结论先行：这一周工具侧最值得个人创业者关注的，不是又一个更大的模型，而是两件更「小」的事：一是把高频的小判断做成不生成文字的专用接口（延迟从秒级掉到百毫秒级，输出不计费），二是把找客户、打电话这类销售动作，直接塞进你已经在用的工作流里。
这两件事的共同点，都不是「更聪明」，而是更便宜、更快、更贴地——恰好是一人公司最需要的三件事。
先把品类讲清楚。所谓「决策模型」，干的是一件很具体的事：你定义好问题和允许的答案，它返回一个标签、一个分数，或者一个「是/否」的概率，不生成任何文字。
这个品类最早由一家做类型安全框架的公司跑出来——9 月中旬发布，文档写得很克制：给定允许的答案，返回标签、分数或是否概率，一次并行遍历对每个问题打分且不生成文本；输入价每百万 token 0.042 美元，输出免费，上下文 64k（每个问题 32k），只支持文本输入，权重闭源、排队候补。
然后是这四周发生的事：至少二十个替代品问世，来自云厂商、主流大模型厂商、搜索厂商、模型公司和独立开发者，规模从不到 3 亿到 350 亿激活参数不等。工程上的变化更实在：一个 4B 的适配器就能塞进 24GB 显卡或 32GB 的 Mac，有些编码器甚至能跑在纯 CPU 上。
同期，一家海外主流大模型厂商的「决策接口」在 10 月 22 日正式可用，挂在它自家的小模型上：输入每百万 token 0.10 美元，不按输出计费，一次请求最多支持 400 个问题，可以带图片和原生 JSON，带提示缓存；官方称比走常规接口快最多 10 倍，延迟从一两秒降到 100 至 180 毫秒。
它支持三种问题类型，这三种基本覆盖了个人创业者日常所有的判断动作：
还有一个细节值得注意：官方明确说了它不该干什么——如果你要模型生成一段符合你自己格式的结构化内容，用另一类接口；如果你要模型决定调用哪个工具并给出参数，用工具调用那一套。决策接口只做有界答案。这条限制对个人创业者反而是好消息，因为它意味着你能非常清楚地知道自己买的是什么。
这里必须泼一盆冷水。在几个公开的决策模型榜单上，那家刚上线的头部厂商排在第八和第十四位，而最早做这类的公司排在第七和第三。另外有一家云厂商的模型是这三家里唯一开放权重的（Apache 2.0 协议），可以自己部署或微调。
更值得留意的是第三方评测的情况：目前唯一一次由第三方做的多模型横测，用另一个模型当裁判，排在第一的准确率是 0.932，第二是 0.901，而后者在抗提示注入和概率校准上反而更好。
各家公布的分数基本都是厂商自报。结论是：别用榜单选型，用你自己的标注样本选型。
最后一条也提醒一下：概率不是真理。一个高置信度的分类照样可能是错的，尤其是在表述模糊、或者你给的标签根本没覆盖这种情况的时候。真正能上生产的做法是——设阈值、留兜底、留人工复核通道，尤其是执行不可逆动作之前。有团队公开提到，他们用它来给智能体生成的命令做风险打分，评不过就不执行。
同期还有一个方向：把「找线索 + 触达」这一步，直接接进你每天用的那个智能体里。做法是通过一套通用协议加一套接口暴露能力，让智能体自己去完成搜索潜客、再通过几个主流社媒平台或者邮件做触达。
它最值得注意的细节不是能力，是计费口径：按连接的发送账号数量收费，不按线索条数收费。
这个口径对个人创业者意味着什么，很实在：
声音：一家海外语音合成厂商的新模型在第三方评测机构的榜单上 Elo 分数到了 1202，排在榜首。更有意思的是定价——它的 API 定价是每百万字符 4 美元，而它上一代模型是 30 美元，差不多是原来的七分之一。对个人创业者的直接影响：口播、课程、有声内容这类「声音本身是交付物」的活儿，成本结构一下子变了，原来因为字数费太贵而不接的单，现在可以接了。
令牌自愈：一款主流命令行工具把它的授权令牌改成了「可过期、自动刷新」，目前是可选的公开预览。这条看着不起眼，指向的却是智能体时代一个很实在的问题：长时间跑的自动化任务，最容易挂掉的地方不是模型，是凭证过期。有团队公开提到，他们的智能体在多个头部网站上被拦截而无法完成任务，凭据管理正在从「运维细节」变成「产品能力」。
还有一个信号值得记一笔：一家海外大模型厂商把它的「智能体技能」开放标准捐给了 Linux 基金会旗下的基金会，目前已有七十多个平台集成，公开的技能超过一百万份、安装量接近两亿八千万次。这说明「给智能体一套可复用的工序包」正在从一家公司的私有做法，变成一个公开共识——而这正好是一人公司能卖的东西：把工序包卖给不会写提示词的人。
变现点一：筛选器。把你业务里那些「是/否」的判断全部抽出来做成一次调用——这张图要不要打回重做、这条客诉算不算严重、这单该不该接、这封邮件要不要升级处理。把整段对话换成一次概率判断，成本和延迟都会掉一个量级。这是最容易落地的一个。
变现点二：路由器。多智能体的流程里，「先分诊再处理」这个动作本身可以极便宜。判断归判断、生成归生成，别让一个大的模型去做只需要一个小判断的事——这是省钱最直接的一条纪律。
变现点三：工序包 + 外呼配置服务。前面那个智能体技能标准的普及说明了一件事：客户要的不是「会聊天」，是「按这套工序干完了」。把你的判断规则写成工序包（什么时候触发、判断标准是什么、判完之后走哪条分支），再叠加代配账号、代跑一轮触达，这就是一门能收月费的小生意。
坑一：拿榜单当选型依据。厂商自报的分数没有第三方复核，也没有人在你自己的数据上复现过。准备几十到一百条你自己的标注样本，跑两个候选对比，再决定。这一步花不了一晚上，能省你好几个月。
坑二：把概率当真值。高置信度也会错。设阈值、留兜底、留人工通道，尤其是涉及钱、发出去的消息、删除动作的时候。不可逆动作前面永远留一个人。
坑三：没搞清计费口径就上量。按账号计费不等于按结果计费；输出免费不等于输出没有上限（要看单次请求的条数和长度限制）。先按最小规模跑一个月，把实际账单和你预估的差距记下来，再放大。
三步就行：
顺便说一句，如果你要把这些判断串进内容生产里（先筛选题、再判稿子过不过、最后排版分发），本站的公众号图文工具就是按这种「每一步都有明确判据」的思路搭的：选题库、成稿、审核、排版各有各的关口，不必每一步都从零想一遍。