Gemini Decision 1：機能、ベンチマーク、価格、アクセス方法

ディシジョンモデルは独立したカテゴリになりつつあります。TypeSafe の Jev はテキストではなく確率付きの型付き回答を返し、OpenAI は独自の Decisions API を提供、そして 2026 年 11 月 11 日、Google も Gemini Decisions API と、その背後にあるモデル Gemini Decision 1 で参入しました。

Gemini Decision 1 が答えるのはクローズドな質問のみで、オープンな質問には決して答えません。すなわち、yes/no 判定、複数選択、ルーブリックによるスコアリングで、1 リクエストあたり最大 1,000 件。テキスト・画像・音声・動画・PDF を単一のフォワードパスで読み取り、出力トークンは 0、料金は入力 100 万トークンあたり $0.10。Google はエンドツーエンド遅延 150–250 ms、較正誤差が比較対象中で最小（Jev を上回る）と報告しています。

本記事では、Gemini Decision 1 の概要、構築できるもの、Google のベンチマークでの成績、価格について解説します。ディシジョンモデルが初めての場合は、TypeSafe の Jev や OpenAI Decisions API のガイドも参照してください。

AI とデータ領域の最新動向を追うには、週刊ニュースレター The Median の購読をおすすめします。

要点

• Gemini Decision 1 は Google 初のディシジョンモデル。テキスト生成ではなく選択肢をスコアリングします。
• Jev に対する優位性はメディア対応：1 回の呼び出しで画像・音声・動画・PDF を評価できます。
• Google の図表で最良の較正精度を示しており、信頼度スコアに基づくしきい値設定に向いています。
• ツール呼び出しの決定では依然として Jev が優位で、Google 共有評価全体でも安価です。
• 用途はルーティング、ポリシーチェック、採点など。テキストを 1 語たりとも生成できません。

Gemini Decision 1 とは？

Gemini Decision 1（gemini-decision-1）は、共有入力に対して型付きの質問を評価し、出力トークン 0 のままキャリブレーション済み確率を返す特化型マルチモーダルモデルです。これは Google の新しい Decisions API 専用のモデルで、ジェネレーティブな Gemini を提供する Interactions API とは別のエンドポイントです。

通常の大規模言語モデル（LLM）との違いは、回答の出方にあります。生成モデルはトークンを 1 つずつ「生成」し、コード側でそれをパースします。Gemini Decision 1 は候補オプションを 1 パスでスコアリングし、各オプションの確率を返します。パースすべきテキストはなく、思考トークンの予算も出力課金もありません。

Google が前面に出す主張はキャリブレーションです。Gemini Decision 1 は比較対象中で期待較正誤差（ECE）が最小で、表示される信頼度が実際の正解率にどれだけ追随するかが優れています。コードが確率に基づいて動くなら、これは生の正確性以上に重要です。

Gemini Decision 1 の主な機能

Gemini Decision 1 は 1 つの仕事に特化しており、その 1 回の呼び出しにどれだけ詰め込めるかが機能面の焦点です。

1 回の呼び出しで 1 つの入力に対して最大 1,000 問を投げる

共有入力と質問のマップを送ると、質問ごとに 1 つの型付き回答が返ります。1 回のリクエストには 1〜1,000 問を含められ、上限は 262,144 トークンのコンテキストウィンドウです。各質問は入力に対して独立に評価され、相互参照はできません。

3 種類の質問でほとんどのクローズドな判断をカバーします。

• Yes/no（noul）：記述が成り立つ確率（0.01〜0.99）。
• Choice：2〜255 の選択肢から 1 つを選択。各選択肢に確率が付与。
• Score：2〜255 段階の順序ルーブリックに基づく評価。確率加重の期待レベルとして返却。

実務上の利点は課金とレイテンシです。共有入力の課金はリクエストごとに 1 回で、追加の各質問ではその指示文と基準トークンのみが増えます。Google によると 1 問から 100 問まで遅延はほぼフラットです。サポートメッセージを 40 個のポリシールールでチェックしても、1 個でチェックする場合と費用も時間も大差ありません。

画像・音声・動画・PDF を直接判定

Gemini Decision 1 はメディアをネイティブに読み込むため、スキャン済み PDF の請求が損害写真と一致するか、通話録音がどのキューに属するかを、転写や OCR を挟まずに判定できます。Google は音声転写や OCR の追加料金が発生しないこと、画像と動画については解像度を調整して視覚的ディテールとトークンコストのトレードオフが可能であることに言及しています。

これは Jev や GPT-6 Luna との差が最もはっきり出る点です。両者は Google の音声・動画ベンチマークにスコアがありません。Google 社内でもライブメディアに使われており、Google Labs の CC は 200 超の絵文字からリアクションを瞬時に選び、Stitch の rapid canvas は音声やタップの編集をほぼ即座に反映します。

ドキュメントからの 2 つの注意点。質問の指示はテキストのみ受け付け、API は YouTube の URL や gs:// の Cloud Storage 直接 URI を拒否します。メディアは Files API、HTTPS URL、またはバイト列のインラインで渡してください。

ルーティングに使える信頼度スコア

各回答には 0〜1 の信頼度スコアが付き、トップ回答が正しい推定確率を示します。意図された使い方は、しきい値を超えたら自動処理し、それ以外はフォールバックや人手審査へ回すことです。

Google はしきい値設定が利用者の責任であることを明確にしています。自分のトラフィックのラベル付き例から設定し、偽陽性と偽陰性のトレードオフを考慮してください。Google の評価で良好な較正は出発点であり、自分のデータでも同様に機能することの保証ではありません。

適切なモデルへリクエストを振り分け

主なユースケースは、生成モデルの前段に置くコントロールプレーンです。Gemini Notebook は Decisions API を使い、受信クエリを適切なモデル階層と推論レベルへ振り分け、複雑なものにだけディープリースニングモデルを使い、通常の問い合わせは最大 40% 低いレイテンシで処理します。

Google 検索は Model Context Protocol（MCP） のツールに対する安全レイヤーとして用い、レイテンシ予算内で敵対的行動を検知します。これは一般化でき、ラベルを得るためだけに生成モデルを呼び出している場面では、ディシジョンモデルに置き換えることで高速化し、パースも不要になります。

ベンチマークでの Gemini Decision 1 の性能

Google の報告する 9 個の精度ベンチマークのうち 7 個で Gemini Decision 1 が首位、較正誤差も最小です。一方で、Jev 1.14 はツール・アクション系の 2 ベンチマークで勝利し、総コストも安価です。比較には Jev 1.14、OpenAI の Decisions API 上の GPT-6 Luna、Interactions API（最小の思考）上の Gemini 3.5 Flash-Lite が含まれます。スコアは Google による報告で、各行の最良値は太字です。

ルーティング、ランキング、リースニング

最大のリードは New Yorker Caption（テキストのみ）で、Gemini Decision 1 は 79.7%、Jev 1.14 は 72.0%、GPT-6 Luna は 68.4% です。

Jev に対するリードの多くは 1〜2 ポイントで、誤差と紙一重です。エージェントのルーターを作るなら When2Call に注目すべきで、Jev の 2 ポイント優位は、まさにルーターが最も頻繁に行う判断で効いてきます。

音声と動画

Gemini Decision 1 は Video-MME（字幕なし）で 69.1%、Gemini 3.5 Flash-Lite は 63.3% です。Jev と GPT-6 Luna はいずれのメディア系ベンチマークにもスコアがありません。

したがって、音声・動画では比較対象が Google 自身の生成モデルのみになります。出力トークンの課金なしで Flash-Lite を 4〜6 ポイントほど上回るのは、メディア判断の用途として依然強い材料です。

較正とコスト

7 つの共有評価における Gemini Decision 1 の Top-1 ECE は 0.0250 で、Jev 1.14 の 0.0494、GPT-6 Luna の 0.0721 を上回る最良値です。

価格面では様相が逆転します。同じ 7 つの評価では、Jev が最安です。

Google の「ほぼ 5 倍安い」という主張は自社の Gemini 3.5 Flash-Lite と比較したものです。Jev と比べると、より良い較正とメディア対応の代わりに、約 30% 高くなります。

Gemini Decision 1 の価格と提供状況

Gemini Decision 1 は有料ティアで入力 100 万トークンあたり $0.10、出力トークンは 0 のため出力課金はありません。テキスト・画像・動画・音声・PDF の入力はいずれも同一レートです。

• 無料ティア： 試作用途として Google AI Studio で利用可能。毎分 200 リクエスト、1 日 10,000 リクエスト。無料ティアのデータは Google 製品の改善に使用されます。有料ティアのデータは使用されません。
• 有料ティア： ティア 1 は毎分 1,500 リクエスト、ティア 3 で 15,000 まで上昇。
• 非対応： コンテキストキャッシュ、Batch API、Flex/Priority 推論。よって、リクエスト間で同じ入力を繰り返しても毎回全額課金されます。
• ステータス： Gemini Developer API（v1beta）で提供中。

見落としがちな点ですが、コンテキストキャッシュの欠如は影響大です。同じ長文ドキュメントに数秒おきに新しい質問を投げると、そのドキュメント分を毎回支払うことになります。質問は 1 回のリクエストにバッチ化してください。

Gemini Decision 1 へのアクセス方法

API のモデル ID は gemini-decision-1。google-genai SDK の v1beta を用い、client.decisions.create で呼び出します。Google AI Studio にはコードを書く前に質問を試せる Decisions Playground もあります。

OpenRouter ではモデルは google/gemini-decision-1 で、Jev と同じ System One エンドポイント経由（チャット補完エンドポイントではありません）。統合は LangChain、Vercel、LiteLLM、Pydantic AI、Pipecat、LiveKit、OpenCode で順次展開予定で、Google Cloud の Gemini サポートも近日対応としています。2026 年 11 月 12 日時点で Vertex AI のモデルドキュメントには未掲載です。

以下は 1 つのメモに対して 2 問を投げる簡単な経費精算チェックの例です。

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)提供：

ディシジョンモデルのパイプライン全体の実例については、Jev チケットルーターのチュートリアルで、質問・しきい値・フォールバックの同じパターンを扱っています。

まとめ

Gemini Decision 1 により、ディシジョンモデルは 3 ベンダーのカテゴリになりました。Google は TypeSafe と OpenAI にない強み、すなわち画像・音声・動画・PDF をネイティブに読むディシジョンモデルを持ち込みました。自社の図表で最良の較正を示すため、信頼度スコアに基づき自動化する場合にはより安全な選択です。

ただし完勝ではありません。Google の共有評価では Jev 1.14 の方が安価で、ツール呼び出しの決定にも強みがあります。テキストのみのエージェントルーターなら、急いで乗り換える理由は薄いでしょう。メディアや PDF が絡む用途こそ、Gemini Decision 1 を試す出発点だと考えます。

この種のモデルでアプリケーション構築に取り組むなら、Developing AI Applications スキルトラックの受講をおすすめします。