谷歌Gemini Decision 1发布:5项基准胜Jev,输入价高2.38倍
Jev 拿下的 75 亿美元估值曾被质疑是一场泡沫。现在 Google 用一款多模态决策模型告诉市场:这不是泡沫,是赛道。

谷歌正式入场。公司刚刚发布
Gemini Decision 1,直接对准两个月前点燃决策模型这一品类的 TypeSafe Jev。
与 Jev 相同,Gemini Decision 1 不产出任何文本,只计算候选项的概率和置信度,交给程序去驱动 Agent 执行。它不必逐个 Token 生成答案,输出 Token 的费用也一并省掉。

并行计算是更受关注的一步。同一份上下文里,Gemini Decision 1 最多能处理 1000 项独立判断,输入形式覆盖文本、图像、音频、视频和 PDF。Agent 要反复查文档、挑工具、判断任务状态,原先散落在多次模型调用里的判断,如今可在一轮请求内集中做完。
数据层面,双方都给出结果的 7 项共享基准中,Gemini Decision 1 拿下 5 项;Jev 守住了 When2Call 工具调用和 Mind2Web 多模态两项(82.0% vs 79.9%,86.8% vs 86.2%)。

价格上,Gemini 每 100 万输入 Token 收 0.10 美元,约为 Jev 的 2.38 倍。性能抬上去了,费用也跟着涨,谷歌的打算看来是以更强的多模态能力和批量决策能力撬开市场。
Jev 在 9 月发布,数周内就拿到 75 亿美元估值,a16z 领投 8.7 亿美元,约三分之一财富 500 强被列为客户。质疑声却没停过:厂商自报的“快 193 倍、便宜 445 倍”没有第三方复现,原创性争议也还没有结论,独立评测给出的判断是一致的——快和便宜属实,质量另说。
谷歌选在这个时间点进场,起码说明决策模型并非闹剧,而是值得巨头下注的品类。

01
模型如何绕开文本生成直接做决策
普通 LLM 碰到“从四个工具里选一个”这类活,走的还是自回归解码:一个 Token 一个 Token 地生成工具名或 JSON,程序再解析执行。模型干的是开放式文本生成,业务要的却是有限候选项里的概率判断。
Gemini Decision 1 把输出目标换成了候选项评分。问题、候选集合、判断标准由开发者预先定义,模型读完输入,直接给出各候选项的概率分布。整个流程靠单次前向计算走完,不用逐 Token 生成答案,也没有输出 Token 费用。

这与普通的 Structured Output 不是一回事。Structured Output 照样让模型生成文本,只是用 Schema 限制 JSON 的字段和格式;Gemini Decision 1 则直接围绕有限的候选空间打分,返回的结果本身就是程序能读的数据。
有个细节容易被漏掉:判断类型不同,返回概率的含义也不一样。Noul 负责二元判断,给出某个条件成立的概率,范围是 0.01—0.99。问题本身有歧义时,开发者还能分别定义什么算 Yes、什么算 No,以压低判断标准不清带来的偏差。

Choice 管多分类,候选项支持 2—255 个,返回胜出选项和各候选项的归一化概率,所有候选项概率加起来为 1。工具路由、模型选择、任务分类都适用。
问题是,这种概率分配始终限定在给定候选集合内。就算所有选项都不符合输入,模型还是会挑出一个相对匹配的结果。所以开发者得补上 Other 选项,或者另设范围检查。

Score 这套机制更耐看。它不会只丢回一个等级,而是先给有序评分标准里每个等级配上概率,再做加权算总分。假设问题划成 0 级、1 级、2 级,模型可能给出 0.1、0.7、0.2 的概率,最后得分就落在 1 和 2 之间。这等于把离散分类拉成了连续评分,程序排序、卡阈值都方便。但加权会压掉概率分布里的信息:两个输入拿到同样的分数,背后的等级概率可能差得很远。所以碰上要区分风险等级的任务,程序还得去读各等级的概率,不能只盯最终评分。
三种类型搭起了 Gemini Decision 1 的输出体系。模型不再负责写一段给人看的答案,开发者要设计清楚的问题和候选标准,再由程序把概率结果转成具体的执行条件。


02
1000 项问题怎么各自独立算
Gemini Decision 1 的请求结构,是一份 Shared Input 配一组 Questions。前者装文本、图像、音频、视频和 PDF,后者定义要做的判断任务。每个问题可以用不同的判断类型和评分标准,一次请求最多支持 1000 项问题。

拿设备巡检来说,系统收到一段运行视频、一份维修记录和一段现场语音,要判断设备有没有异常、属于哪类异常、严重到什么程度、要不要人工复查。
开发者可以把三种材料塞进同一份输入,再把这些判断逐一定义出来。异常检测走 Noul,类别判断走 Choice,严重程度走 Score。模型读同一份材料,分别给出各项评分。

这套设计有两个技术细节。一是每项问题各有独立的评估路径。Google 文档写得很明确,各问题只能读取共享输入,读不到其他问题的答案。
加一项或删一项问题,也不会影响其他问题的答案。也就是说,并行评分不依赖前序问题的推理链,模型能在同一轮前向计算里完成多个独立判断。
二是共享输入只计一次费。每项问题额外产生的费用,来自它自己的 instructions 和 criteria Token,整份材料不必重复计算。做长文档批量审核、音视频检查和多维度内容评估时,这种计费结构会直接影响整体调用成本。

不过 1000 项问题不等于能把任意复杂的工作流都塞进一个请求。要是问题 B 必须根据问题 A 的具体结果来生成新候选项,两项任务就有前后依赖,开发者得先读到 A 的结果,再提交 B。
如果 B 的候选项已经定好,只是需要在 A 不满足条件时忽略 B 的答案,那两项判断可以同时提交,由程序决定采不采用结果。
输入长度同样要算进去。Gemini Decision 1 的上下文上限是 256K Token,这笔预算由共享材料和全部问题一起用,不是每项问题各拿 256K。问题数量往上走,instructions 和 criteria 也会占掉上下文空间。

谷歌公布的延迟数据里,测试条件是上下文不超过 16K Token,问题从 1 项加到 100 项,模型计算延迟基本平稳,中位计算延迟为 50—100 ms,端到端延迟为 150—250 ms。这里要分清:API 支持 1000 项问题,而公开的近乎平稳延迟测试只覆盖 1—100 项。
多模态输入还牵扯一项工程取舍。图像和视频能设 low、medium、high、ultra_high 等分辨率等级,视觉细节越丰富,输入成本也跟着变。

音频和 PDF 直接走各自的内容处理路径,开发者不用另外搭一套识别服务。谷歌也把 OCR 和音频转写的相关开销算进了模型输入计费,不另收输出 Token 费用。
目前公开的信息不足以还原模型内部的并行计算图。能确定的是,各问题共享同一份输入,在单次前向计算里独立评分。内部有没有用独立输出头、各问题的计算资源怎么分,谷歌还没给出完整技术说明。

03
PK Jev:五项领先背后藏着什么
Gemini Decision 1会给每个答案附上一个confidence,取值在0—1之间,反映模型对自己这次判断有多确信。Noul场景下,它取Yes与No两个结果中概率更高的那方;Choice场景下,对应的是胜出选项的概率;Score场景下,则是概率较高的那个等级。有了这层设计,程序就能按判断的可靠程度,设置不一样的执行门槛。
这背后是概率校准的问题。ECE(Expected Calibration Error,期望校准误差)衡量的,是模型给出的概率和实际正确比例差了多少。谷歌公布的数字是:Gemini Decision 1的ECE为0.0250,Jev 1.14为0.0494。
产品落地方面,谷歌已在Gemini Notebook里用Decisions API做模型路由,按请求的复杂程度挑选模型档位和推理等级,日常请求延迟据称降了40%。Google Search拿它做MCP工具的安全检查,Stitch则用它加快交互设计时的操作选择。和TypeSafe Jev比起来,两款模型技术方向接近,公开信息透露的侧重却不一样。
TypeSafe这边已经公开,Jev用了专门的模型架构、Parallel Sampler,还有RLCD(Reinforcement Learning for Calibrated Decisions)训练方法。Jev 1.14补上了图像输入、Box判断类型和长上下文能力,不过发布时这些功能还放在实验性配置里。
Gemini Decision 1走的是Gemini原生多模态架构,输入范围覆盖音频、视频、PDF,上下文给到256K,单次可带1000项问题请求。谷歌没有披露类似TypeSafe的训练方案,两家的内部训练路线眼下没法直接对比。
性能上,谷歌公布的7项共享基准里,Gemini Decision 1有5项压过Jev 1.14;Jev则在When2Call工具调用和Mind2Web多模态上守住了领先。When2Call是Agent选工具的核心场景,Jev能在这个指标上反超,说明谷歌的优势并非无差别覆盖。
第三方独立评测机构Artificial Analysis的Decision Index v2.1榜单上,Gemini Decision 1综合分65.98,略低于Jev的66.23,和榜首Drex Max v1.1的72.62差得更远。单任务延迟211 ms,Jev只要92 ms;价格上,Gemini每100万输入Token收0.10美元,Jev是0.042美元。
换句话说,谷歌拿多模态能力和批量处理换溢价,可“更强”在第三方统一任务套件上还没兑现成“更优”。校准误差领先是真的,但校准领先不等于综合决策质量领先。
04
Agent的决策层,正在变成独立战场
Gemini Decision 1把原先散落在Agent工作流里的一类任务,正式做成了独立的模型调用能力。这不只是评分快慢的事,候选空间怎么定义、共享输入怎么复用、问题之间怎么隔离、概率怎么校准、程序怎么控制,都得配合上。
复杂推理、规划、内容生成还是通用LLM的活;能提前定好标准的判断任务,交给Decision Model。开发者得按任务依赖关系排好调用顺序,再照概率表现划定自动执行的范围。
9月Jev点燃了这个品类,11月谷歌用多模态和批量能力加注。这条路线能不能形成长期优势,还得看模型在复杂输入、任务分布变化和真实业务环境里稳不稳。谷歌入场后,专用决策模型进入更大规模的产品竞争,Agent的工程设计也会从单纯依赖生成模型,转向更细致的模型分工。
参考链接:https://blog.google/innovation-and-ai/technology/developers-tools/gemini-decisions-api/