谷歌Gemini Decision 1入场:5项基准赢Jev,价格贵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。

谷歌正式进场。
Gemini Decision 1 刚发布,目标直指两个月前带火决策模型这一品类的 TypeSafe Jev。
与 Jev 的做法一致,Gemini Decision 1 不产出任何文本,只给出候选项的概率与置信度,供程序直接驱动机器执行。它跳过了逐 Token 生成答案的环节,输出 Token 的费用也就一并省下。

并行计算是更大的看点: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,如今一轮请求就能做完。
双方都公布成绩的 7 项共享基准中,Gemini Decision 1 拿下 5 项;Jev 守住的是 When2Call 工具调用和 Mind2Web 多模态两项(82.0% vs 79.9%,86.8% vs 86.2%)。

价格方面,Gemini 每 100 万输入 Token 收 0.10 美元,约为 Jev 的 2.38 倍。性能更强,账单也更贵,谷歌想靠多模态能力和批量决策能力撬开市场。
Jev 9 月发布,几周内估值冲到 75 亿美元,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:厂商自己报出的“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入场,起码说明决策模型值得巨头下注,并非一场闹剧。

01
模型如何绕开文本生成直接给出决策
普通 LLM 遇到“从四个工具里选一个”这类任务,走的还是自回归解码:一个 Token 一个 Token 地吐出工具名或 JSON,再由程序解析执行。模型做的是开放式文本生成,业务要的却是在有限候选项里挑出概率最高的那个。
Gemini Decision 1 换了思路,把输出目标改成候选项评分。问题、候选集合、判断标准由开发者预先定义,模型读完输入直接返回各候选项的概率分布。一次前向计算就能完成,既不用逐 Token 生成答案,也不产生输出 Token 费用。

它和常见的 Structured Output 不是一回事。Structured Output 依旧让模型生成文本,只是用 Schema 把 JSON 的字段和格式框住;Gemini Decision 1 是围绕有限的候选空间直接打分,返回的结果本身就是程序能读的数据。
有个细节容易被略过: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,取值在 0.01—0.99 之间。问题本身含糊时,开发者可以分别界定什么算 Yes、什么算 No,把判断标准不清带来的偏差压下去。

Choice 管的是多分类,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,概率之和为 1。工具路由、模型选择、任务分类都用得上它。
问题是,概率分配始终限定在给定的候选集合内——哪怕所有选项都对不上输入,模型还是会挑出一个相对接近的结果。所以开发者得留一个 Other 选项,或者另加范围检查。

Score 的玩法不太一样。它不直接甩给你一个等级,而是先为有序评分标准里的每一档算概率,再做加权求和。打个比方,问题分成 0 级、1 级、2 级,模型给出的概率是 0.1、0.7、0.2,最后得分就可能落在 1 和 2 中间。
这么一来,原本离散的分类就变成了连续打分,程序拿去排序、卡阈值都方便。可有得必有失:加权会压掉概率分布里的信息,两个输入就算分数一样,背后的等级概率也可能差得很远。所以碰上要区分风险等级的任务,程序还得把各档概率读出来,光看最终分数不够。
三种类型搭起了 Gemini Decision 1 的输出框架。模型不再生成一段给人读的答案,开发者得把问题和候选标准设计清楚,再由程序把概率结果转成具体的执行条件。


02
1000 项问题如何完成独立计算
Gemini Decision 1 的请求结构,是一份 Shared Input 配上一组 Questions。文本、图像、音频、视频和 PDF 都放在前者里,后者用来定义要完成的判断任务。每项问题可以各自选用不同的判断类型和评分标准,一次请求最多容纳 1000 项问题。

拿设备巡检来说,系统会收到一段运行视频、一份维修记录和一段现场语音,要判断的是设备有没有异常、属于哪类异常、严重到什么程度、要不要人工介入。
这三种材料可以塞进同一份输入,再分别定义上述问题。异常检测走 Noul,类别判断用 Choice,严重程度交给 Score。模型读的是同一批材料,各项评分分别给出。

这套设计里有两个技术细节值得拆开说。其一,每项问题走的是独立评估路径。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。
而且增删某项问题,不会牵动其他问题的答案。也就是说,并行评分不依赖前序问题的推理链,模型在同一轮前向计算里就能把多个独立判断一起做完。
其二,共享输入只算一次钱。每项问题额外产生的费用,来自它自己的 instructions 和 criteria Token,整份材料不用重复计费。长文档批量审核、音视频检查、多维度内容评估这类场景,整体调用成本会受这套计费结构影响。

不过,能塞 1000 项问题,不等于可以把任意复杂的工作流压进一个请求。假如问题 B 得根据问题 A 的具体结果来生成新的候选项,这两项任务就有前后依赖,开发者必须先读到 A 的结果,再提交 B。
反过来,如果 B 的候选项早已确定,只是需要在 A 不满足条件时把 B 的答案丢掉,那两项判断可以同时提交,采不采用由程序自己定。
输入长度也是一笔账。Gemini Decision 1 的上下文上限是 256K Token,这份预算由共享材料和全部问题一起花,不是每项问题各拿 256K。问题越加越多,instructions 和 criteria 同样要占上下文。

谷歌公布的延迟数据里,上下文不超过 16K Token 的测试条件下,问题从 1 项加到 100 项,模型计算延迟大体平稳,中位计算延迟 50—100 ms,端到端延迟 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,范围只到 1—100 项。
多模态输入还带出一项工程取舍。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 则走各自的内容处理路径,开发者不用再单独搭一套识别服务。谷歌也把 OCR 和音频转写相关的开销明确算进模型输入计费,输出 Token 不另收费。
模型内部的并行计算图,目前公开信息还不足以还原。能确定的是,各问题共享同一份输入,在单次前向计算中独立评分。内部有没有用独立输出头、各问题的计算资源怎么分,谷歌还没给出完整的技术说明。

03
和Jev正面较量,谷歌拿出的成绩是“7项共享基准里赢5项”。
Gemini Decision 1会给每个答案附一个confidence,范围在0—1之间,代表模型自认为这个结果有多大概率是对的。落到Noul上,它取Yes和No里概率高的那一边;Choice对应胜出选项的概率;Score则对应概率更高的那个等级。有了这个数,程序就能按判断的把握大小设不同的执行门槛。
这背后是概率校准的问题。ECE即期望校准误差,量的是模型报出的概率和实际答对比例差多少。谷歌给出的Gemini Decision 1 ECE是0.0250,Jev 1.14为0.0494。
产品侧已有落地。Gemini Notebook里用上了Decisions API做模型路由,按请求的复杂程度挑模型档位和推理等级,日常请求延迟据称降了40%。
Google Search拿它给MCP工具做安全检查,Stitch用它加速交互设计中的操作选择。和TypeSafe Jev放在一起看,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,Jev用的是专门设计的模型架构、Parallel Sampler,训练方法是RLCD(Reinforcement Learning for Calibrated Decisions)。Jev 1.14加了图像输入、Box判断类型和长上下文,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,输入覆盖音频、视频、PDF,上下文256K,支持1000项问题请求。TypeSafe那套训练方案,谷歌没有公开对应内容,两边内部训练路线眼下没法直接对比。
性能层面,谷歌公布的7项共享基准中,Gemini Decision 1有5项压过Jev 1.14;Jev守住了When2Call工具调用和Mind2Web多模态两项。When2Call是Agent选工具的核心场景,Jev在这里反超,说明谷歌的优势并非无差别覆盖。
第三方机构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,与榜首Drex Max v1.1的72.62差距更大。单任务延迟211 ms,Jev是92 ms;价格上Gemini每100万输入Token收0.10美元,Jev为0.042美元。
说到底,谷歌是用多模态能力和批量处理换溢价,但“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,可校准领先不等于综合决策质量领先。
04
Agent的决策层,正变成一块独立战场。
Gemini Decision 1把原先散落在Agent工作流里的这类任务,正式做成了独立的模型调用能力。它牵扯的不只是打分速度,还有候选空间怎么定义、共享输入怎么复用、问题之间怎么隔离、概率怎么校准,以及和程序控制怎么配合。
复杂推理、规划、内容生成仍归通用LLM管,Decision Model接的是那些标准能提前定好的判断任务。开发者要按任务依赖关系排调用顺序,再照概率表现划定自动执行的范围。
Jev在9月点燃了这个品类,谷歌在11月用多模态和批量能力加注。这条路线能不能变成长期优势,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/