AREX Feed Article
OpenRouter 为联网决策模型 Parallel Decisions 开放 7 天免费请求，「最高准确率」出自厂商自家基准
UTC 时间 2026 年 11 月 6 日 21 时 32 分（北京时间 11 月 7 日凌晨 5 时 32 分），：联网（web-grounded）决策模型 Parallel Decisions 开放 7 天免费请求，仅面向 OpenRouter 用户。推文称，用户可以借此「获取关于实时网络（live web）的快速结构化答案，附带概率与引用」，并把这款模型称作「准确率最高的联网决策模型」。
与推文同步，已经上线免费条目 parallel/decisions-fast:free：输入与输出单价均为 0 美元，上下文长度 32K，发布日期标注为 2026 年 11 月 6 日。开发方是 Parallel Web Systems——OpenRouter 的推文没有点名开发者，这层身份由 OpenRouter 的模型页与 补齐。Parallel 的写明，试用无需单独注册账号，凭现有的 OpenRouter API key 即可调用。
OpenRouter 的帖子说了什么、没说什么
OpenRouter 的推文写道：「还有什么比准确率最高的联网决策模型更好？一周免费请求怎么样？试试 Parallel Decisions，获取关于实时网络的快速结构化答案，附带概率与引用，7 天内仅面向 OpenRouter 用户免费！」帖文本身没有附任何准确率数据，也没有说明用量限制或免费期结束后的价格。
免费入口的使用方式由 Parallel 的博客给出：在模型列表中选择 Parallel: Decisions Fast，或把模型 ID 设为 parallel/decisions-fast:free。截至 11 月 7 日发稿，上只有这一款模型，由 Parallel 作为唯一提供方托管，OpenRouter 直接转发请求、不做路由。页面同时标注：该模型目前不支持 EU in-region routing（欧盟区域内路由）。
不生成文本的决策模型：一次返回 100 个带概率的答案
OpenRouter 模型页对 Decisions Fast 的描述是：它不生成文本，而是读取以 state 传入的内容（文本或 JSON），检索实时网络，然后按名称返回有类型的答案——是/否问题给出「是」的概率，多选问题给出各选项的概率，评分问题返回有序量表上的等级；每个问题可以单独拒答，整次请求附带指向所用来源的引用。一次请求最多可就同一个 state 提出 100 个问题，共享同一次搜索调用，每题连同共享 state 最多 32,000 tokens。
Parallel 的博客把使用动机讲得更直白：没有决策模型时，代理要完成「一次搜索调用、一次模型调用、再写代码解析答案」三步；Decisions API 把它合并为一次调用，返回一个代理可以直接拿去用的值。博客举例：调用方传入「这家供应商支持 SAML SSO 吗」这类问题，模型在一秒内返回带概率与引用的结构化答案。博客列举的用例包括：编码代理在动手前确认某个 API 参数是否仍被支持、从候选名单里筛出同时支持工具调用（tool calling）与结构化输出的模型、检查某个软件包版本是否受已公开漏洞影响，以及判断某家公司是否在打造 AI 产品、是否在招聘从事 agent 工作的工程师。Parallel 声称模型「结合了 Jev 这类 system-one 模型的速度与实时网络数据」。
「最高准确率」的依据：一份自建基准，两组对不上的数字
「准确率最高」是两家共同的口径。Parallel 博客称 Parallel Decisions API 是「依赖 web-grounded 数据的问题的最佳决策模型」，并给出量化依据：在 PWS-Decisions——Parallel 自建的开放基准，题目答案取决于实时网络——上，模型答对 100 道公开题中的 92.0%。博客内嵌的条形图还列出对比：Perplexity Decisions（带 grounding 选项的配置）86.0%，OpenAI Decisions API 42.0%，TypeSafe Jev 1.14 33.3%，Baseten Elephant 32.3%，并注明结果为三次运行的均值。
但这份基准的开源仓库给出了另一组数字。（MIT 许可，页面显示更新于 2026 年 11 月 2 日）对基准的定义是：测试决策 API 能否在流程依赖公开网络上具体、带日期的事实时选对答案。其排行榜写道：Parallel Decisions API 在 100 道公开题上的三次运行均值准确率为 78.33% ± 0.58，含 200 道私有题的全集为 76.22%；Perplexity Decisions 为 51.00%；随机猜测基线为公开集 44.67%——OpenAI 的 42.0% 低于这条线。仓库自己的结论句是「Parallel 在这些被测配置中准确率最高：76.22%」。博客图表的对比项还叫 Baseten Elephant（32.3%），仓库排行榜上则是 Baseten Mammoth（37.0%）。
博客称基准已开源、「你可以自己核验这些数字」：评测代码以 MIT 许可公开，评分是确定性的、不需要 LLM（大语言模型）裁判，需登录 Hugging Face 获取。但 92.0% 与 78.33% 为何不同，博客和仓库都没有解释，现有材料也无法判断两组评测是否采用了不同配置或不同版本的模型。
对比 GPT Luna：自称快 13 倍、成本 1/16，免费期后每千次请求 1 美元
速度与成本的主张同样出自 Parallel 的自测。博客称，与「OpenAI 的 GPT Luna + 原生联网搜索」相比，Parallel Decisions 返回联网答案的速度快 13 倍、成本为其 1/16。开源仓库的对照表（评测日期 2026 年 10 月 29 日，太平洋时间）列出对应数据：Parallel Decisions API 中位延迟 0.56 秒（p95 为 0.71 秒）、每千次请求 1.00 美元；OpenAI Luna + 原生搜索（博客图表标注为 GPT-6 Luna）7.42 秒、16.52 美元；Anthropic Haiku 5.5 + 原生搜索 6.38 秒、27.43～28.79 美元。按这组自测数字计算，快约 13.3 倍、成本约为其 1/16.5，与博客「快 13 倍、1/16 成本」的口径吻合——前提是接受 Parallel 自己的评测口径。
免费期结束后的定价，博客给出了明确数字：Decisions API 每千次请求 1 美元，搜索已含在内。免费周期间，OpenRouter 列表上的输入与输出单价均为 0 美元。延迟数据也有可对照之处：Parallel 声称「一秒以内」，而 OpenRouter 自己的监测显示，这个免费条目目前的延迟中位数（P50）为 1.06 秒。
开发者 Parallel：创始人发帖助阵，上线次日已处理 1.04 亿 tokens
Parallel Web Systems 在 X 上自述为「让 AI 搜索、抽取、监控并推理整个网络的基础设施」，账号位于旧金山。这次上线的发布节奏是：Parallel 的博客于 UTC 时间 11 月 6 日 04:30 发出；16:39，其官方账号 @p0 宣布模型上线并附上博客链接；17:54，（X 资料自述 founder/ceo @p0）发帖称「webjev 质量大跃升，免费，上了 OpenRouter」；21:32，OpenRouter 的官方推文跟进，把这笔「7 天免费、仅限自家用户」的试用推给自己的 15.8 万粉丝。截至发稿，OpenRouter 的推文获得 59 次点赞、8,538 次浏览，Agrawal 的帖子 34 次点赞。
Parallel 的博客列表中还挂着一篇《Parallel raises $100M Series A to build web infrastructure for agents》（Parallel 融得 1 亿美元 A 轮资金，为 agent 构建网络基础设施）。截至 11 月 7 日，OpenRouter 的 Parallel 页面显示其模型在该平台已处理 1.04 亿个 tokens——目前 OpenRouter 上线的 Parallel 模型只有免费的 Decisions Fast 这一款。
免费期的确切结束时刻和每个账号的请求量上限，OpenRouter 的推文与 Parallel 的博客都没有写明。而「最高准确率」这句话的公开依据，目前停在两组对不上的数字之间：博客图表写着 92.0%，Parallel 自己开源的基准仓库排行榜则是 78.33%。截至发稿，两份材料都没有说明这组差异从何而来。