谷歌发布首款决策模型 Gemini Decision 1：9 项测试拿下 7 项第一，准确率最高92.2%

当整个 AI 行业还在比拼谁能生成更多 Token、谁的推理能力更强时，谷歌却推出了一款不靠逐字生成答案的新模型。

刚刚，谷歌正式发布 Gemini Decision 1，同时推出由该模型驱动的 Gemini Decisions API。与传统生成式大模型不同，这款模型专门用于快速决策，不需要逐个 Token 生成文字，而是通过单次前向传播，对预先设定的候选答案进行评分。

谷歌 CEO Sundar Pichai 也在 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。

与传统模型逐个 Token 生成文本不同，这款模型专门为封闭选项集中的决策任务而设计。它可以在单次处理过程中，对文本、图像、音频、视频以及 PDF 中的最多 1000 个问题进行评分。

以下是几个值得关注的细节：

· 支持三种决策类型：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；

· 每百万输入 Token 的价格仅为 0.10 美元，输出 Token 费用为零，成本约为 Flash-Lite 的五分之一；

· 在多项基准评测中处于领先位置，同时具有最低的校准误差。

谷歌内部团队已经开始使用这项技术。

他还展示了 Stitch Rapid 在几秒钟内设计完整产品流程的演示，视频为正常 1 倍速播放。

这段介绍揭示了 Gemini Decision 1 与传统大模型最大的不同：它不负责把答案说出来，而是负责从已有选项中作出判断。

过去，当开发者希望 AI 判断一封邮件是否属于垃圾邮件，或者决定某项任务应该交给哪个 Agent 时，往往需要调用生成式大模型，再从模型生成的文本中提取结果。Gemini Decision 1 则省去了逐字解码的环节。

开发者只需要提供输入内容、待判断的问题以及候选选项，模型就可以直接返回对应的判断结果、概率和置信度。

这意味着，对于本来只需要一个分类、评分或选择结果的任务，AI 不必再完成一整套文本生成流程。

按照谷歌公布的数据，Gemini Decision 1 可以在一次请求中处理最多 1000 个独立问题，支持文本、图像、音频、视频和 PDF 等多模态输入，端到端延迟仅为 150～250 毫秒。

价格也比较激进：每百万输入 Token 仅需 0.10 美元，输出 Token 不收费。在谷歌公布的同一组基准测试中，其调用成本较 Gemini 3.5 Flash-Lite 低近 5 倍。

更值得注意的是，这并不只是一款用于回答选择题的模型。谷歌已经将其用于 AI 模型路由、Agent 工具选择、产品设计以及安全检测等场景，试图让它成为 AI 系统中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

根据 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）。例如，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，模型不仅会选出最符合条件的答案，还会返回每个候选项经过归一化处理的概率。

第三类是 Ordered Rubric（有序标准评分）。开发者可以自行定义不同等级的评分标准，让模型对输入内容进行评价，并返回连续加权分数及各等级的概率。

三种任务还可以在一次请求中混合执行。

谷歌提供了一个简单的示例：给模型上传一张办公室茶水间台面的照片，并附上一段文字说明，要求它同时判断桌面是否存在液体洒漏、应该采取何种清理措施，以及现场的严重程度。

传统方式可能需要设计多个分类器，或者通过生成式大模型执行不同的提示词任务。Gemini Decision 1 则可以在一次请求中完成这些判断。

此外，模型支持最高 256K Token 的多模态输入上下文。对于企业场景，这意味着开发者可以将通话录音与客户资料放在一起分析，或者结合保险索赔文件与现场照片作出判断。

每项决策都会提供 0～1 的置信度，方便系统将不确定的结果交给其他模型或者人工审核。

Gemini Decision 1 的另一个竞争力，是速度与成本。

根据谷歌官方介绍，在涵盖 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，并取得了最低的校准误差。

在不超过 16K Token 的测试上下文中，其模型计算阶段的中位延迟保持在 50～100 毫秒，端到端延迟约为 150～250 毫秒。即使单次请求包含的问题数量从 1 个增加到 100 个，延迟也基本保持平稳。

在官方使用的共同基准测试集上，Gemini Decisions API 的成本较通过 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%

谷歌此次发布 Gemini Decision 1，还公布了一份颇具看点的模型对比成绩单。

与通常将通用大模型放在一起比较不同，谷歌此次选择了三款竞争产品：OpenAI 的 GPT-6 Luna、专门面向分类决策的 TypeSafe Jev 1.14，以及自家的 Gemini 3.5 Flash-Lite。

从结果来看，Gemini Decision 1 在 9 项基准测试中拿下 7 项第一，在概率校准方面同样领先，但在另外两项测试以及总调用成本上，仍然存在竞争对手表现更好的情况。

在 JevBench 测试中，Gemini Decision 1 取得 92.2% 的准确率，超过 GPT-6 Luna 的 90.9%、TypeSafe Jev 1.14 的 90.0%，以及 Gemini 3.5 Flash-Lite 的 86.6%。

在 Amazon ESCI 商品搜索相关性测试中，Gemini Decision 1 取得 58.7% 的 Macro-F1 分数，比 GPT-6 Luna 高出 4 个百分点，比 Flash-Lite 高出 11.5 个百分点。

而在 New Yorker Caption 测试中，差距进一步拉大。Gemini Decision 1 取得 79.7% 的成绩，GPT-6 Luna 为 68.4%，两者相差 11.3 个百分点。该测试涉及对漫画配文的理解和选择，考验模型的语境理解与候选内容判断能力。

在医学问答测试 PubMedQA 中，Gemini Decision 1 同样排名第一，得分为 79.8%，高于 GPT-6 Luna 的 74.4%。

多语言测试 Global-MMLU-Lite 的结果也类似。Gemini Decision 1 取得 86.0%，GPT-6 Luna 为 79.6%，两者相差 6.4 个百分点。

不过，谷歌并未实现全面领先。

在 Mind2Web Multimodal 测试中，TypeSafe Jev 1.14 以 86.8% 的成绩排名第一，Gemini Decision 1 为 86.2%，落后 0.6 个百分点。

在考验工具调用判断能力的 When2Call 测试中，TypeSafe Jev 1.14 的优势更加明显，得分为 82.0%，Gemini Decision 1 为 79.9%。

这项结果尤其值得关注。工具选择和调用时机判断是 Gemini Decision 1 重点面向的 Agent 应用场景之一，但在这项测试中，专用决策模型 TypeSafe Jev 依然保持领先。

另外，在音频理解测试 MMAU 和视频理解测试 Video-MME 中，Gemini Decision 1 分别取得 71.8% 和 69.1%，均高于 Flash-Lite。

比准确率更值得关注的，是谷歌此次特别强调的概率校准能力。

在 Top-1 ECE（Expected Calibration Error，预期校准误差）测试中，Gemini Decision 1 的校准误差仅为 0.0250，而 GPT-6 Luna 为 0.0721，TypeSafe Jev 1.14 为 0.0494，Flash-Lite 则达到 0.2104。

换句话说，在这组评测中，Gemini Decision 1 的校准误差比 GPT-6 Luna 低约 65%，比 Flash-Lite 低约 88%。

这项指标对 Agent 系统尤其重要。

例如，当一个 Agent 需要判断某段代码是否存在安全漏洞时，模型给出的不仅是“存在”或“不存在”的结果，还可能包含一个概率值。系统可以根据概率与实际正确率之间的关系，决定是否自动采取行动，或者交给人工进一步核查。

谷歌已经用上：Agent 路由延迟最高降低 40%

与一些仅展示基准成绩的新模型不同，谷歌此次还披露了 Gemini Decisions API 在内部产品中的应用案例。

其中最值得关注的是 Gemini Notebook。

谷歌正在利用 Decisions API 充当实时模型路由器，根据用户请求的复杂程度，选择合适的模型档位和思考强度。面对日常简单问题，系统可以优先调用成本较低、响应更快的模型；遇到复杂推理任务，再将请求交给能力更强的模型。

谷歌称，借助这种动态路由方式，日常查询的延迟最多可以降低 40%。

这种设计与当前 Agent 系统的发展趋势密切相关。一个 Agent 完成任务时，往往需要不断判断下一步动作，例如选择哪个工具、调用哪个模型，或者决定是否需要人工介入。

如果每一个简单决策都要交给大型生成式模型处理，系统就需要承担额外的延迟和成本。专门的决策模型则提供了另一种选择：将相对简单、选项明确的判断交给低延迟模型处理，把复杂任务留给通用大模型。

除了 Gemini Notebook，谷歌还披露了另外三个应用方向。

在 Google Stitch 中，新推出的 Rapid Canvas 实验功能利用 Decisions API，在几秒钟内形成可交互的产品流程线框图，并快速响应用户通过语音或点击发出的修改指令。用户确认设计方向后，可以将页面转入完整的 Stitch 工作流进一步完善。

在 Google Labs 的 CC 产品中，Decisions API 被用于从超过 200 个 Emoji 选项中快速选择合适的表情反应。在 Google Search 内部，谷歌还利用这一 API 构建 MCP 工具的安全检测层，识别潜在的对抗性行为及内容。

参考链接：