Gemini Decision 1: 기능, 벤치마크, 가격, 액세스

의사결정 모델이 자체 카테고리로 자리 잡고 있습니다. TypeSafe의 Jev는 텍스트 대신 확률이 포함된 정형 답을 반환하고, OpenAI도 Decisions API를 내놨습니다. 2026년 11월 11일, Google이 Gemini Decisions API와 그 기반 모델인 Gemini Decision 1로 합류했습니다.

Gemini Decision 1은 열린 질문이 아닌 닫힌 질문에만 답합니다. 예/아니오 확인, 객관식, 루브릭 점수이며, 한 번의 요청에서 최대 1,000개까지 가능합니다. 텍스트, 이미지, 오디오, 비디오, PDF를 한 번의 전방 패스에서 읽고, 출력 토큰 과금은 0이며, 입력 100만 토큰당 $0.10입니다. Google은 종단 지연을 150–250ms로 보고하며, 비교군 중 최저 보정 오차로 Jev보다 앞선다고 합니다.

이 글에서는 Gemini Decision 1이 무엇인지, 무엇을 만들 수 있는지, Google의 벤치마크에서 어떤 성능을 보였는지, 그리고 비용은 얼마인지 다룹니다. 의사결정 모델이 처음이라면 TypeSafe의 Jev와 OpenAI Decisions API 가이드를 참고하세요.

AI와 데이터 업계를 따라가려면 주간 뉴스레터 The Median 구독을 추천합니다.

요약

• Gemini Decision 1은 Google의 첫 의사결정 모델로, 텍스트를 작성하는 대신 옵션에 점수를 매깁니다.
• Jev 대비 강점은 미디어 처리입니다. 한 번의 호출로 이미지, 오디오, 비디오, PDF를 평가할 수 있습니다.
• Google의 차트에서 보정력이 가장 좋아 신뢰도 점수를 임계값으로 사용하기 적합합니다.
• 도구 호출 관련 결정에서는 여전히 Jev가 앞서며, Google의 공용 평가 전반에서 비용도 더 저렴합니다.
• 라우팅, 정책 점검, 채점에 적합하며, 단 한 단어도 생성하지 않습니다.

Gemini Decision 1이란?

Gemini Decision 1(gemini-decision-1)은 공통 입력에 대해 정형화된 질문을 평가하고, 출력 토큰 없이 보정된 확률을 반환하는 특화 멀티모달 모델입니다. 이는 Google의 새로운 Decisions API 뒤에 있는 유일한 모델로, 생성형 Gemini 모델을 제공하는 Interactions API와는 별도 엔드포인트입니다.

일반 대규모 언어 모델(LLM)과의 차이는 답이 나오는 방식에 있습니다. 생성형 모델은 토큰 단위로 "청구"하면서 텍스트를 써 내려가고, 코드는 이를 파싱합니다. 반면 Gemini Decision 1은 후보 옵션을 한 번에 채점해 각 옵션의 확률을 반환합니다. 파싱할 텍스트도, 사고 예산도, 출력 과금도 없습니다.

Google이 내세우는 핵심은 보정력입니다. 비교군 중 Gemini Decision 1의 기대 보정 오차(ECE)가 가장 낮아, 모델이 제시하는 신뢰도가 실제 정답률을 잘 따라갑니다. 코드를 확률에 기반해 작동시킬 때는 절대 정확도보다 이 부분이 더 중요합니다.

Gemini Decision 1 주요 기능

Gemini Decision 1은 한 가지 일에 특화되어 있으며, 그 일을 한 번의 호출에 얼마나 많이 담을 수 있는지가 기능의 초점입니다.

한 번의 호출로 하나의 입력에 최대 1,000개의 질문

하나의 공통 입력과 질문 맵을 보내면 질문마다 하나의 정형 답을 받습니다. 단일 요청에는 1~1,000개의 질문을 담을 수 있으며, 262,144토큰 컨텍스트 윈도우에 의해 제한됩니다. 각 질문은 서로를 볼 수 없고, 입력에 대해 독립적으로 실행됩니다.

세 가지 질문 유형이 대부분의 닫힌 결정을 포괄합니다.

• 예/아니오(noul): 진술이 성립할 확률로, 0.01에서 0.99 사이.
• 선택형(choice): 2~255개 옵션 중 하나를 선택하며, 각 옵션의 확률을 반환.
• 점수(score): 2~255단계의 순서 있는 루브릭에 따른 평가를 확률 가중 기대 수준으로 반환.

실용적 이점은 과금과 지연 시간입니다. 공통 입력은 요청당 한 번만 과금되고, 추가 질문은 해당 질문의 지시문과 기준 토큰만 추가됩니다. Google에 따르면 질문 수가 1개에서 100개로 늘어도 지연은 거의 평탄합니다. 지원 메시지를 40개 정책 규칙에 비춰 점검해도 1개 규칙과 큰 차이 없는 비용과 시간으로 처리됩니다.

이미지, 오디오, 비디오, PDF를 직접 판정

Gemini Decision 1은 미디어를 네이티브로 읽습니다. 따라서 스캔된 PDF 청구서가 손상 사진과 일치하는지, 통화 녹음이 어떤 큐에 들어가야 하는지를 먼저 전사나 OCR 없이 묻을 수 있습니다. Google은 별도의 오디오 전사나 OCR 비용이 없으며, 이미지와 비디오 입력의 해상도를 조절해 시각적 디테일과 토큰 비용을 트레이드오프할 수 있다고 밝힙니다.

이는 Jev와 GPT-6 Luna와의 가장 뚜렷한 차별점입니다. 두 모델 모두 Google의 오디오·비디오 벤치마크 점수가 없습니다. Google 내부 팀은 실시간 미디어에도 이를 사용합니다. Google Labs의 CC는 200개가 넘는 옵션에서 이모지 반응을 순식간에 고르고, Stitch의 rapid canvas는 음성 및 탭 편집을 거의 즉시 적용합니다.

문서의 두 가지 유의점도 있습니다. 질문 지시문은 텍스트만 허용되고, API는 YouTube URL과 직접적인 gs:// Cloud Storage URI를 거부하므로, 미디어는 Files API, HTTPS URL 또는 인라인 바이트로 넣어야 합니다.

라우팅에 쓸 수 있는 신뢰도 점수

모든 답에는 0에서 1 사이의 신뢰도 점수가 포함됩니다. 이는 최상위 답이 맞을 추정 확률입니다. 의도된 패턴은 임계값 이상이면 자동으로 조치하고, 그 외는 폴백 또는 사람이 검토하도록 보내는 것입니다.

임계값 설정은 사용자의 몫이라는 점을 Google은 분명히 합니다. 자체 트래픽의 라벨링된 예시를 바탕으로 거짓 양성/거짓 음성의 비용을 저울질해 정하세요. Google의 평가에서 좋은 보정력은 출발점일 뿐, 귀사의 데이터에서도 그대로 유지된다는 보장은 아닙니다.

요청을 올바른 모델로 라우팅

가장 전형적인 활용은 생성형 모델 앞의 제어 평면입니다. Gemini Notebook은 Decisions API를 사용해 각 쿼리를 올바른 모델 등급과 사고 수준으로 보냅니다. 일상적 쿼리는 지연 시간을 최대 40% 단축하면서, 복잡한 쿼리에는 심층 추론 모델을 아낍니다.

Google Search는 Model Context Protocol (MCP) 도구의 안전 레이어로 사용하여, 예산 내 지연으로 적대적 행동을 탐지합니다. 이 패턴은 일반화됩니다. 현재 라벨만 받기 위해 생성형 모델을 호출하는 곳이라면, 의사결정 모델이 더 빠르고 파싱 없이 같은 일을 해냅니다.

Gemini Decision 1의 벤치마크 성능은?

Gemini Decision 1은 Google이 보고한 정확도 벤치마크 9개 중 7개에서 선두이며, 보정 오차도 가장 낮습니다. 반면 Jev 1.14는 도구·액션 관련 2개 벤치마크에서 앞서고, 전체적으로 더 저렴합니다. 비교에는 TypeSafe Jev 1.14, OpenAI Decisions API의 GPT-6 Luna, 그리고 최소 사고 수준의 Interactions API 모드인 Gemini 3.5 Flash-Lite가 포함됩니다. 점수는 Google 발표치이며, 행별 최고는 굵게 처리되어 있습니다.

라우팅, 랭킹, 추론

가장 큰 격차는 New Yorker Caption(텍스트 전용)에서로, Gemini Decision 1이 79.7%를 기록해 Jev 1.14의 72.0%, GPT-6 Luna의 68.4%를 앞섭니다.

Jev 대비 우위는 대부분 1–2포인트로, 잡음에 가까운 차이입니다. 에이전트 라우터를 만든다면 When2Call이 관건입니다. Jev가 여기서 2포인트 앞서는데, 라우터가 가장 자주 내리는 바로 그 결정을 더 잘합니다.

오디오와 비디오

자막 없는 Video-MME에서 Gemini Decision 1은 69.1%로, Gemini 3.5 Flash-Lite의 63.3%를 앞섭니다. Jev와 GPT-6 Luna는 두 미디어 벤치마크 모두 점수가 없습니다.

따라서 오디오와 비디오에서는 Google의 자체 생성형 모델과의 비교만 가능합니다. 출력 토큰 과금 없이 Flash-Lite보다 약 4–6포인트 앞선다는 점만으로도 미디어 의사결정에는 충분한 설득력이 있습니다.

보정력과 비용

Gemini Decision 1의 7개 공용 평가 대비 Top-1 ECE는 0.0250으로, Jev 1.14의 0.0494와 GPT-6 Luna의 0.0721보다 낮아 차트 최상입니다.

가격에서는 판도가 바뀝니다. 같은 7개 평가 전반에서 Jev가 가장 저렴합니다.

Google의 “거의 5배 저렴”하다는 주장은 자사 Gemini 3.5 Flash-Lite와의 비교입니다. Jev와 비교하면, 더 나은 보정력과 미디어 지원을 위해 약 30% 더 지불하는 셈입니다.

Gemini Decision 1 가격과 제공 현황

Gemini Decision 1은 유료 티어에서 입력 100만 토큰당 $0.10이며, 출력 토큰을 생성하지 않으므로 출력 과금이 없습니다. 텍스트, 이미지, 비디오, 오디오, PDF 입력 모두 동일한 요율이 적용됩니다.

• 무료 티어: Google AI Studio에서 프로토타이핑용으로 제공되며, 분당 200건, 일일 10,000건까지 가능합니다. 무료 티어 데이터는 Google 제품 개선에 사용되며, 유료 티어 데이터는 사용되지 않습니다.
• 유료 티어: 티어 1은 분당 1,500건까지, 티어 3에서는 15,000건까지 허용합니다.
• 미지원: 컨텍스트 캐시, Batch API, Flex 또는 Priority 추론은 미지원이므로, 요청 간 입력이 반복되면 매번 전체 과금됩니다.
• 상태: Gemini Developer API(v1beta)에서 현재 사용 가능합니다.

빠진 컨텍스트 캐시는 보기보다 중요합니다. 같은 장문 문서를 몇 초마다 새로운 질문으로 점검하면 매 호출마다 그 문서 비용을 지불해야 합니다. 대신 질문을 모아 한 번의 요청으로 배치하세요.

Gemini Decision 1에 어떻게 액세스하나요?

API 모델 ID는 gemini-decision-1이며, google-genai SDK에서 v1beta API 버전으로 client.decisions.create를 통해 호출합니다. Google AI Studio에는 코드를 작성하기 전 질문을 테스트할 수 있는 Decisions Playground도 있습니다.

OpenRouter에서는 모델이 google/gemini-decision-1으로, Jev에 쓰이는 System One 엔드포인트로 제공됩니다(채팅 컴플리션 엔드포인트 아님). Google은 LangChain, Vercel, LiteLLM, Pydantic AI, Pipecat, LiveKit, OpenCode 전반으로 통합이 순차 제공 중이며, Google Cloud의 Gemini 지원도 곧 제공된다고 합니다. 2026년 11월 12일 기준 Vertex AI 모델 문서에는 등재되어 있지 않습니다.

다음은 하나의 노트에 대해 두 가지 질문을 하는 최소한의 경비 청구 점검 예시입니다.

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)제공

의사결정 모델 파이프라인의 완전한 예시는 Jev 티켓 라우터 튜토리얼에서 같은 질문·임계값·폴백 패턴으로 다룹니다.

마무리

Gemini Decision 1로 의사결정 모델은 세 벤더의 카테고리가 되었고, Google은 TypeSafe와 OpenAI에 없던 것을 가져왔습니다. 이미지를 비롯해 오디오, 비디오, PDF를 네이티브로 읽는 의사결정 모델입니다. 자체 차트에서 최고의 보정력을 보여, 신뢰도 점수에 근거해 조치할 때 더 안전한 선택입니다.

완승은 아닙니다. Jev 1.14는 Google의 공용 평가 전반에서 더 저렴하고, 도구 호출 결정에서도 더 낫습니다. 텍스트 전용 에이전트 라우터라면 당장 바꿀 이유는 없습니다. 미디어나 PDF가 얽히는 작업이라면 Gemini Decision 1부터 시작하겠습니다.

이런 모델을 중심으로 애플리케이션을 만들고 싶다면 Developing AI Applications 스킬 트랙을 확인해 보세요.