【10/7 AIニュース】分類の料金は入力だけ、100万トークン0.10ドル ─ OpenAI Decisions API
今朝いちばん手が動くのは、OpenAI の Decisions API です。分類や振り分けの答えが確率つきで返り、料金は入力トークンだけ、100万トークンあたり0.10ドルと書かれています。
効くのは、問い合わせの振り分けや画像の傷の判定を、AIの呼び出しで回している人です。ただし公開ベータで、使えるモデルは gpt-6-luna の1つだけです。
今朝は7件。大ネタは Decisions、Mistral Large 4、EmbeddingGemma 2 の3件で、自分のMacで動かして試せるのは EmbeddingGemma 2 です。
今朝の7件：何が変わるか
一覧を文字でも置いておきます
Decisions API：OpenAI が10月6日に公開ベータ。text と画像から、確率・選択肢・採点を型つきで返す。入力は100万トークン0.10ドルで、出力側の課金は書かれていない
Mistral Large 4：10月6日に公開プレビュー。1兆パラメータ（動くのは490億）で、重みは月末に公開予定。サイバー課題の数字が目を引く
EmbeddingGemma 2：Google が10月6日に公開。7億4,000万パラメータの埋め込みモデルで、文章・コード・画像・音声・動画を同じ空間に置く。Apache 2.0
Claude Code 2.1.292：npm に日本時間10月7日2時10分。サブエージェントを呼ぶ道具に effort を渡せるようになった
Anthropic の Cyber Verification Program：10月6日に拡張。申請できる段階が3つに分かれた
GitHub のスタック PR：10月6日に一般提供。大きな変更を小さな PR の積み重ねに分けてレビューできる
mattpocock/skills：スキル集が今朝のトレンドに入り、スターは約27.8万。MIT
OpenAI Decisions API：分類の答えが、確率つきの型で返る
OpenAI の変更履歴は10月6日付で、新しい呼び口 v1/decisions をベータで出しました。公式の説明では、text や画像を評価して型つきの答えを返し、Responses API より約10倍速いとされています（速さは OpenAI の自己申告で、私は測っていません）。
3種類の問い方
predicate：条件が当たっている確率を0から1で返す。例は「写真に傷があるか」
choice：用意した選択肢から1つを選び、各選択肢の確率と confidence も返す。例は問い合わせの振り分け
score：順序のある段階（軽微・回避策あり・完全に止まる）に対して採点する。確率で重みづけした平均なので、段階の間の値も出る
料金と制約
入力は100万トークンあたり0.10ドル。キャッシュの読み書きと出力トークンの課金は無い、と公式文書が明記している
リージョン処理の割増と長い入力の倍率は、ここにも掛かる
モデルは gpt-6-luna のみ。画像はインラインの base64 だけで、URL とファイル ID は受け付けない
公式は「数週間のうちに一般提供の見込み」と書いている
つまり変わるのは、分類を「文章で答えを書かせて、こちらで解釈する」作業から、「確率をそのまま受け取って、しきい値を自分で決める」作業へ移る点です。自由な文章や自分のJSON形式が要る場面は、従来どおり Structured Outputs の側だと公式も書き分けています。
出力の課金が無いのは魅力ですが、分類の答えはもともと短いので、料金表の差より効くのは確率が直接取れることと速さだと見ています。実際の精度は、自分の問い合わせで試すまで分かりません。
Mistral Large 4：1兆パラメータの重みが月末に出る予定
Mistral が10月6日に、Mistral Large 4（ML4）を公開プレビューにしました。API は Mistral Studio で今日から試せ、重みは月末に出すと書かれています。1兆パラメータの画像も扱えるモデルで、1回の処理で動くのは490億です。ヨーロッパの自社データセンターで、NVIDIA の GB 搭載の GPU 3,800基を使って学習したと説明しています。
公式が載せた数字
コーディング：DeepSWE v1.1 が61.7%、Terminal-Bench 4 が28.3%、SWE-Atlas-QnA が59.4%
人手の盲検評価（Surge AI）：コーディングの質で5モデル中2位。3.74点で、1位は Claude Opus 5 の4.22点（表記は公式のまま）
サイバー：Artificial Analysis の Cyber Index で世界の上位5位以内。脆弱性を再現して直す課題は82%で、載せた中で最高。Cybench は40問中93%
目を引くのは、サイバーの比較の書き方です。ML4 の公式は、Claude Opus 5.5 と GPT-6 Astra を含む複数の閉じたモデルが、同じ課題でほぼゼロの点になったと書いています。理由は「依頼を断るから」です。
これは Mistral 自身の説明で、私は再現していません。どの設定のモデルで測ったかは、私が読んだ範囲では書かれていません。ブログによれば、サイバー関係者には審査のうえで緩めた設定のモデルも出していて、一般向けと同じ条件の数字かは確認できません。
つまり、読み方はこうなります。「断られるせいで防御の仕事が止まる」が実際の悩みなら、重みが出たあと、自分の環境で動かせる候補が増える。 ただしライセンスの条件は、公式ブログに書かれていませんでした。重みが出てから見る項目です。
EmbeddingGemma 2：文章も音声も動画も、1つの検索空間に置く
Google が10月6日に出した、7億4,000万パラメータの埋め込みモデルです。埋め込みとは、文章や画像を数字の並びに変えて、意味の近さで検索できるようにする仕組みのことです。Gemma 4 の構造がもとで、Apache 2.0 です。
数字で確認できること
文章・コード・画像・動画・音声を同じ空間に置ける。文章だけなら2億7,000万、画像は1億7,000万、音声は3億の部品を足す構成
MTEB Code が68.76から78.68へ、9.92点の改善。ローカルのコード検索を狙っている
出力の次元は768から512・256・128へ切り詰められ、最大6分の1の保存容量になる
文脈は8Kトークン。音声なら5.5分、画像29枚、動画58コマまで
量子化した Pixel 11 Pro で、文章だけなら約191MB、全部入りで約567MBのメモリ
つまり、手元のノートや自分のコードを、クラウドに送らずに意味で検索する土台が、1つの小さなモデルで済む方向です。評価は Google 自身の表で、私は動かしていません。ここは今日、自分のMacで確かめられます。
その他の動き
Claude Code 2.1.292 が、npm に日本時間10月7日2時10分に出ました。 Agent ツールに effort のパラメータが付き、サブエージェントを指定した労力で動かせます。claude plugin install に --marketplace が付き、マーケットプレイスの追加とプラグインの導入が1回で済みます。セキュリティ側の修正も多く、PreToolUse フックの承認と auto mode が、ネットワーク（UNC）パスの読み取りで許可の確認を飛ばせた問題が直りました。昨日の 2.1.290 のあとの版で、latest も 2.1.292 に進んでいます
Anthropic が Cyber Verification Program を広げました（10月6日）。 防御作業の Defense Access、攻撃側の検証まで含む Red Team Access、最も制限の少ない Specialized Access の3段階です。一般提供のモデルはサイバーの安全策が保守的で、多くの作業を止める、と本文に書かれています。参加には原則データ保持が必要です。上の ML4 の話と同じ日の発表で、「どこまで断るか」が各社の差になってきました
GitHub のスタック PR が一般提供になりました（10月6日）。 大きな変更を、独立してレビューできる小さな PR に分けて、まとめて取り込めます。プレビュー中は、スタックを使うリポジトリは、ほかのリポジトリより取り込まれたコードが9%多いと GitHub は書いています（GitHub の自社集計）。リベースしても承認が残る、gh stack が Git worktree に対応する、といった改善つきです。自動マージは数週間かけて順次です
mattpocock/skills が今朝のトレンド入りです。 スターは約27.8万で、MIT。SKILL.md は38本あり、うち7本は in-progress の階層に置かれています。導入は Claude Code のプラグインか、npx skills@latest add mattpocock/skills の2通りで、README は「両方入れると全スキルが2つになる」と注意しています。昨日の置き場所の話と合わせると、重複して入れていないか見直す価値があります
今日いちばん効くのはこれ
Decisions API です。 派手さでは ML4 に負けますが、毎日AIで分類をしている人の請求と実装を、今日から数字で見直せるからです。
ML4 は重みが出る月末までは、読むだけで済みます。EmbeddingGemma 2 は面白いものの、今日の仕事を変えるのではなく、手元の検索を試す話です。
Decisions は、自分の分類の呼び出しが1か月に何トークンの入力かを数えるだけで、料金の見積もりが出ます。たとえば1日1,000件で、1件が500トークンなら、1か月で1,500万トークンで、入力料金は1.5ドルです（リージョン処理の割増と長い入力の倍率は除く）。出力の課金が無いので、答えの長さを気にしなくて済みます。
数えたうえで、確率としきい値を自分の問い合わせで試し、人の判断と何件ずれるかを見る。精度の判断はそこからです。
なぜ書いたか
朝のニュースまとめとして、手が動く話と、読むだけの話を分けて書くようにしています。ML4 のように数字が強い話ほど、誰がどの条件で測ったかを先に確かめてから並べたいと考えたからです。
昨日の朝は、重みが今月出る予定の Beam を書きました。
スキルファイルの置き場所を実測した話はこちらです。
