Gemini Decision 1 : fonctionnalités, référentiels, tarifs et accès

Les modèles de décision deviennent une catégorie à part entière. Jev de TypeSafe renvoie des réponses typées avec probabilités au lieu de texte, OpenAI propose sa propre Decisions API, et le 11 novembre 2026, Google a rejoint le mouvement avec la Decisions API de Gemini et le modèle qui la sous-tend, Gemini Decision 1.

Gemini Decision 1 ne répond qu’à des questions fermées : contrôles oui/non, choix multiples et scores selon un barème, jusqu’à 1 000 par requête. Il lit texte, images, audio, vidéo et PDF en un seul passage, ne facture aucun token de sortie et coûte 0,10 $ par million de tokens d’entrée. Google annonce une latence de bout en bout de 150 à 250 ms et l’erreur de calibration la plus faible de sa comparaison, devant Jev.

Dans cet article, je présente ce qu’est Gemini Decision 1, ce que vous pouvez construire avec, ses performances sur les référentiels de Google et son coût. Si les modèles de décision sont nouveaux pour vous, consultez nos guides sur Jev de TypeSafe et l’OpenAI Decisions API.

Pour suivre l’actualité de l’IA et des données, je vous recommande de vous abonner à notre newsletter hebdomadaire, The Median.

En bref

• Gemini Decision 1 est le premier modèle de décision de Google : il attribue des scores aux options au lieu de rédiger du texte.
• Son avantage sur Jev tient aux médias : un seul appel peut juger des images, de l’audio, de la vidéo et des PDF.
• Il affiche la meilleure calibration du graphique de Google, donc ses scores de confiance sont ceux sur lesquels poser vos seuils.
• Jev reste meilleur pour les décisions impliquant des appels d’outils et revient moins cher sur les évaluations partagées par Google.
• Utilisez‑le pour le routage, les contrôles de conformité et la notation ; il ne peut pas générer un seul mot.

Qu’est‑ce que Gemini Decision 1 ?

Gemini Decision 1 (gemini-decision-1) est un modèle multimodal spécialisé qui évalue des questions typées sur une même entrée et renvoie des probabilités calibrées, sans tokens de sortie. C’est l’unique modèle derrière la nouvelle Decisions API de Google, un point de terminaison séparé de l’Interactions API qui sert les modèles génératifs de Gemini.

La différence avec un grand modèle de langage (LLM) classique tient à la forme de la réponse. Un modèle génératif « écrit » la réponse token par token que votre code doit analyser ; Gemini Decision 1, lui, évalue chaque option candidate en un seul passage et renvoie une probabilité pour chacune. Pas de texte à parser, pas de budget de réflexion, et pas de facture de sortie.

L’argument mis en avant par Google est la calibration : Gemini Decision 1 présente la plus faible erreur de calibration attendue (ECE) de sa comparaison, ce qui signifie que sa confiance annoncée correspond à la fréquence réelle où il a raison. C’est plus important que l’exactitude brute lorsque votre code agit sur une probabilité.

Fonctionnalités clés de Gemini Decision 1

Gemini Decision 1 fait un seul métier, ses fonctionnalités concernent donc l’ampleur de ce qui tient dans un appel.

Posez jusqu’à 1 000 questions sur une même entrée en un seul appel

Vous envoyez une entrée partagée et une carte de questions, et vous obtenez une réponse typée par question. Une requête peut contenir de 1 à 1 000 questions, dans la limite d’une fenêtre de contexte de 262 144 tokens, et chaque question est évaluée sur l’entrée isolément : les questions ne se « voient » pas entre elles.

Trois types de questions couvrent la plupart des décisions fermées :

• Oui/non (noul) : la probabilité qu’une affirmation soit vraie, de 0,01 à 0,99.
• Choix : une option parmi 2 à 255, avec une probabilité pour chaque option.
• Score : une note sur un barème ordonné de 2 à 255 niveaux, renvoyée comme niveau attendu pondéré par la probabilité.

Le gain concret se joue sur la facturation et la latence. L’entrée partagée n’est facturée qu’une fois par requête, chaque question additionnelle n’ajoute que ses propres tokens d’instructions et de critères, et Google indique que la latence reste quasiment plate de 1 à 100 questions. Contrôler un message de support contre 40 règles coûte à peine plus que contre une seule, et prend à peu près le même temps.

Évaluez directement images, audio, vidéo et PDF

Gemini Decision 1 lit les médias nativement : vous pouvez demander si une note de frais en PDF scanné correspond aux photos de dommages, ou dans quelle file envoyer un enregistrement d’appel, sans étape préalable de transcription ni de reconnaissance optique de caractères (OCR). Google précise qu’il n’y a pas de frais distincts pour la transcription audio ou l’OCR, et vous pouvez ajuster la résolution des entrées image et vidéo pour arbitrer entre détail visuel et coût en tokens.

C’est l’écart le plus net avec Jev et GPT‑6 Luna, qui n’affichent aucun score sur les référentiels audio et vidéo de Google. Les équipes internes de Google l’utilisent d’ailleurs en direct sur des médias : CC de Google Labs choisit une réaction emoji parmi plus de 200 options en une fraction de seconde, et Stitch’s rapid canvas applique des modifications par voix et tap presque instantanément.

Deux mises en garde issues de la documentation. Les instructions des questions n’acceptent que du texte, et l’API rejette les URLs YouTube et les URIs directes gs:// de Cloud Storage ; les médias doivent donc passer par la Files API, une URL HTTPS ou des octets inline.

Obtenez un score de confiance exploitable pour le routage

Chaque réponse inclut un score de confiance de 0 à 1, soit la probabilité estimée que la meilleure réponse soit correcte. Le schéma recommandé consiste à agir automatiquement au‑dessus d’un seuil, et à envoyer le reste vers un fallback ou une revue humaine.

Google est clair : le seuil vous appartient ; fixez‑le à partir d’exemples étiquetés sur votre propre trafic et arbitrez faux positifs contre faux négatifs. Une bonne calibration sur les évaluations de Google est un point de départ, pas une preuve qu’elle se maintient sur vos données.

Routez les requêtes vers le bon modèle

Le cas d’usage phare est un plan de contrôle devant des modèles génératifs. Gemini Notebook utilise la Decisions API pour envoyer chaque requête entrante vers le bon niveau de modèle et de réflexion, servant les requêtes courantes avec jusqu’à 40 % de latence en moins tout en réservant les modèles de raisonnement profond aux cas complexes.

Google Search s’en sert comme couche de sécurité pour les outils du Model Context Protocol (MCP), en détectant les comportements adversariaux dans sa contrainte de latence. Le schéma se généralise : partout où vous appelez aujourd’hui un modèle génératif uniquement pour obtenir une étiquette, un modèle de décision fait le même travail plus vite et sans parsing.

Comment Gemini Decision 1 se comporte‑t‑il sur les référentiels ?

Gemini Decision 1 arrive en tête sur 7 des 9 référentiels d’exactitude que Google publie et affiche la plus faible erreur de calibration, mais Jev 1.14 gagne les deux tests impliquant outils et actions, et coûte moins cher au global. La comparaison couvre Jev 1.14, GPT‑6 Luna sur l’OpenAI Decisions API, et Gemini 3.5 Flash‑Lite sur l’Interactions API au niveau minimal de « réflexion ». Les scores sont rapportés par Google ; le meilleur par ligne est en gras.

Routage, classement et raisonnement

Le plus grand écart se voit sur New Yorker Caption (texte seul), où Gemini Decision 1 atteint 79,7 % contre 72,0 % pour Jev 1.14 et 68,4 % pour GPT‑6 Luna.

La plupart des avances sur Jev sont de 1 à 2 points, proches du bruit. When2Call est celui à surveiller si vous construisez des routeurs d’agents : l’avance de 2 points de Jev porte justement sur la décision la plus fréquente de ces routeurs.

Audio et vidéo

Gemini Decision 1 obtient 69,1 % sur Video‑MME sans sous‑titres, contre 63,3 % pour Gemini 3.5 Flash‑Lite. Jev et GPT‑6 Luna n’ont aucun score sur ces référentiels média.

Sur l’audio et la vidéo, la seule comparaison possible est donc avec le modèle génératif de Google. Devancer Flash‑Lite d’environ 4 à 6 points tout en ne facturant aucun token de sortie reste un argument fort pour les décisions sur médias.

Calibration et coût

Le Top‑1 ECE de Gemini Decision 1, à 0,0250 sur les 7 évaluations partagées, est le meilleur du tableau, devant Jev 1.14 à 0,0494 et GPT‑6 Luna à 0,0721.

Côté prix, la tendance s’inverse. Sur les mêmes 7 évaluations, Jev est le modèle le moins cher du tableau.

La promesse de Google « près de 5× moins cher » s’applique face à son propre Gemini 3.5 Flash‑Lite. Face à Jev, vous payez environ 30 % de plus pour une meilleure calibration et la prise en charge des médias.

Tarifs et disponibilité de Gemini Decision 1

Gemini Decision 1 coûte 0,10 $ par million de tokens d’entrée sur l’offre payante, sans frais de sortie car il ne génère aucun token de sortie. Les entrées texte, image, vidéo, audio et PDF sont toutes facturées au même tarif.

• Offre gratuite : disponible dans Google AI Studio pour le prototypage, à 200 requêtes par minute et 10 000 par jour. Les données de l’offre gratuite servent à améliorer les produits Google ; celles de l’offre payante, non.
• Offres payantes : le niveau 1 autorise 1 500 requêtes par minute, jusqu’à 15 000 au niveau 3.
• Non pris en charge : cache de contexte, Batch API, et inférence Flex ou Priority ; une entrée répétée d’une requête à l’autre est donc refacturée à chaque fois.
• Statut : disponible dès maintenant sur la Gemini Developer API (v1beta).

L’absence de cache de contexte compte plus qu’il n’y paraît. Si vous contrôlez le même long document avec une nouvelle question toutes les quelques secondes, vous payez ce document à chaque appel ; regroupez plutôt les questions dans une seule requête.

Comment obtenir l’accès à Gemini Decision 1 ?

L’identifiant du modèle dans l’API est gemini-decision-1, appelé via client.decisions.create dans le SDK google-genai avec la version d’API v1beta. Google AI Studio propose aussi un Decisions Playground pour tester vos questions avant d’écrire du code.

Sur OpenRouter, le modèle est google/gemini-decision-1, servi via l’endpoint System One utilisé pour Jev — donc pas l’endpoint de chat completions. Google indique que des intégrations arrivent dans LangChain, Vercel, LiteLLM, Pydantic AI, Pipecat, LiveKit et OpenCode, avec une prise en charge de Gemini dans Google Cloud prochainement. Il n’est pas listé dans la documentation des modèles Vertex AI au 12 novembre 2026.

Voici un contrôle minimal d’une note de frais qui pose deux questions sur une même note :

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)Propulsé par

Pour un exemple complet de pipeline avec un modèle de décision, notre tutoriel sur le routeur de tickets Jev couvre le même schéma de questions, seuils et fallbacks.

Pour conclure

Gemini Decision 1 fait des modèles de décision une catégorie à trois fournisseurs, et Google apporte ce que TypeSafe et OpenAI n’avaient pas : un modèle de décision qui lit nativement images, audio, vidéo et PDF. Avec la meilleure calibration de son propre tableau, c’est le choix le plus sûr lorsque vous agissez sur des scores de confiance.

Ce n’est pas une victoire nette. Jev 1.14 revient moins cher sur les évaluations partagées de Google et fait mieux sur les décisions d’appel d’outils ; un routeur d’agents texte‑seul n’a donc aucune urgence à basculer. Pour tout ce qui implique des médias ou des PDF, c’est là que je commencerais avec Gemini Decision 1.

Si vous souhaitez créer des applications autour de ce type de modèles, je vous recommande notre parcours de compétences Developing AI Applications.