谷歌正式发布 Gemini Decision 1,进入由 TypeSafe Jev 两个月前开创的决策模型品类。这款模型不生成文本,只输出候选项的概率与置信度,供程序直接驱动 Agent 执行,并支持文本、图像、音频、视频和 PDF 混合输入。
在双方均有报告的 7 项共享基准中,Gemini Decision 1 赢下 5 项;Jev 1.14 则在 When2Call 工具调用和 Mind2Web 多模态两项上保持领先。第三方机构 Artificial Analysis 的 Decision Index v2.1 榜单显示,Gemini Decision 1 综合分 65.98,略低于 Jev 的 66.23。
跳过文本生成的决策方式
Gemini Decision 1 与普通大模型的核心差别在于输出目标。普通 LLM 处理“从四个工具里选一个”这类任务时仍走自回归解码,逐 Token 生成工具名或 JSON,再由程序解析执行;模型承担的是开放式文本生成,业务需要的却是有限候选项中的概率判断。新模型改为对候选项评分:开发者提前定义问题、候选集合和判断标准,模型读取输入后直接返回各候选项的概率分布,整个过程通过单次前向计算完成,不产生输出 Token 费用。
它与 Structured Output 也有区别。后者仍让模型生成文本,只是用 Schema 限定 JSON 的字段和格式;Gemini Decision 1 则围绕有限候选空间完成评分,返回结果本身就是程序可读取的数据。
输出体系包含三种判断类型。Noul 处理二元判断,返回条件成立的概率,范围 0.01 至 0.99,开发者可分别定义何种情况算 Yes、何种算 No 以减少歧义;Choice 处理多分类,支持 2 至 255 个候选项,返回胜出选项及各候选项归一化概率,概率之和为 1,适合工具路由、模型选择和任务分类;Score 先为有序评分标准中的每个等级分配概率,再加权计算,把离散分类扩展为连续评分。谷歌同时提示,概率分配始终发生在给定候选集合内,开发者应提供 Other 选项或设置范围检查;加权评分会压缩等级概率信息,需要区分风险等级时应读取各等级概率而非只看最终分数。

单次请求千项判断
请求结构是一份 Shared Input 对应一组 Questions。前者承载文本、图像、音频、视频和 PDF,后者定义需要完成的判断任务,每项问题可使用不同的判断类型和评分标准,单次请求支持至多 1000 项问题。谷歌文档明确,各问题只能读取共享输入,不能读取其他问题的答案;增加或删除某项问题也不会改变其他问题的答案,因此并行评分不依赖前序问题的推理链。
计费上,共享输入只计一次费,每项问题额外产生的费用来自自身的 instructions 和 criteria Token,不必重复计算整份材料。上下文上限为 256K Token,由共享材料和全部问题共同使用,并非每项问题各占 256K。谷歌公布的延迟数据中,在上下文不超过 16K Token 的测试条件下,问题从 1 项增至 100 项,计算延迟基本平稳,中位计算延迟 50 至 100 毫秒,端到端延迟 150 至 250 毫秒;需注意 API 支持 1000 项问题,而公开的平稳延迟测试范围仅为 1 至 100 项。
1000 项问题也不等于可把任意复杂工作流塞进一个请求。若问题 B 必须依据问题 A 的具体结果生成新候选项,两者存在前后依赖,开发者需先读取 A 的结果再提交 B;若 B 的候选项已确定,只是需在 A 不满足条件时忽略其答案,则可同时提交、由程序决定是否采用。多模态输入还涉及工程取舍:图像和视频可设 low、medium、high、ultra high 等分辨率等级,视觉细节越丰富输入成本越高;音频和 PDF 直接进入相应处理路径,OCR 和音频转写开销纳入输入计费。

与 Jev 的基准对比
When2Call 是 Agent 工具选择的核心场景,Jev 在该指标上的反超说明谷歌的优势并非无差别覆盖。
每项答案附带 confidence,取值 0 至 1,表示模型对结果正确性的估计:Noul 取 Yes 与 No 中概率较高的一方,Choice 对应胜出选项概率,Score 对应概率较高的等级,程序可据此设置不同执行门槛。谷歌公布的期望校准误差 ECE 为 0.0250,Jev 1.14 为 0.0494。
技术路线上,TypeSafe 已披露 Jev 使用专门的模型架构、Parallel Sampler 以及 RLCD 训练方法,Jev 1.14 增加图像输入、Box 判断类型和长上下文能力,相关功能发布时仍属实验性配置。Gemini Decision 1 依托 Gemini 原生多模态架构,将音频、视频、PDF 纳入输入,提供 256K 上下文和 1000 项问题请求能力;谷歌尚未披露类似训练方案,两者内部训练路线暂无法直接比较。

定价与延迟差异
价格方面,Gemini Decision 1 每 100 万输入 Token 收费 0.10 美元,Jev 为 0.042 美元,前者约为后者的 2.38 倍。
谷歌已在自家产品中试用 Decisions API:Gemini Notebook 用它进行模型路由,按请求复杂程度选择模型档位和推理等级,日常请求延迟据称降低 40%;Google Search 将其用于 MCP 工具的安全检查;Stitch 用它加快交互设计过程中的操作选择。
综合来看,谷歌以多模态能力和批量处理换取溢价,但“更强”在第三方统一任务套件上尚未兑现为“更优”。校准误差的领先是真实的,但校准领先不等于综合决策质量领先。

Agent 决策层的竞争
Jev 于 9 月发布后数周内拿下 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。但质疑一直存在:厂商自报的“快 193 倍、便宜 445 倍”缺乏第三方复现,原创性争议尚未定论,独立评测的结论是快和便宜属实、质量另当别论。
Gemini Decision 1 把原本散落在 Agent 工作流中的一类任务变成独立的模型调用能力,涉及候选空间定义、共享输入复用、问题隔离、概率校准与程序控制的配合。通用 LLM 仍负责复杂推理、规划和内容生成,决策模型承担可提前定义标准的判断任务,开发者需按任务依赖关系安排调用顺序,再依据概率表现决定自动执行范围。
Jev 在 9 月点燃这一品类,谷歌在 11 月以多模态和批量能力加注。这条路线能否形成长期优势,还要看模型在复杂输入、任务分布变化和真实业务环境中的稳定表现;谷歌入场后,专用决策模型进入更大规模的产品竞争,Agent 的工程设计也将从单纯依赖生成模型转向更细致的模型分工。
要点
- Gemini Decision 1 不生成文本,只返回候选项概率与置信度
- 单次请求支持至多1000项独立判断,上下文上限256K Token
- 7项共享基准中谷歌赢5项,Jev 在工具调用与多模态上领先
- 第三方榜单综合分65.98,低于 Jev 的66.23
- 每百万输入 Token 收费0.10美元,约为 Jev 的2.38倍

正在读取登录状态…
暂无讨论,说说你的看法吧