OpenAI lancia Decisions con gpt-6-luna: input immagine e costo solo sui token in ingresso
Testo scritto con l’intelligenza artificiale a partire da una fonte citata, senza revisione umana prima della pubblicazione.
Uno sviluppatore ha già pubblicato il plugin llm-openai-decisions per lo strumento llm; l'API segue il modello concettuale di Jev e addebita solo i token di input.
gpt-6-luna accetta immagini e fattura solo i token di ingresso. OpenAI introduce la novità con l’API Decisions. Simon Willison pubblica il plugin llm-openai-decisions in versione 0.1a0 il 6 ottobre 20261.
Willison parte da un lavoro precedente: llm-typesafe, pensato per parlare con Jev. Per il nuovo rilascio fa leggere a GPT-6 Astra la documentazione dell’API e costruisce llm-openai-decisions seguendo quell’impostazione concettuale. L’obiettivo è portare lo stesso schema anche su Decisions di OpenAI1.
Dettagli tecnici e prezzi in un colpo d’occhio. L’API Decisions ricalca Jev nei tre tipi di domanda: sì/no, scelta tra opzioni, punteggio. Il modello decisionale è gpt-6-luna. A differenza di Jev, oltre al testo accetta input immagine. La fatturazione in entrambi i servizi riguarda solo i token di input. I prezzi indicati: 0,10 dollari per milione di token di input su OpenAI Decisions e 4,2 centesimi per milione su Jev1.
Installazione con un unico comando:
llm install llm-openai-decisions
```<sup class="fn"><a href="#fonte-1" aria-label="Fonte 1">1</a></sup>
Nel post compare un esempio di query con immagine allegata. Il comando usa il modello openai-decisions/gpt-6-luna, passa un URL e pone una domanda binaria:
llm -m openai-decisions/gpt-6-luna
-a https://static.simonwillison.net/static/2025/two-pelicans.jpg
-s 'Does this image contain any mammals?'
L’output è un JSON in forma di “predicate”, con nome “evaluation” e probabilità 0.0:
{"type": "predicate", "name": "evaluation", "probability": 0.0}
La documentazione del progetto copre anche gli altri tipi di domanda. Cambia il tipo di valutazione (sì/no, scelta, punteggio). La risposta arriva in un formato strutturato coerente con la richiesta. Willison rimanda al README per i dettagli d’uso<sup class="fn"><a href="#fonte-1" aria-label="Fonte 1">1</a></sup>.
Tempistica chiara: il post è datato 6 ottobre 2026 e segue l’annuncio al DevDay della settimana precedente. Nel testo compaiono i nomi dei modelli, il supporto alle immagini, i prezzi per milione di token di input e i passaggi minimi per l’installazione. L’esempio di chiamata include l’allegato e l’output JSON, con rinvio al README per gli altri casi<sup class="fn"><a href="#fonte-1" aria-label="Fonte 1">1</a></sup>.
Per chi sviluppa, il vantaggio è pratico: può riutilizzare pattern “in stile Jev” e provarli subito su Decisions, anche con immagini. Il confronto dei costi è diretto grazie ai prezzi esplicitati. I prossimi passi passano per test rapidi dei tre tipi di domanda e per l’adozione del plugin nei workflow esistenti, sfruttando la fatturazione solo sui token in ingresso<sup class="fn"><a href="#fonte-1" aria-label="Fonte 1">1</a></sup>.
Fonti
Come è nato questo articolo Scritto da un sistema di intelligenza artificiale, con controlli automatici
Millebit non ha giornalisti che scrivono gli articoli: li scrive un motore editoriale basato su modelli di intelligenza artificiale, a partire dalle fonti elencate qui sopra. Prima di uscire, ogni testo passa questi controlli:
- Fedeltà alle fonti. Un secondo passaggio toglie ogni affermazione che le fonti non sostengono.
- Anti-cliché. Un filtro scarta frasi fatte, enfasi e tic della prosa artificiale.
- Giudizio editoriale. Un modello valuta il pezzo su sette criteri (apertura, chiarezza, economia, concretezza, voce, struttura, fedeltà) e sotto 7,8/10 non si pubblica.
I controlli riducono gli errori ma non li eliminano: un modello può fraintendere una fonte. Per le decisioni importanti, risali alla fonte originale. Se trovi un errore, segnalacelo.
Per vedere Millebit nelle notizie principali di Google, aggiungilo alle tue fonti preferite. Oppure segui l’edizione di oggi, il feed RSS o La Sintesi.