谷歌发布Gemini Decision 1：单次前向评分，9项测试7项第一

整个AI行业眼下还在比谁生成的Token更多、谁的推理能力更强，谷歌却拿出了一款不靠逐字生成答案的新模型。

谷歌正式发布Gemini Decision 1，同时推出由该模型驱动的Gemini Decisions API。和传统生成式大模型不一样，这款模型专为快速决策而生，它不做逐个Token的文字生成，而是通过单次前向传播，给预先设定的候选答案打分。

谷歌CEO Sundar Pichai在X平台发文介绍了Gemini Decision 1的主要能力。他写道：今天，我们在Google AI Studio中正式推出Gemini Decisions API，由全新的Gemini Decision 1模型提供支持。

这款模型专门面向封闭选项集里的决策任务，与传统模型逐个Token生成文本的做法不同。单次处理过程中，它能对文本、图像、音频、视频以及PDF中的最多1000个问题进行评分。

几个值得关注的细节如下：支持三种决策类型，即是/否判断、多项选择（最多255个选项），以及基于评分标准的打分；

价格方面，每百万输入Token仅为0.10美元，输出Token不收费，成本大约只有Flash-Lite的五分之一；

它在多项基准评测中处于领先位置，校准误差也是最低的。

谷歌内部团队已经开始用这项技术。

过去开发者想让AI判断一封邮件是不是垃圾邮件，或者决定某项任务该交给哪个Agent，通常得调用生成式大模型，再从模型生成的文本里把结果提取出来。Gemini Decision 1省掉了逐字解码这一环。

开发者只需提供输入内容、待判断的问题和候选选项，模型就能直接返回判断结果、概率和置信度。也就是说，对于本来只要一个分类、评分或选择结果的任务，AI不必再走完整的文本生成流程。

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，输入形式覆盖文本、图像、音频、视频和PDF，端到端延迟只有150～250毫秒。

定价同样激进：每百万输入Token只要0.10美元，输出Token免费。在谷歌公布的同一组基准测试中，其调用成本… Gemini 3.5 Flash-Lite低近5倍。

这并不只是一款用来回答选择题的模型。谷歌已把它用在AI模型路由、Agent工具选择、产品设计以及安全检测等场景，想让它成为AI系统里专门负责判断与决策的底层组件。

一次处理1000个问题，最多255个选项

按照Google发布的技术介绍，Gemini Decision 1提供三类核心决策能力。第一类是Yes/No（二元判断），比如判断图片中是否存在安全隐患，或者一段文本是否违反既定规则，模型会给出相应条件成立的概率。

第二类是Multiple Choice（多项选择）。开发者可以预设2～255个候选选项，模型除了选出最符合条件的那一个，还会返回每个候选项归一化处理后的概率。

第三类是Ordered Rubric（有序标准评分）。开发者能自行定义不同等级的评分标准，让模型评价输入内容，返回连续加权分数以及各等级的概率。

这三种任务还能在一次请求里混合执行。谷歌给了一个简单示例：上传一张办公室茶水间台面的照片，再附一段文字说明，要求模型同时判断桌面有没有液体洒漏、该采取什么清理措施，以及现场严重程度如何。

传统做法可能要设计多个分类器，或者用生成式大模型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。

除上述能力外，这款模型还能接收最高256K Token的多模态上下文。放到企业实际业务里，开发者可以把通话录音和客户资料一起交给模型分析，也可以把保险索赔文件和现场照片放在一块儿让它判断。

每次决策都会附带一个0～1之间的置信度。系统拿到这个分数，就能把把握不大的结果转给别的模型或人工复核。

速度和成本，是Gemini Decision 1的另一张牌。

谷歌方面称，在覆盖Agent路由、推理、排序和多模态理解的基准评测里，该模型处于领先位置，校准误差也是最低的。

当测试上下文不超过16K Token时，模型计算阶段的中位延迟落在50～100毫秒，端到端延迟大约150～250毫秒。单次请求里的问题数量从1个加到100个，延迟也几乎没怎么变。

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便宜近5倍。

9项测试拿下7项第一，准确率最高92.2%

伴随Gemini Decision 1的发布，谷歌还晒出了一份颇有看头的模型对比成绩单。

和常见的通用大模型横评不一样，谷歌这次挑的对手有三家：OpenAI的GPT-6 Luna、专注分类决策的TypeSafe Jev 1.14，以及自家的Gemini 3.5 Flash-Lite。

结果显示，Gemini Decision 1在9项基准测试中7项排第一，概率校准方面也领先；不过另外两项测试和总调用成本上，仍有对手表现更好。

JevBench测试里，Gemini Decision 1的准确率为92.2%，高于GPT-6 Luna的90.9%、TypeSafe Jev 1.14的90.0%和Gemini 3.5 Flash-Lite的86.6%。

Amazon ESCI商品搜索相关性测试中，Gemini Decision 1的Macro-F1分数为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拿到79.7%，GPT-6 Luna是68.4%，相差11.3个百分点。这项测试要求模型理解漫画配文并选出合适答案，考的是语境理解和候选内容判断。

医学问答测试PubMedQA中，Gemini Decision 1也排第一，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为86.0%，GPT-6 Luna为79.6%，相差6.4个百分点。

当然，谷歌并没有全线胜出。

Mind2Web Multimodal测试中，TypeSafe Jev 1.14以86.8%居首，Gemini Decision 1为86.2%，落后0.6个百分点。

到了考察工具调用判断的When2Call测试，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主打的Agent应用场景之一，可这项测试里，专用决策模型TypeSafe Jev依然跑在前面。

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。

比准确率更受谷歌重视的，是概率校准能力。

Top-1 ECE（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，这个指标格外关键。

比如Agent要判断一段代码有没有安全漏洞，模型输出的不只是「存在」或「不存在」，还可能附带一个概率值。系统再根据概率跟实际正确率之间的对应关系，决定是自动执行，还是转给人工复核。

谷歌已经用上：Agent路由延迟最高降低40%

有些新模型只亮基准成绩，谷歌这次不一样，还公开了Gemini Decisions API在自己产品里的落地案例。

这些案例里，最受关注的是Gemini Notebook。

谷歌拿Decisions API当实时模型路由器用，按用户请求的复杂程度挑模型档位和思考强度。日常简单问题，优先交给成本低、响应快的模型；碰上复杂推理任务，再转给能力更强的模型。

谷歌表示，靠这种动态路由，日常查询的延迟最多能降40%。

这一思路跟眼下Agent系统的走向对得上。Agent干活时得不停判断下一步：选哪个工具、调哪个模型、要不要人介入。

每个简单决策都丢给大型生成式模型，延迟和成本都会往上走。专门的决策模型给出了另一条路：选项明确的简单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，谷歌还公布了另外三个应用方向。

Google Stitch里新推出的Rapid Canvas实验功能就用了Decisions API，几秒钟内生成可交互的产品流程线框图，用户用语音或点击提修改指令，它也能快速响应。设计方向确认后，页面可以转入完整的Stitch工作流继续打磨。

Google Labs的CC产品中，Decisions API负责从200多个Emoji选项里快速挑出合适的表情反应。谷歌还在Google Search内部用这个API搭了一层MCP工具安全检测，用来识别潜在的对抗性行为及内容。

参考链接：

https://blog.google/innovation-and-ai/technology/developers-tools/gemini-decisions-api/