Gemini Decision 1: funzionalità, benchmark, prezzi e accesso

I modelli decisionali stanno diventando una categoria a sé. Jev di TypeSafe restituisce risposte tipizzate con probabilità invece che testo, OpenAI ha una propria Decisions API e, l’11 novembre 2026, anche Google si è aggiunta con la Gemini Decisions API e il modello alla base, Gemini Decision 1.

Gemini Decision 1 risponde a domande chiuse, mai aperte: controlli sì/no, scelte multiple e punteggi su rubriche, fino a 1.000 per richiesta. Legge testo, immagini, audio, video e PDF in un’unica forward pass, non addebita token di output e costa $0,10 per 1M token di input. Google riporta una latenza end-to-end di 150–250 ms e il minor errore di calibrazione nel suo confronto, davanti a Jev.

In questo articolo vedremo cos’è Gemini Decision 1, cosa puoi costruirci, come si comporta sui benchmark di Google e quanto costa. Se i modelli decisionali sono una novità per te, consulta le nostre guide a Jev di TypeSafe e alla OpenAI Decisions API.

Per restare aggiornato su AI e data, ti consiglio di iscriverti alla nostra newsletter settimanale, The Median.

TL;DR

• Gemini Decision 1 è il primo modello decisionale di Google: assegna punteggi alle opzioni invece di scrivere testo.
• Il suo vantaggio su Jev è nei media: una singola chiamata può valutare immagini, audio, video e PDF.
• Ha la migliore calibrazione nel grafico di Google, quindi i suoi punteggi di confidenza sono quelli su cui impostare le soglie.
• Jev resta migliore per decisioni con tool-call ed è più economico nei test condivisi da Google.
• Usalo per routing, controlli di policy e valutazione; non può generare nemmeno una parola.

Che cos’è Gemini Decision 1?

Gemini Decision 1 (gemini-decision-1) è un modello multimodale specializzato che valuta domande tipizzate su un input condiviso e restituisce probabilità calibrate con zero token di output. È l’unico modello dietro la nuova Decisions API di Google, un endpoint separato dalla Interactions API che serve i modelli generativi di Gemini.

La differenza rispetto a un normale large language model (LLM) sta in come esce la risposta. Un modello generativo “scrive” la risposta token per token, che poi il tuo codice deve fare parsing; Gemini Decision 1 assegna un punteggio a ogni opzione candidata in un unico passaggio e restituisce una probabilità per ciascuna. Non c’è testo da analizzare, nessun budget di “ragionamento” e nessun costo di output.

La tesi con cui Google apre è la calibrazione: Gemini Decision 1 ha il più basso expected calibration error (ECE) nel suo confronto, il che significa che la sua confidenza dichiarata corrisponde a quanto spesso ha effettivamente ragione. Questo conta più dell’accuratezza grezza quando il tuo codice agisce su una probabilità.

Funzionalità chiave di Gemini Decision 1

Gemini Decision 1 fa un solo lavoro, quindi le sue funzionalità riguardano quanto di quel lavoro entra in una chiamata.

Poni fino a 1.000 domande su un unico input in una chiamata

Invii un input condiviso e una mappa di domande, e ottieni una risposta tipizzata per domanda. Una singola richiesta può contenere da 1 a 1.000 domande, entro il limite della finestra di contesto di 262.144 token, e ogni domanda gira sull’input in isolamento, quindi le domande non si vedono tra loro.

Tre tipi di domanda coprono la maggior parte delle decisioni chiuse:

• Sì/no (noul): la probabilità che un’affermazione valga, da 0,01 a 0,99.
• Scelta: un’opzione da 2 a 255, con una probabilità per ogni opzione.
• Punteggio: una valutazione su una rubrica ordinata da 2 a 255 livelli, restituita come livello atteso pesato per probabilità.

Il vantaggio pratico è in fatturazione e latenza. L’input condiviso è addebitato una sola volta per richiesta, ogni domanda aggiuntiva aggiunge solo i propri token di istruzioni e criteri, e Google afferma che la latenza resta quasi piatta da 1 a 100 domande. Verificare un messaggio di supporto contro 40 regole di policy costa poco più che contro una sola e richiede circa lo stesso tempo.

Valuta direttamente immagini, audio, video e PDF

Gemini Decision 1 legge i media in modo nativo, quindi puoi chiedere se un rimborso su PDF scannerizzato corrisponde alle sue foto dei danni, o in quale coda far finire una registrazione di chiamata, senza una trascrizione o OCR preliminari. Google segnala che non ci sono costi separati per trascrizione audio o OCR e puoi regolare la risoluzione su immagini e video per bilanciare dettaglio visivo e costo in token.

Questo è il divario più netto rispetto a Jev e GPT-6 Luna, che non hanno punteggi sui benchmark audio e video di Google. I team di Google lo usano su media live: CC di Google Labs sceglie un’emoji tra oltre 200 opzioni in una frazione di secondo e la rapid canvas di Stitch applica modifiche con voce e tap quasi istantaneamente.

Due avvertenze dalla documentazione. Le istruzioni delle domande accettano solo testo e l’API rifiuta gli URL di YouTube e gli URI diretti gs:// di Cloud Storage, quindi i media passano tramite la Files API, un URL HTTPS o byte inline.

Ottieni un punteggio di confidenza su cui fare routing

Ogni risposta porta un punteggio di confidenza da 0 a 1, la probabilità stimata che la risposta migliore sia corretta. Il pattern previsto è agire automaticamente sopra una soglia e mandare il resto a un fallback o a una revisione umana.

Google è chiara che la soglia è a tuo carico: impostala su esempi etichettati del tuo traffico e pesa falsi positivi contro falsi negativi. Una buona calibrazione sui test di Google è un punto di partenza, non la prova che valga sui tuoi dati.

Instrada le richieste al modello giusto

Il caso d’uso principale è come piano di controllo davanti ai modelli generativi. Gemini Notebook usa la Decisions API per inviare ogni query in arrivo al livello di modello e di ragionamento appropriato, servendo le richieste quotidiane con fino al 40% di latenza in meno e riservando i modelli di deep reasoning a quelle complesse.

Google Search lo usa come livello di sicurezza per gli strumenti del Model Context Protocol (MCP), rilevando comportamenti avversari entro il suo budget di latenza. Il pattern si generalizza: ovunque oggi chiami un modello generativo solo per ottenere un’etichetta, un modello decisionale svolge lo stesso lavoro più velocemente e senza parsing.

Come si comporta Gemini Decision 1 sui benchmark?

Gemini Decision 1 guida 7 dei 9 benchmark di accuratezza riportati da Google e ha il minor errore di calibrazione, ma Jev 1.14 vince i due benchmark su tool e azioni ed è complessivamente più economico. Il confronto copre Jev 1.14, GPT-6 Luna sulla Decisions API di OpenAI e Gemini 3.5 Flash-Lite sulla Interactions API al minimo di “ragionamento”. I punteggi sono riportati da Google e il migliore per riga è in grassetto.

Instradamento, ranking e ragionamento

Il margine più ampio è su New Yorker Caption (solo testo), dove Gemini Decision 1 segna il 79,7% contro il 72,0% di Jev 1.14 e il 68,4% di GPT-6 Luna.

La maggior parte dei vantaggi su Jev è di 1–2 punti, quindi vicino al rumore. When2Call è quello da guardare se stai costruendo router per agenti: il vantaggio di 2 punti di Jev ricade esattamente sulla decisione che quei router prendono più spesso.

Audio e video

Gemini Decision 1 ottiene il 69,1% su Video-MME senza sottotitoli, contro il 63,3% di Gemini 3.5 Flash-Lite. Jev e GPT-6 Luna non hanno punteggi su nessuno dei due benchmark media.

Quindi, su audio e video, l’unico confronto è contro il modello generativo di Google. Superare Flash-Lite di circa 4–6 punti senza addebitare token di output resta comunque un forte argomento per le decisioni su media.

Calibrazione e costo

La Top-1 ECE di Gemini Decision 1 di 0,0250 sui 7 test condivisi è la migliore nel grafico, davanti a Jev 1.14 a 0,0494 e GPT-6 Luna a 0,0721.

Il prezzo è dove il quadro si ribalta. Sugli stessi 7 test, Jev è il modello più economico nel grafico.

La dichiarazione di Google di “quasi 5x più economico” è contro il suo Gemini 3.5 Flash-Lite. Contro Jev, paghi circa il 30% in più per una migliore calibrazione e il supporto ai media.

Prezzi e disponibilità di Gemini Decision 1

Gemini Decision 1 costa $0,10 per 1M token di input sul tier a pagamento, senza addebiti di output perché genera zero token di output. Input di testo, immagini, video, audio e PDF sono tutti fatturati alla stessa tariffa.

• Tier gratuito: disponibile in Google AI Studio per prototipazione, a 200 richieste al minuto e 10.000 al giorno. I dati del tier gratuito sono usati per migliorare i prodotti Google; quelli del tier a pagamento no.
• Tier a pagamento: il Tier 1 consente 1.500 richieste al minuto, fino a 15.000 al Tier 3.
• Non supportati: context caching, Batch API e inferenza Flex o Priority, quindi input ripetuti tra richieste sono fatturati per intero ogni volta.
• Stato: disponibile ora sulla Gemini Developer API (v1beta).

La cache di contesto mancante conta più di quanto sembri. Se controlli lo stesso documento lungo con una nuova domanda ogni pochi secondi, paghi quel documento a ogni chiamata; raggruppa invece le domande in un’unica richiesta.

Come ottenere accesso a Gemini Decision 1?

L’ID modello dell’API è gemini-decision-1, chiamato tramite client.decisions.create nell’SDK google-genai con la versione API v1beta. Google AI Studio ha anche un Decisions Playground per testare le domande prima di scrivere codice.

Su OpenRouter, il modello è google/gemini-decision-1, servito tramite l’endpoint System One usato per Jev, quindi non l’endpoint di chat completions. Google afferma che sono in rollout integrazioni per LangChain, Vercel, LiteLLM, Pydantic AI, Pipecat, LiveKit e OpenCode, con supporto per Gemini su Google Cloud in arrivo. Al 12 novembre 2026 non è elencato nella documentazione dei modelli Vertex AI.

Ecco un controllo spese minimo che pone due domande su una nota:

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)Offerto da

Per un esempio completo di pipeline basata su modello decisionale, il nostro tutorial sul router di ticket con Jev copre lo stesso schema di domande, soglie e fallback.

Considerazioni finali

Gemini Decision 1 rende i modelli decisionali una categoria a tre fornitori, e Google ha portato l’unica cosa che TypeSafe e OpenAI non avevano: un modello decisionale che legge nativamente immagini, audio, video e PDF. Con la migliore calibrazione nel suo grafico, è la scelta più sicura quando agisci su punteggi di confidenza.

Non è una vittoria netta. Jev 1.14 è più economico sui test condivisi di Google e migliore nelle decisioni con tool-call, quindi un router di agenti solo testo non ha motivo urgente di cambiare. Tutto ciò che coinvolge media o PDF è dove inizierei con Gemini Decision 1.

Se vuoi costruire applicazioni attorno a modelli di questo tipo, ti consiglio di dare un’occhiata al nostro percorso di competenze Developing AI Applications.