Gemini Decision 1: Fitur, Tolok Ukur, Harga, dan Akses

Model keputusan semakin menjadi kategori tersendiri. Jev dari TypeSafe mengembalikan jawaban bertipe dengan probabilitas alih-alih teks, OpenAI punya Decisions API, dan pada 11 November 2026, Google ikut bergabung dengan Decisions API milik Gemini dan model di baliknya, Gemini Decision 1.

Gemini Decision 1 hanya menjawab pertanyaan tertutup, bukan yang terbuka: cek ya/tidak, pilihan ganda, dan skor rubrik, hingga 1.000 per permintaan. Model ini membaca teks, gambar, audio, video, dan PDF dalam satu forward pass, tidak menagih token keluaran, dan biayanya $0,10 per 1M token masukan. Google melaporkan latensi end-to-end 150–250 ms dan galat kalibrasi terendah dalam perbandingannya, unggul atas Jev.

Dalam artikel ini, saya akan membahas apa itu Gemini Decision 1, apa yang bisa Anda bangun dengannya, bagaimana kinerjanya pada tolok ukur Google, dan berapa biayanya. Jika model keputusan baru bagi Anda, lihat panduan kami untuk Jev dari TypeSafe dan OpenAI Decisions API.

Untuk mengikuti perkembangan AI dan data, saya sarankan berlangganan buletin mingguan kami, The Median.

Ringkasnya

• Gemini Decision 1 adalah model keputusan pertama Google: model ini memberi skor opsi alih-alih menulis teks.
• Keunggulannya dibanding Jev adalah media: satu panggilan dapat menilai gambar, audio, video, dan PDF.
• Model ini memiliki kalibrasi terbaik di grafik Google, jadi skor keyakinannya yang paling layak dijadikan ambang.
• Jev tetap unggul pada keputusan pemanggilan alat dan keluar lebih murah pada evaluasi bersama Google.
• Gunakan untuk perutean, pemeriksaan kebijakan, dan penilaian; model ini tidak bisa menghasilkan satu kata pun.

Apa Itu Gemini Decision 1?

Gemini Decision 1 (gemini-decision-1) adalah model multimodal khusus yang mengevaluasi pertanyaan bertipe terhadap satu masukan bersama dan mengembalikan probabilitas terkalibrasi tanpa token keluaran. Ini adalah satu-satunya model di balik Decisions API baru Google, endpoint terpisah dari Interactions API yang melayani model generatif Gemini.

Perbedaannya dari model bahasa besar (LLM) generatif ada pada cara jawaban keluar. Model generatif “menulis” token demi token yang ditagihkan, dan kode Anda mem-parsenya; Gemini Decision 1 memberi skor setiap opsi kandidat dalam satu kali proses dan mengembalikan probabilitas untuk masing-masing. Tidak ada teks untuk diparse, tidak ada anggaran pemikiran, dan tidak ada tagihan keluaran.

Klaim utama Google adalah kalibrasi: Gemini Decision 1 memiliki expected calibration error (ECE) terendah dalam perbandingannya, yang berarti keyakinan yang dinyatakan selaras dengan seberapa sering model benar. Itu lebih penting daripada akurasi mentah saat kode Anda bertindak berdasarkan probabilitas.

Fitur Utama Gemini Decision 1

Gemini Decision 1 melakukan satu pekerjaan, jadi fiturnya fokus pada seberapa banyak pekerjaan itu dapat dimuat dalam satu panggilan.

Ajukan hingga 1.000 pertanyaan tentang satu masukan dalam satu panggilan

Anda mengirim satu masukan bersama dan peta pertanyaan, lalu Anda mendapatkan satu jawaban bertipe per pertanyaan. Satu permintaan dapat memuat 1 hingga 1.000 pertanyaan, dibatasi oleh jendela konteks 262.144 token, dan setiap pertanyaan dijalankan terhadap masukan secara terpisah, sehingga pertanyaan tidak saling melihat.

Tiga jenis pertanyaan mencakup sebagian besar keputusan tertutup:

• Ya/tidak (noul): probabilitas bahwa sebuah pernyataan berlaku, dari 0,01 hingga 0,99.
• Pilihan: satu opsi dari 2 hingga 255, dengan probabilitas untuk setiap opsi.
• Skor: penilaian pada rubrik berurutan 2 hingga 255 level, dikembalikan sebagai level ekspektasi berbobot probabilitas.

Keuntungan praktisnya adalah penagihan dan latensi. Masukan bersama ditagih sekali per permintaan, setiap pertanyaan tambahan hanya menambah token instruksi dan kriteria miliknya, dan Google mengatakan latensi hampir datar dari 1 hingga 100 pertanyaan. Memeriksa satu pesan dukungan terhadap 40 aturan kebijakan biayanya sedikit lebih besar daripada memeriksanya terhadap satu aturan, dan memakan waktu kurang lebih sama.

Menilai gambar, audio, video, dan PDF secara langsung

Gemini Decision 1 membaca media secara native, jadi Anda bisa menanyakan apakah klaim PDF hasil pemindaian cocok dengan foto kerusakannya, atau antrean mana yang sesuai untuk rekaman panggilan, tanpa langkah transkripsi atau optical character recognition (OCR) terlebih dahulu. Google mencatat tidak ada biaya terpisah untuk transkripsi audio atau OCR, dan Anda bisa menyetel resolusi pada masukan gambar dan video untuk menukar detail visual dengan biaya token.

Inilah kesenjangan paling jelas dibanding Jev dan GPT-6 Luna, yang keduanya tidak memiliki skor pada tolok ukur audio dan video Google. Tim Google sendiri menggunakannya pada media langsung: CC dari Google Labs memilih reaksi emoji dari lebih dari 200 opsi dalam sepersekian detik, dan kanvas cepat Stitch menerapkan suntingan suara dan ketukan hampir seketika.

Dua catatan dari dokumentasi. Instruksi pertanyaan hanya menerima teks, dan API menolak URL YouTube serta URI gs:// Cloud Storage langsung, jadi media dimasukkan melalui Files API, URL HTTPS, atau byte inline.

Dapatkan skor keyakinan yang bisa Anda jadikan dasar perutean

Setiap jawaban membawa skor keyakinan dari 0 hingga 1, perkiraan probabilitas bahwa jawaban teratas benar. Pola yang dimaksudkan adalah bertindak otomatis di atas ambang batas dan mengirim sisanya ke fallback atau peninjau manusia.

Google menegaskan bahwa penentuan ambang adalah tugas Anda: tetapkan dari contoh berlabel pada trafik Anda sendiri dan timbangkan false positive terhadap false negative. Kalibrasi yang baik pada evaluasi Google adalah titik awal, bukan bukti bahwa itu berlaku pada data Anda.

Rutekan permintaan ke model yang tepat

Kasus penggunaan utamanya adalah sebagai control plane di depan model generatif. Gemini Notebook menggunakan Decisions API untuk mengirim setiap kueri masuk ke tingkat model dan tingkat pemikiran yang tepat, melayani kueri sehari-hari dengan latensi hingga 40% lebih rendah sambil menyisihkan model penalaran mendalam untuk yang kompleks.

Google Search menggunakannya sebagai lapisan keamanan untuk alat Model Context Protocol (MCP), mendeteksi perilaku adversarial dalam batas latensinya. Pola ini bisa digeneralisasi: di mana pun Anda saat ini memanggil model generatif hanya untuk mendapatkan label, model keputusan melakukan pekerjaan yang sama lebih cepat dan tanpa parsing.

Bagaimana Kinerja Gemini Decision 1 pada Tolok Ukur?

Gemini Decision 1 memimpin 7 dari 9 tolok ukur akurasi yang dilaporkan Google dan memiliki galat kalibrasi terendah, tetapi Jev 1.14 unggul pada dua tolok ukur alat-dan-aksi dan lebih murah secara keseluruhan. Perbandingan mencakup Jev 1.14, GPT-6 Luna pada OpenAI Decisions API, dan Gemini 3.5 Flash-Lite pada Interactions API dengan pemikiran minimal. Skor dilaporkan oleh Google, dan yang terbaik per baris dicetak tebal.

Perutean, peringkat, dan penalaran

Kesenjangan terbesar ada pada New Yorker Caption (teks saja), di mana Gemini Decision 1 mencetak 79,7% berbanding 72,0% untuk Jev 1.14 dan 68,4% untuk GPT-6 Luna.

Kebanyakan keunggulan atas Jev berada di 1–2 poin, yang mendekati noise. When2Call adalah yang perlu diperhatikan jika Anda membangun router agen: selisih 2 poin Jev di sana tepat pada keputusan yang paling sering dibuat router tersebut.

Audio dan video

Gemini Decision 1 mencetak 69,1% pada Video-MME tanpa subtitle, dibanding 63,3% untuk Gemini 3.5 Flash-Lite. Jev dan GPT-6 Luna tidak memiliki skor pada kedua tolok ukur media.

Jadi pada audio dan video, satu-satunya perbandingan adalah dengan model generatif Google sendiri. Mengungguli Flash-Lite sekitar 4–6 poin sambil tidak menagih token keluaran tetap menjadi argumen kuat untuk keputusan berbasis media.

Kalibrasi dan biaya

Top-1 ECE Gemini Decision 1 sebesar 0,0250 pada 7 evaluasi bersama adalah yang terbaik di grafik, unggul atas Jev 1.14 di 0,0494 dan GPT-6 Luna di 0,0721.

Harga adalah bagian yang berbalik. Pada 7 evaluasi yang sama, Jev adalah model termurah di grafik.

Klaim Google “hampir 5x lebih murah” adalah terhadap Gemini 3.5 Flash-Lite miliknya sendiri. Dibanding Jev, Anda membayar sekitar 30% lebih mahal untuk kalibrasi yang lebih baik dan dukungan media.

Harga dan Ketersediaan Gemini Decision 1

Gemini Decision 1 berharga $0,10 per 1M token masukan pada tingkat berbayar, tanpa biaya keluaran karena menghasilkan nol token keluaran. Masukan teks, gambar, video, audio, dan PDF semuanya ditagih pada tarif yang sama.

• Tingkat gratis: tersedia di Google AI Studio untuk prototipe, 200 permintaan per menit dan 10.000 permintaan per hari. Data tingkat gratis digunakan untuk meningkatkan produk Google; data tingkat berbayar tidak.
• Tingkat berbayar: Tier 1 mengizinkan 1.500 permintaan per menit, naik hingga 15.000 pada Tier 3.
• Tidak didukung: caching konteks, Batch API, serta inferensi Flex atau Priority, sehingga masukan yang diulang di banyak permintaan akan ditagih penuh setiap kali.
• Status: tersedia sekarang di Gemini Developer API (v1beta).

Cache konteks yang hilang lebih penting daripada kelihatannya. Jika Anda memeriksa dokumen panjang yang sama dengan pertanyaan baru setiap beberapa detik, Anda membayar dokumen itu di setiap panggilan; sebaiknya gabungkan pertanyaan ke dalam satu permintaan.

Bagaimana Cara Mendapatkan Akses ke Gemini Decision 1?

ID model API adalah gemini-decision-1, dipanggil melalui client.decisions.create di SDK google-genai dengan versi API v1beta. Google AI Studio juga memiliki Decisions Playground untuk menguji pertanyaan sebelum Anda menulis kode.

Di OpenRouter, modelnya adalah google/gemini-decision-1, disajikan melalui endpoint System One yang digunakan untuk Jev, jadi bukan endpoint chat completions. Google mengatakan integrasi sedang diluncurkan di LangChain, Vercel, LiteLLM, Pydantic AI, Pipecat, LiveKit, dan OpenCode, dengan dukungan untuk Gemini di Google Cloud segera hadir. Model ini belum tercantum di dokumentasi model Vertex AI per 12 November 2026.

Berikut pemeriksaan klaim biaya minimum yang menanyakan dua pertanyaan tentang satu catatan:

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)Didukung oleh

Untuk contoh lengkap pipeline model keputusan, tutorial router tiket Jev kami membahas pola pertanyaan, ambang batas, dan fallback yang sama.

Pemikiran Akhir

Gemini Decision 1 menjadikan model keputusan sebagai kategori dengan tiga vendor, dan Google membawa satu hal yang tidak dimiliki TypeSafe dan OpenAI: model keputusan yang membaca gambar, audio, video, dan PDF secara native. Dengan kalibrasi terbaik di grafiknya sendiri, ini adalah pilihan yang lebih aman saat Anda bertindak berdasarkan skor keyakinan.

Namun bukan kemenangan telak. Jev 1.14 lebih murah pada evaluasi bersama Google dan lebih baik pada keputusan pemanggilan alat, sehingga router agen berbasis teks saja tidak punya alasan mendesak untuk beralih. Apa pun yang melibatkan media atau PDF adalah tempat saya akan mulai dengan Gemini Decision 1.

Jika Anda ingin membangun aplikasi di sekitar model seperti ini, saya sarankan melihat Developing AI Applications skill track kami.