Gemini Decision 1: Features, Benchmarks, Preise und Zugriff

Decision-Modelle werden zur eigenen Kategorie. TypeSafes Jev liefert typisierte Antworten mit Wahrscheinlichkeiten statt Text, OpenAI hat eine eigene Decisions API, und am 11. November 2026 ist Google mit der Gemini Decisions API und dem dahinterliegenden Modell Gemini Decision 1 eingestiegen.

Gemini Decision 1 beantwortet nur geschlossene Fragen, keine offenen: Ja/Nein-Prüfungen, Multiple Choice und Rubrikbewertungen – bis zu 1.000 pro Anfrage. Es verarbeitet Text, Bilder, Audio, Video und PDFs in einem einzigen Forward Pass, berechnet keine Output-Tokens und kostet $0,10 pro 1 Mio. Input-Tokens. Google meldet 150–250 ms End-to-End-Latenz und den niedrigsten Kalibrierungsfehler im Vergleich, vor Jev.

In diesem Artikel zeige ich, was Gemini Decision 1 ist, wofür du es einsetzen kannst, wie es in Googles Benchmarks abschneidet und was es kostet. Wenn Decision-Modelle neu für dich sind, sieh dir unsere Guides zu TypeSafes Jev und der OpenAI Decisions API an.

Um bei KI und Daten auf dem Laufenden zu bleiben, empfehle ich unser wöchentliches Newsletter, The Median.

TL;DR

• Gemini Decision 1 ist Googles erstes Decision-Modell: Es bewertet Optionen statt Text zu schreiben.
• Der Vorsprung gegenüber Jev liegt bei Medien: Ein Aufruf kann Bilder, Audio, Video und PDFs beurteilen.
• Es hat die beste Kalibrierung in Googles Grafik, daher sind seine Konfidenzwerte die richtigen Schwellenwerte.
• Jev liegt bei Tool-Call-Entscheidungen vorn und ist in Googles gemeinsamen Evals günstiger.
• Nutze es für Routing, Richtlinienprüfungen und Bewertung; es kann kein einziges Wort generieren.

Was ist Gemini Decision 1?

Gemini Decision 1 (gemini-decision-1) ist ein spezialisiertes multimodales Modell, das typisierte Fragen zu einem gemeinsamen Input bewertet und kalibrierte Wahrscheinlichkeiten ohne Output-Tokens zurückgibt. Es ist das einzige Modell hinter Googles neuer Decisions API, einem separaten Endpoint zur Interactions API, die Geminis generative Modelle ausliefert.

Der Unterschied zu einem normalen großen Sprachmodell (LLM) liegt in der Ausgabe. Ein generatives Modell schreibt Antwort-Token für Token, und dein Code parst den Text; Gemini Decision 1 bewertet alle Kandidatenoptionen in einem Durchgang und liefert für jede eine Wahrscheinlichkeit. Es gibt keinen Text zum Parsen, kein Thinking-Budget und keine Output-Abrechnung.

Googles zentrales Versprechen ist die Kalibrierung: Gemini Decision 1 hat den niedrigsten Expected Calibration Error (ECE) im Vergleich, das heißt, seine angegebene Zuversicht spiegelt, wie oft es tatsächlich richtig liegt. Das ist wichtiger als die reine Genauigkeit, wenn dein Code auf Basis einer Wahrscheinlichkeit handelt.

Die wichtigsten Funktionen von Gemini Decision 1

Gemini Decision 1 macht genau eine Sache, daher drehen sich die Features darum, wie viel davon in einen Aufruf passt.

Stelle bis zu 1.000 Fragen zu einem Input in einem Aufruf

Du sendest einen gemeinsamen Input und eine Map aus Fragen und bekommst pro Frage eine typisierte Antwort. Eine einzelne Anfrage kann 1 bis 1.000 Fragen enthalten, begrenzt durch das Kontextfenster von 262.144 Tokens. Jede Frage läuft isoliert gegen den Input, Fragen sehen sich also nicht gegenseitig.

Drei Fragetypen decken die meisten geschlossenen Entscheidungen ab:

• Ja/Nein (noul): die Wahrscheinlichkeit, dass eine Aussage zutrifft, von 0,01 bis 0,99.
• Choice: eine Option aus 2 bis 255, mit einer Wahrscheinlichkeit für jede Option.
• Score: eine Bewertung auf einer geordneten Rubrik mit 2 bis 255 Stufen, zurückgegeben als erwartete Stufe gewichtet nach Wahrscheinlichkeit.

Der praktische Vorteil liegt bei Abrechnung und Latenz. Der gemeinsame Input wird pro Anfrage einmal berechnet, jede weitere Frage fügt nur ihre eigenen Instruktions- und Kriterien-Tokens hinzu, und laut Google bleibt die Latenz von 1 bis 100 Fragen nahezu konstant. Eine Support-Nachricht gegen 40 Richtlinien zu prüfen, kostet kaum mehr als gegen eine und dauert ähnlich lang.

Bilder, Audio, Video und PDFs direkt beurteilen

Gemini Decision 1 liest Medien nativ. Du kannst also fragen, ob eine gescannte PDF-Abrechnung zu den Schadensfotos passt oder in welche Queue eine Anrufaufzeichnung gehört – ohne vorherige Transkription oder OCR. Google betont, dass keine separaten Audio-Transkriptions- oder OCR-Gebühren anfallen, und du kannst bei Bild- und Video-Inputs die Auflösung steuern, um Details gegen Tokenkosten zu tauschen.

Das ist die klarste Lücke zu Jev und GPT-6 Luna, die beide in Googles Audio- und Video-Benchmarks keine Werte haben. Googles eigene Teams nutzen es live auf Medien: CC von Google Labs wählt in Sekundenbruchteilen ein Emoji aus über 200 Optionen, und Stitchs Rapid Canvas setzt Sprach- und Tipp-Edits fast sofort um.

Zwei Hinweise aus den Docs: Frageinstruktionen akzeptieren nur Text, und die API lehnt YouTube-URLs und direkte gs://-Cloud-Storage-URIs ab. Medien gehen daher über die Files API, eine HTTPS-URL oder Inline-Bytes hinein.

Erhalte eine Konfidenz, auf deren Basis du routen kannst

Jede Antwort enthält einen Konfidenzwert von 0 bis 1 – die geschätzte Wahrscheinlichkeit, dass die Top-Antwort korrekt ist. Das vorgesehene Muster: oberhalb eines Schwellwerts automatisch handeln, alles andere an einen Fallback oder eine Person geben.

Google ist klar: Den Schwellwert legst du fest – basierend auf gelabelten Beispielen aus deinem Traffic und der Abwägung zwischen False Positives und False Negatives. Gute Kalibrierung in Googles Evals ist ein Startpunkt, kein Beweis, dass es auf deinen Daten hält.

Anfragen zum passenden Modell routen

Der Hauptanwendungsfall ist eine Control Plane vor generativen Modellen. Gemini Notebook nutzt die Decisions API, um jede eingehende Frage dem richtigen Modell-Tier und Thinking-Level zuzuordnen, bedient Alltagsfragen mit bis zu 40% geringerer Latenz und hebt Deep-Reasoning-Modelle für komplexe Fälle auf.

Google Search nutzt sie als Safety-Layer für Model Context Protocol (MCP)-Tools und erkennt innerhalb des Latenzbudgets adversariales Verhalten. Das Muster lässt sich verallgemeinern: Überall dort, wo du aktuell ein generatives Modell nur für ein Label aufrufst, erledigt ein Decision-Modell denselben Job schneller und ohne Parsing.

Wie schlägt sich Gemini Decision 1 in Benchmarks?

Gemini Decision 1 führt 7 der 9 Genauigkeitsbenchmarks an, die Google berichtet, und hat den niedrigsten Kalibrierungsfehler. Jev 1.14 gewinnt die beiden Tool-und-Action-Benchmarks und ist insgesamt günstiger. Der Vergleich umfasst Jev 1.14, GPT-6 Luna über OpenAIs Decisions API und Gemini 3.5 Flash-Lite über die Interactions API mit minimalem Thinking. Scores sind von Google gemeldet, der beste pro Zeile ist fett.

Routing, Ranking und Reasoning

Den größten Vorsprung gibt es bei New Yorker Caption (nur Text), wo Gemini Decision 1 79,7% erreicht, gegenüber 72,0% für Jev 1.14 und 68,4% für GPT-6 Luna.

Die meisten Vorsprünge gegenüber Jev liegen bei 1–2 Punkten – nahe an Rauschen. When2Call ist der Benchmark, auf den du bei Agent-Routern achten solltest: Jevs 2-Punkte-Vorteil fällt genau auf die Entscheidung, die diese Router am häufigsten treffen.

Audio und Video

Gemini Decision 1 erreicht 69,1% auf Video-MME ohne Untertitel, gegenüber 63,3% für Gemini 3.5 Flash-Lite. Jev und GPT-6 Luna haben auf beiden Medienbenchmarks keine Werte.

Bei Audio und Video gibt es also nur den Vergleich mit Googles eigenem generativem Modell. Gegenüber Flash-Lite um ca. 4–6 Punkte vorn zu liegen und dabei keine Output-Tokens zu berechnen, ist trotzdem ein starkes Argument für Medi Entscheidungen.

Kalibrierung und Kosten

Gemini Decision 1 hat über die 7 gemeinsamen Evals eine Top-1-ECE von 0,0250 – den besten Wert in der Grafik, vor Jev 1.14 mit 0,0494 und GPT-6 Luna mit 0,0721.

Beim Preis dreht sich das Bild. Über dieselben 7 Evals hinweg ist Jev das günstigste Modell in der Übersicht.

Googles „nahezu 5x günstiger“-Aussage bezieht sich auf das eigene Gemini 3.5 Flash-Lite. Gegenüber Jev zahlst du rund 30% mehr für bessere Kalibrierung und Mediensupport.

Gemini Decision 1: Preise und Verfügbarkeit

Gemini Decision 1 kostet $0,10 pro 1 Mio. Input-Tokens im Paid-Tier, ohne Output-Gebühr, weil keine Output-Tokens entstehen. Text-, Bild-, Video-, Audio- und PDF-Inputs werden alle zum gleichen Satz abgerechnet.

• Free Tier: in Google AI Studio zum Prototyping, mit 200 Requests pro Minute und 10.000 pro Tag. Daten aus dem Free Tier werden zur Produktverbesserung genutzt; Paid-Tier-Daten nicht.
• Paid Tiers: Tier 1 erlaubt 1.500 Requests pro Minute, bis 15.000 in Tier 3.
• Nicht unterstützt: Context Caching, die Batch API sowie Flex oder Priority Inference – wiederholter Input über Anfragen hinweg wird jedes Mal voll berechnet.
• Status: jetzt verfügbar über die Gemini Developer API (v1beta).

Der fehlende Context Cache zählt mehr, als es scheint. Wenn du dasselbe lange Dokument alle paar Sekunden mit einer neuen Frage prüfst, zahlst du das Dokument bei jedem Call erneut; bündle die Fragen stattdessen in einer Anfrage.

Wie erhältst du Zugriff auf Gemini Decision 1?

Die API-Model-ID ist gemini-decision-1, aufgerufen über client.decisions.create im google-genai-SDK mit API-Version v1beta. In Google AI Studio gibt es zudem einen Decisions Playground, um Fragen vor dem Coden zu testen.

Auf OpenRouter heißt das Modell google/gemini-decision-1 und wird über den System-One-Endpoint betrieben, den auch Jev nutzt – also nicht den Chat-Completions-Endpoint. Google sagt, Integrationen rollen über LangChain, Vercel, LiteLLM, Pydantic AI, Pipecat, LiveKit und OpenCode aus, mit Support für Gemini in Google Cloud in Kürze. In den Vertex-AI-Modell-Dokumenten ist es Stand 12. November 2026 noch nicht gelistet.

Hier ist eine minimale Spesenprüfung mit zwei Fragen zu einer Notiz:

from google import genai

client = genai.Client(http_options={"api_version": "v1beta"})
result = client.decisions.create(
    model="gemini-decision-1",
    input="Team dinner, 6 people, $412 incl. wine. Receipt attached.",
    questions={
        "has_alcohol": {"type": "noul", "instructions": "Does the claim include alcohol?"},
        "category": {
            "type": "choice",
            "instructions": "Which expense category fits this claim?",
            "criteria": {"meals": "Food and drink.", "travel": "Flights, trains, hotels.", "other": "Anything else."},
        },
    },
)
print(result.answers["has_alcohol"].noul, result.answers["category"].choice)Bereitgestellt von

Ein vollständiges, durchgängiges Beispiel für eine Decision-Model-Pipeline findest du in unserem Jev-Ticket-Router-Tutorial. Es behandelt dasselbe Muster aus Fragen, Schwellenwerten und Fallbacks.

Fazit

Gemini Decision 1 macht Decision-Modelle zur Drei-Anbieter-Kategorie, und Google bringt das, was TypeSafe und OpenAI nicht hatten: ein Decision-Modell, das Bilder, Audio, Video und PDFs nativ liest. Mit der besten Kalibrierung in der eigenen Grafik ist es die sichere Wahl, wenn du auf Konfidenzwerten handelst.

Ein klarer Sieg ist es nicht. Jev 1.14 ist in Googles gemeinsamen Evals günstiger und besser bei Tool-Call-Entscheidungen, daher hat ein reiner Text-Agent-Router keinen akuten Grund zu wechseln. Alles, was Medien oder PDFs betrifft, ist der Punkt, an dem ich mit Gemini Decision 1 starten würde.

Wenn du Anwendungen rund um solche Modelle bauen willst, empfehle ich unseren Skill Track Developing AI Applications.