TypeSafe, entrenado con RLCD para devolver decisiones calibradas, y no un LLM general.

La misma solicitud de enrutamiento de tickets en ambas formas

Llega un ticket de soporte; usted quiere un departamento más un sí/no sobre si el cliente quiere un reembolso. Primero Decisions: las preguntas son un array, cada una con un type, instructions y un name opcional que la API devuelve.

curl https://api.openai.com/v1/decisions \
  -H "Authorization: Bearer $OPENAI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gpt-6-luna",
    "input": "Me cobraron dos veces por mi pedido.",
    "questions": [
      {
        "type": "choice",
        "name": "department",
        "instructions": "¿Qué equipo debería manejar este ticket?",
        "choices": [
          {"value": "billing", "description": "Cargos, reembolsos"},
          {"value": "technical", "description": "Errores, fallos"},
          {"value": "other"}
        ]
      },
      {
        "type": "predicate",
        "name": "wants_refund",
        "instructions": "¿El cliente está pidiendo la devolución del dinero?"
      }
    ]
  }'

Ahora Jev: el campo de entrada es state, las preguntas son un objeto con claves por los IDs que usted elija, choice toma un mapa criteria de opción a descripción, y el tipo sí/no es noul.

curl https://api.typesafe.ai/v1/systemone \
  -H "Authorization: Bearer $TYPESAFE_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "jev-latest",
    "state": "Me cobraron dos veces por mi pedido.",
    "questions": {
      "department": {
        "type": "choice",
        "instructions": "¿Qué equipo debería manejar este ticket?",
        "criteria": {
          "billing": "Cargos, reembolsos",
          "technical": "Errores, fallos",
          "other": "Cualquier otra cosa"
        }
      },
      "wants_refund": {
        "type": "noul",
        "instructions": "¿El cliente está pidiendo la devolución del dinero?"
      }
    }
  }'

Qué se recibe

Decisions devuelve model, answers y usage. Las respuestas llegan en el orden solicitado, cada una con su name; las probabilidades por opción son un array de objetos. Tenga en cuenta output_tokens: 0.

{
  "model": "gpt-6-luna",
  "answers": [
    {
      "type": "choice",
      "name": "department",
      "choice": "billing",
      "probabilities": [
        {"value": "billing", "probability": 0.95},
        {"value": "technical", "probability": 0.02},
        {"value": "other", "probability": 0.03}
      ],
      "confidence": 0.93
    },
    {"type": "predicate", "name": "wants_refund", "probability": 0.95}
  ],
  "usage": {
    "input_tokens": 42,
    "input_tokens_details": {"cached_tokens": 0, "cache_write_tokens": 0},
    "output_tokens": 0,
    "output_tokens_details": {"reasoning_tokens": 0},
    "total_tokens": 42
  }
}

Jev devuelve model (el id versionado), un objeto answers indexado por los ids de sus preguntas, y usage con input_tokens y output_tokens. Usted lee answers.department.choice, su confidence, y probabilities indexadas por el nombre de la opción, además de answers.wants_refund.noul. Solo en el lado de OpenAI, una respuesta refusal puede aparecer por pregunta mientras las otras aún obtienen respuestas.

Precio por millón, y lo que cuestan un millón de tickets

La redacción de OpenAI: con gpt-6-luna, la entrada cuesta $0.10 por 1M de tokens, sin cargos por lectura de caché, escritura de caché o tokens de salida. TypeSafe lista $0.042 por 1M de tokens de entrada y salida gratuita.

Considere un ticket de 500 tokens con las dos preguntas anteriores:

• Decisions: 500 / 1,000,000 x $0.10 = $0.00005 por solicitud. Un millón de tickets = $50.
• Jev: 500 / 1,000,000 x $0.042 = $0.000021 por solicitud. Un millón de tickets = $21.

Se aplican dos multiplicadores en el lado de OpenAI: la entrada de contexto largo (más de 272K tokens) es 2x, por lo que $0.20 por 1M, derivado de la página de precios, y el procesamiento regional añade un 10%. No se documenta ninguna capa Batch, Flex o Fast para /v1/decisions, y según el foro de OpenAI aún no hay almacenamiento en caché de prompts, aunque usage incluye los campos cached_tokens y cache_write_tokens. Jev no publica nada sobre el almacenamiento en caché.

Entradas: imágenes por un lado, texto por el otro

Decisions acepta una cadena o un array de mensajes de usuario que mezclan partes de input_text y input_image. La guía dice que las imágenes deben ser URLs de datos base64 en línea; la referencia de la API también lista URLs públicas HTTP(S) y hasta 128 imágenes por solicitud, así que trate base64 como el camino seguro y pruebe las URLs alojadas antes de depender de ellas. file_id, archivos y audio no son compatibles.

Jev es solo texto: una cadena, un objeto JSON o un array de texto, sin entrada de imagen, audio o video según la página de modelos de TypeSafe. En el foro de OpenAI, sam.saffron lo dijo claramente: Jev aún no soporta la comprensión de imágenes. Si su decisión depende de una foto, solo Decisions puede verla.

Contexto y límites de tasa

Jev publica un límite de 64k tokens por solicitud, 32k de ellos para el state más la pregunta más larga, y dice que ingiere el estado una vez y evalúa cada pregunta en paralelo. Su página de modelos lista 100K tokens por segundo y 80 solicitudes por segundo, ajustándose dinámicamente, con un 429 si se supera el límite. Esos números han cambiado desde septiembre, así que lea la página en vivo.

OpenAI no publica una cifra de ventana de contexto ni un límite de tasa específico para Decisions; la ventana de 1,050,000 tokens de Luna es un número de la página del modelo, no del endpoint. Consulte Configuración > Organización > Límites (guía de límites de tasa); nuestra guía de límites de tasa cubre el manejo de 429 en ambos lados.

Estado y acceso

Decisions entró en beta pública el 06/10/2026, abierta a todos los desarrolladores según el anuncio; la guía dice que OpenAI espera la GA "en las próximas semanas", sin fecha.

Jev está en acceso anticipado según la publicación de lanzamiento de TypeSafe, que menciona una lista de espera, y el acceso directo a api.typesafe.ai está detrás de una cuenta de consola de TypeSafe; cómo acceder a Jev explica las rutas y clave API de Jev cubre la creación de claves. La segunda ruta es Vercel AI Gateway, donde Jev es typesafe-ai/jev, llamado a través de experimental_evaluate en el AI SDK (7.0.105 o posterior), según el changelog de Vercel; la documentación de evaluación de Vercel dice que no está expuesto en el endpoint compatible con OpenAI de Gateway, y allí el tipo sí/no es boolean, devolviendo la probabilidad de verdadero.

Controles de datos

OpenAI dice que Decisions soporta Retención de Datos Cero y uso HIPAA para clientes elegibles, con residencia de datos y procesamiento regional en Estados Unidos y Europa (EEE más Suiza); la página de controles de datos añade que los registros de monitoreo de abuso para /v1/decisions se mantienen hasta por 30 días por defecto. TypeSafe dice que Jev no se entrena con solicitudes o respuestas de clientes, ofrece ZDR para clientes empresariales y ejecuta los mismos pesos para cada cuenta.

Ningún proveedor publica cifras de precisión o calibración; la guía de OpenAI le indica que establezca umbrales a partir de sus propios ejemplos etiquetados, y eso también se aplica a Jev.

Velocidad, y luego cuál elegir

OpenAI dice que Decisions es aproximadamente 10 veces más rápido que la API de Respuestas y no publica ningún número de latencia absoluta; un desarrollador en el foro de OpenAI informó decisiones con entrada de imagen en aproximadamente 0.8 segundos en una conexión lenta. TypeSafe cita de 70 ms a 500 ms de extremo a extremo para Jev. Estas no son mediciones comparables, así que pruebe ambas con sus propios tickets.

Elija Decisions cuando la entrada incluya imágenes, cuando ya esté en OpenAI y desee una sola clave y una sola factura, o cuando necesite cobertura HIPAA bajo un BAA de OpenAI. Elija Jev cuando la entrada sea texto, cuando el precio por token más bajo importe en su volumen, o cuando ya esté usando Vercel AI Gateway.

Ejecutar ambos durante unas semanas es sensato: evalúe cada uno con el mismo conjunto etiquetado, conserve la mejor curva de umbral y guarde el otro como alternativa. Si la pregunta real es Decisions frente a una etiqueta de Salidas Estructuradas, vea Decisions vs Responses; si ninguno de los proveedores se ajusta a su política de datos, existen alternativas de código abierto a Jev.

Pruebe ambos en un solo proyecto de Apidog

Dos entornos. Cree OpenAI con OPENAI_API_KEY y TypeSafe con TYPESAFE_API_KEY, cada uno con el valor en el campo local para que nunca se sincronice con el equipo (los entornos y variables secretas cubren el ámbito).

Dos solicitudes guardadas. POST https://api.openai.com/v1/decisions con Bearer {{OPENAI_API_KEY}} y el primer cuerpo de arriba; POST https://api.typesafe.ai/v1/systemone con Bearer {{TYPESAFE_API_KEY}} y el segundo.

Una regla de aserción, aplicada dos veces. La regla de negocio: si la confianza supera el 0.8, el ticket se enruta automáticamente; cualquier valor inferior va a una cola de revisión. En la solicitud de Decisions, afirme el estado 200, $.answers[0].choice igual a billing, $.answers[0].confidence mayor que 0.8, y $.usage.output_tokens igual a 0. En la solicitud de Jev, afirme $.answers.department.choice igual a billing y $.answers.department.confidence mayor que 0.8.

Un escenario basado en datos. Coloque veinte tickets etiquetados en un CSV con el departamento esperado, ejecute ambas solicitudes sobre él como un escenario de prueba y vea qué API reduce su confianza por debajo de 0.8 en las filas ambiguas. Así es como se eligen los umbrales, y detecta un cambio de modelo antes de que los tickets se enruten incorrectamente.

Mockear ambas formas. Guarde una respuesta de Decisions y una respuesta de Jev como mocks para que el frontend pueda construirse contra un array answers y un objeto answers estables; mockear respuestas condicionales devuelve el caso de baja confianza bajo demanda para ejercitar la rama de la cola de revisión.

Ejecutarlo en CI. Ejecute el escenario con la CLI de Apidog (apidog run con el reportero cli o junit) en cada despliegue, para que un cambio de campo en GA o una actualización de jev-latest ponga la compilación en rojo, no la cola de soporte. Descargue Apidog para configurarlo.

Preguntas frecuentes

¿Es Jev un LLM como GPT-6 Luna? No. TypeSafe describe Jev como un modelo System One entrenado con RLCD para devolver decisiones calibradas; no genera texto. Decisions es un endpoint sobre el modelo de propósito general Luna.

¿OpenAI construyó la API de Decisiones en respuesta a Jev? Las páginas de OpenAI no dicen eso, y nosotros no lo afirmamos. Ambos implementan la misma idea: respuestas tipadas con probabilidades, facturadas por la entrada.

¿Cuál es más barato? Jev, a $0.042 por 1M de tokens de entrada frente a $0.10; en un millón de tickets de 500 tokens, $21 frente a $50.

¿Puede alguno de ellos devolver mi propio esquema JSON? No. Ambos devuelven formas de respuesta fijas; para campos extraídos o una explicación escrita, use Salidas Estructuradas en la API de Respuestas.

Siguiente paso

Envíe las dos solicitudes curl anteriores con el mismo ticket, guárdelas ambas en Apidog y añada la aserción de confianza de 0.8 a cada una. Luego, intercambie veinte de sus propios tickets y vea qué API cruza su umbral con más frecuencia. La guía de uso tiene las versiones en Python y JavaScript.