谷歌Gemini Decision 1发布：9项测试7项第一，不答题只拍板
专用决策模型登场，适配Agent路由、安全检测，成本仅Flash-Lite五分之一
谷歌这次端出的 
Gemini Decision 1，跟一般大模型最大的区别在于它不张嘴答题，只负责在现有选项里拍板。
以前开发者想让 AI 判断一封邮件算不算垃圾邮件，或者给某个任务挑一个 Agent，通常得先叫生成式大模型写一段话，再从文本里把答案抠出来。Gemini Decision 1 把逐字解码这一步直接砍掉了。
开发者要做的只是交上输入内容、要判断的问题和候选选项，模型直接回判断结果、概率和置信度。
换句话说，碰上本来只需要一个分类、一个评分或者一个选择结果的任务，AI 不用再跑完整个文本生成流程。
谷歌公布的数据显示，Gemini Decision 1 一次请求最多能处理 1000 个独立问题，文本、图像、音频、视频和 PDF 等多模态输入都支持，端到端延迟只有 150～250 毫秒。
价格也压得挺狠：每百万输入 Token 收 0.10 美元，输出 Token 不要钱。在谷歌公布的同一组基准测试里，它的调用成本比 Gemini 3.5 Flash-Lite 便宜近 5 倍。
这还不只是拿来答选择题的模型。谷歌已经把它用在 AI 模型路由、Agent 工具选择、产品设计和安全检测等场景，想让它成为 AI 系统里专门管判断和决策的底层组件。
一次能处理 1000 个问题，候选选项最多 255 个
Google 发布的技术介绍里，Gemini Decision 1 提供三类核心决策能力。
第一类叫 Yes/No，也就是二元判断。比如判断图片里有没有安全隐患，或者一段文本是否违反既定规则，模型会给出该条件成立的概率。
第二类叫 Multiple Choice，即多项选择。开发者可以预设 2～255 个候选选项，模型除了挑出最符合条件的答案，还会返回每个候选项归一化处理后的概率。
第三类叫 Ordered Rubric，即有序标准评分。开发者自己定义不同等级的评分标准，模型对输入内容作出评价，返回连续加权分数以及各等级的概率。
这三类任务还能在同一次请求里混着跑。
谷歌给了一个简单例子：上传一张办公室茶水间台面的照片，再附一段文字说明，让模型同时判断桌面有没有液体洒漏、该采取什么清理措施、现场严重程度如何。
按传统做法，可能得设计好几个分类器，或者用生成式大模型分别跑不同的提示词任务。Gemini Decision 1 一次请求就能把这些判断做完。
另外，模型支持最高 256K Token 的多模态输入上下文。放到企业场景里，开发者可以把通话录音和客户资料摆在一起分析，也能结合保险索赔文件和现场照片作判断。
每项决策都会给出 0～1 的置信度，系统碰到拿不准的结果，可以转给其他模型或者人工审核。
速度和成本，是 Gemini Decision 1 的另一张牌。
谷歌官方介绍称，在覆盖 Agent 路由、推理、排序和多模态理解的基准评测中，Gemini Decision 1 表现领先，校准误差也是最低的。
测试上下文不超过 16K Token 时，模型计算阶段的中位延迟维持在 50～100 毫秒，端到端延迟约 150～250 毫秒。单次请求里的问题数量从 1 个加到 100 个，延迟基本没怎么变。
在官方采用的共同基准测试集上，Gemini Decisions API 的成本比通过 Interactions API 调用 Gemini 3.5 Flash-Lite 低近 5 倍。
9 项测试拿下 7 项第一，准确率最高 92.2%
谷歌这次发布 Gemini Decision 1，还晒出了一份挺有看头的模型对比成绩单。
它没有按惯例把通用大模型拉在一起比，而是挑了三款竞争产品：OpenAI 的 GPT-6 Luna、专攻分类决策的 TypeSafe Jev 1.14，以及自家的 Gemini 3.5 Flash-Lite。
9 项基准测试里，Gemini Decision 1 有 7 项排在第一，概率校准方面也处于领先位置。不过另外两项测试以及总调用成本上，对手的成绩更好。
JevBench 测试中它拿到 92.2% 的准确率，GPT-6 Luna 为 90.9%，TypeSafe Jev 1.14 为 90.0%，Gemini 3.5 Flash-Lite 为 86.6%。Amazon ESCI 商品搜索相关性测试里，它的 Macro-F1 分数是 58.7%，比 GPT-6 Luna 高 4 个百分点，比 Flash-Lite 高 11.5 个百分点。
New Yorker Caption 测试的差距更大：Gemini Decision 1 为 79.7%，GPT-6 Luna 是 68.4%，相差 11.3 个百分点。这项测试考的是对漫画配文的理解和选择，看模型能不能把握语境、判断候选内容。
医学问答测试 PubMedQA 中，它同样排第一，得分 79.8%，GPT-6 Luna 为 74.4%。多语言测试 Global-MMLU-Lite 的结果差不多：Gemini Decision 1 拿到 86.0%，GPT-6 Luna 为 79.6%，相差 6.4 个百分点。
谷歌并没有做到全面领先。Mind2Web Multimodal 测试中，TypeSafe Jev 1.14 以 86.8% 排第一，Gemini Decision 1 为 86.2%，落后 0.6 个百分点。
考验工具调用判断能力的 When2Call 测试里，TypeSafe Jev 1.14 领先更多，得分 82.0%，Gemini Decision 1 为 79.9%。这个结果有些扎眼——工具选择和调用时机的判断，正是 Gemini Decision 1 重点面向的 Agent 应用场景之一，可专用决策模型 TypeSafe Jev 在这项上依然占优。
音频理解测试 MMAU 和视频理解测试 Video-MME 中，Gemini Decision 1 分别得到 71.8% 和 69.1%，都高于 Flash-Lite。
比起准确率，谷歌这回更强调概率校准能力。Top-1 ECE（Expected Calibration Error，预期校准误差）测试中，Gemini Decision 1 的校准误差只有 0.0250，GPT-6 Luna 为 0.0721，TypeSafe Jev 1.14 为 0.0494，Flash-Lite 则高达 0.2104。
换算一下，这组评测里 Gemini Decision 1 的校准误差比 GPT-6 Luna 低约 65%，比 Flash-Lite 低约 88%。
对 Agent 系统来说，这个指标格外要紧。举个例子，Agent 判断某段代码有没有安全漏洞时，模型给出的不只是“存在”或“不存在”，还可能附带一个概率值。系统可以参照概率与实际正确率之间的关系，决定是自动采取行动，还是转交人工再核查一遍。
Agent 路由延迟最高降低 40%，谷歌已经用上了
和一些只晒基准成绩的新模型不同，谷歌这次还公开了 Gemini Decisions API 在自家产品里的应用案例，其中被重点提及的是 Gemini Notebook。
谷歌拿 Decisions API 充当实时模型路由器，按用户请求的复杂程度挑选合适的模型档位和思考强度。日常简单问题，优先调用成本低、响应快的模型；碰上复杂推理任务，再把请求转给能力更强的模型。谷歌称，靠这种动态路由，日常查询的延迟最多能降 40%。
这种思路和当下 Agent 系统的发展方向对得上。Agent 完成任务时，往往要不断判断下一步做什么，比如选哪个工具、调哪个模型，或者要不要人工介入。每个简单决策都丢给大型生成式模型，系统就得背上额外的延迟和成本。专门的决策模型给出了另一条路：选项明确、相对简单的判断交给低延迟模型，复杂任务留给通用大模型。
除 Gemini Notebook 之外，谷歌还披露了另外三个应用方向。
谷歌还提到另外三个应用方向。在 Google Stitch 里，新上线的实验功能 Rapid Canvas 借助 Decisions API，几秒内就能生成可交互的产品流程线框图，用户用语音或点击提出修改，系统也能迅速响应。等用户确认了设计方向，页面可以转入完整的 Stitch 工作流继续完善。
Google Labs 的 CC 产品则用 Decisions API 从 200 多个 Emoji 选项里快速挑出合适的表情反应。在 Google Search 内部，谷歌也用这一 API 搭了 MCP 工具的安全检测层，用来识别潜在的对抗性行为及内容。
