2026-11-13 · 来源:MarkTechPost

谷歌新模型Gemini Decision 1单次前向可对1000个问题并行打分并返回校准概率,输入0.1美元每百万token、输出不计费。
谷歌上线Gemini Decisions API,由专用多模态模型Gemini Decision 1(模型ID:gemini-decision-1)驱动。与生成式模型逐token解码、再靠解析提取答案不同,它不产出任何文本:单次预填充内对同一份共享输入并行评估最多1000个类型化问题,返回校准概率,代码直接按返回的数字分支。定位是智能体里的大量小决策——路由、策略检查、工具选择与评分。
支持三种题型:是非题(noul,是的概率限定在0.01至0.99)、选择题(choice,2至255个选项、概率归一化)与打分题(score,2至255级有序量规)。每个答案附带0到1的置信度,谷歌建议低置信案例转人工或走兜底;问题之间互相不可见,并行评分。模型原生单遍读取文本、图像、视频、音频与PDF;上下文262144 token,由输入与全部问题共享。延迟方面:模型计算中位50至100毫秒,端到端150至250毫秒,且从1个问题到100个问题几乎持平(输入最多16K token)。
定价是直接卖点:输入0.10美元每百万token,输出用量恒为0、不计费;共享输入无论多少问题每请求只计一次费,也不收思考token、转写或OCR费用。注意目前尚无提示缓存与Batch API,重复上下文全价计费;在谷歌的7项共享评测中总花费0.88美元,高于TypeSafe Jev 1.14的0.68美元,但约为Gemini 3.5 Flash-Lite(4.14美元)的五分之一。
基准为谷歌自报(拒答计为错误),对比对象包括TypeSafe Jev 1.14、OpenAI Decisions的GPT-6 Luna与Gemini 3.5 Flash-Lite:9项基准7项领先,JevBench公开split以92.2%居首;最弱是Amazon ESCI宏F1 58.7%,When2Call的79.9%也不敌Jev的82.0%。校准度是最大亮点:Top-1 ECE仅0.0250,约为Jev 1.14(0.0494)的一半,远好于Luna的0.0721与Flash-Lite的0.2104——对依赖置信度阈值的自动化场景至关重要。与Luna相比:后者上下文1.05M更大、支持提示缓存,但每请求仅400个问题,且不支持音频、视频与PDF。
落地示例:Gemini Notebook用它做模型分层路由,日常查询延迟最多降低40%;Google Labs的CC用它从200多个表情选项中挑反应;Stitch的快速画布用它几秒生成可交互线框图。可用性:已在Gemini Developer API(v1beta)上线,需google-genai SDK 3.2以上,Google AI Studio提供免费档;模型仅由谷歌托管、无开放权重;OpenRouter、LangChain、Vercel AI SDK、LiteLLM、Pydantic AI等生态渠道正在陆续接入。
萬安算交所 AIXX · 萬安算交所 AIXX · 算力硬件实名会员制交易平台 · 进入货源大厅