Gemini Decision 1: features, benchmarks, prijzen en toegang

Beslissingsmodellen worden een eigen categorie. TypeSafe’s Jev geeft getypeerde antwoorden met waarschijnlijkheden in plaats van tekst, OpenAI heeft een eigen Decisions API, en op 11 november 2026 deed Google mee met de Gemini Decisions API en het model erachter: Gemini Decision 1.

Gemini Decision 1 beantwoordt gesloten vragen, nooit open: ja/nee-checks, multiplechoice en rubricascores, tot 1.000 per request. Het leest tekst, afbeeldingen, audio, video en pdf’s in één forward pass, rekent geen outputtokens, en kost $0,10 per 1M inputtokens. Google rapporteert 150–250 ms end-to-end-latentie en de laagste kalibratiefout in zijn vergelijking, vóór Jev.

In dit artikel behandel ik wat Gemini Decision 1 is, wat je ermee kunt bouwen, hoe het scoort op Google’s benchmarks en wat het kost. Als beslissingsmodellen nieuw voor je zijn, bekijk dan onze gidsen voor TypeSafe’s Jev en de OpenAI Decisions API.

Wil je op de hoogte blijven van AI en data, abonneer je dan op onze wekelijkse nieuwsbrief, The Median.

TL;DR

• Gemini Decision 1 is Google’s eerste beslissingsmodel: het beoordeelt opties in plaats van tekst te schrijven.
• Het voordeel ten opzichte van Jev is media: één call kan afbeeldingen, audio, video en pdf’s beoordelen.
• Het heeft de beste kalibratie in Google’s grafiek, dus hierop kun je betrouwbaar drempelwaardes zetten.
• Jev wint nog steeds bij tool-calls en is goedkoper over Google’s gedeelde evaluaties.
• Gebruik het voor routing, beleidschecks en beoordeling; het kan geen enkel woord genereren.

Wat is Gemini Decision 1?

Gemini Decision 1 (gemini-decision-1) is een gespecialiseerd multimodaal model dat getypeerde vragen beoordeelt tegen één gedeelde input en gekalibreerde waarschijnlijkheden teruggeeft met nul outputtokens. Het is het enige model achter Google’s nieuwe Decisions API, een aparte endpoint van de Interactions API die Gemini’s generatieve modellen bedient.

Het verschil met een regulier large language model (LLM) zit in hoe het antwoord wordt gegeven. Een generatief model schrijft “op de meter” token voor token en jouw code parseert het; Gemini Decision 1 scoort elke kandidaatsoptie in één pass en geeft een waarschijnlijkheid voor elke optie terug. Er is geen tekst om te parsen, geen denkbudget en geen outputrekening.

De claim waarmee Google opent is kalibratie: Gemini Decision 1 heeft de laagste expected calibration error (ECE) in de vergelijking, wat betekent dat de opgegeven zekerheid overeenkomt met hoe vaak het daadwerkelijk gelijk heeft. Dat weegt zwaarder dan rauwe nauwkeurigheid wanneer je code op een waarschijnlijkheid acteert.

Belangrijkste kenmerken van Gemini Decision 1

Gemini Decision 1 doet één taak, dus de features gaan over hoeveel daarvan in één call past.

Stel tot 1.000 vragen over één input in één call

Je stuurt één gedeelde input en een map met vragen, en je krijgt één getypeerd antwoord per vraag. Een enkele request kan 1 tot 1.000 vragen bevatten, begrensd door het contextvenster van 262.144 tokens, en elke vraag draait geïsoleerd tegen de input, zodat vragen elkaar niet kunnen zien.

Drie vraagtypen dekken de meeste gesloten beslissingen:

• Ja/nee (noul): de waarschijnlijkheid dat een bewering klopt, van 0,01 tot 0,99.
• Keuze: één optie uit 2 tot 255, met een waarschijnlijkheid voor elke optie.
• Score: een beoordeling op een geordende rubrica met 2 tot 255 niveaus, teruggegeven als een naar waarschijnlijkheid gewogen verwacht niveau.

De praktische winst zit in kosten en latentie. De gedeelde input wordt één keer per request gefactureerd, elke extra vraag voegt alleen zijn eigen instructie- en criteriatokens toe, en Google zegt dat de latentie vrijwel vlak blijft van 1 tot 100 vragen. Een supportbericht langs 40 beleidsregels leggen kost nauwelijks meer dan langs één regel, en duurt ongeveer even lang.

Beoordeel afbeeldingen, audio, video en pdf’s direct

Gemini Decision 1 leest media native, dus je kunt vragen of een gescande pdf-claim overeenkomt met de schadefoto’s, of in welke wachtrij een gespreksopname hoort, zonder eerst te transcriberen of optical character recognition (OCR) toe te passen. Google merkt op dat er geen aparte kosten zijn voor audiotranscriptie of OCR, en je kunt de resolutie van beeld- en videoinput afstemmen om visueel detail tegen tokencost af te wegen.

Dit is het duidelijkste gat met Jev en GPT-6 Luna, die geen score hebben op Google’s audio- en videobenchmarks. Google’s eigen teams gebruiken het op live media: CC van Google Labs kiest een emojireactie uit meer dan 200 opties in een fractie van een seconde, en Stitch’s rapid canvas past spraak- en tiktbewerkingen bijna direct toe.

Twee kanttekeningen uit de docs. Vraaginstructies accepteren alleen tekst, en de API weigert YouTube-URL’s en directe gs://-Cloud Storage-URI’s, dus media gaan via de Files API, een HTTPS-URL of inline bytes.

Krijg een zekerheids­score waarop je kunt routeren

Elk antwoord draagt een zekerheids­score van 0 tot 1, de geschatte kans dat het topantwoord klopt. Het bedoelde patroon is: automatisch handelen boven een drempel en de rest naar een fallback of menselijke reviewer sturen.

Google is duidelijk dat de drempel jouw taak is: stel hem af op gelabelde voorbeelden uit je eigen verkeer en weeg false positives af tegen false negatives. Goede kalibratie op Google’s evals is een startpunt, geen bewijs dat het op jouw data ook zo is.

Routeer requests naar het juiste model

De kopusecase is als controlplane vóór generatieve modellen. Gemini Notebook gebruikt de Decisions API om elke binnenkomende query naar de juiste modeltier en denkniveau te sturen, waardoor alledaagse queries tot 40% lagere latentie hebben en deep reasoning-modellen voor complexe gevallen worden bewaard.

Google Search gebruikt het als veiligheidslaag voor Model Context Protocol (MCP)-tools, waarbij het adversarial gedrag detecteert binnen het latentiebudget. Het patroon is generiek: overal waar je nu een generatief model aanroept om alleen een label terug te krijgen, doet een beslissingsmodel hetzelfde sneller en zonder parsing.

Hoe presteert Gemini Decision 1 op de benchmarks?

Gemini Decision 1 leidt 7 van de 9 nauwkeurigheidsbenchmarks die Google rapporteert en heeft de laagste kalibratiefout, maar Jev 1.14 wint de twee tool-en-actiebenchmarks en is overall goedkoper. De vergelijking omvat Jev 1.14, GPT-6 Luna op OpenAI’s Decisions API, en Gemini 3.5 Flash-Lite op de Interactions API met minimale “thinking”. Scores zijn door Google gerapporteerd, en de beste per rij staat in vet.

Routing, ranking en redeneren

De grootste voorsprong staat op New Yorker Caption (alleen tekst), waar Gemini Decision 1 79,7% scoort tegen 72,0% voor Jev 1.14 en 68,4% voor GPT-6 Luna.

De meeste voorsprongen op Jev zijn 1–2 punten, wat dicht bij ruis zit. When2Call is de benchmark om op te letten als je agentrouters bouwt: Jev’s voorsprong van 2 punten valt precies op de beslissing die die routers het vaakst nemen.

Audio en video

Gemini Decision 1 scoort 69,1% op Video-MME zonder ondertitels, tegen 63,3% voor Gemini 3.5 Flash-Lite. Jev en GPT-6 Luna hebben geen score op beide mediabenchmarks.

Dus bij audio en video is de enige vergelijking tegen Google’s eigen generatieve model. Flash-Lite met zo’n 4–6 punten kloppen terwijl er geen outputtokens worden gerekend, blijft een sterk argument voor mediabeslissingen.

Kalibratie en kosten

Gemini Decision 1’s Top-1 ECE van 0,0250 over de 7 gedeelde evals is de beste in de grafiek, vóór Jev 1.14 met 0,0494 en GPT-6 Luna met 0,0721.

Bij prijs keert het beeld om. Over dezelfde 7 evals is Jev het goedkoopste model in de grafiek.

Google’s “bijna 5x goedkoper”-claim is ten opzichte van zijn eigen Gemini 3.5 Flash-Lite. Vergeleken met Jev betaal je zo’n 30% meer voor betere kalibratie en mediasupport.

Prijzen en beschikbaarheid van Gemini Decision 1

Gemini Decision 1 kost $0,10 per 1M inputtokens op de betaalde laag, zonder outputkosten omdat het nul outputtokens genereert. Tekst-, beeld-, video-, audio- en pdf-input worden allemaal tegen hetzelfde tarief gerekend.

• Gratis laag: beschikbaar in Google AI Studio voor prototyping, met 200 requests per minuut en 10.000 requests per dag. Data van de gratis laag wordt gebruikt om Google’s producten te verbeteren; data van de betaalde laag niet.
• Betaalde lagen: Tier 1 staat 1.500 requests per minuut toe, oplopend tot 15.000 bij Tier 3.
• Niet ondersteund: contextcaching, de Batch API en Flex of Priority inference, dus herhaalde input over requests heen wordt telkens volledig gefactureerd.
• Status: nu beschikbaar op de Gemini Developer API (v1beta).

De ontbrekende contextcache is belangrijker dan het lijkt. Als je hetzelfde lange document elke paar seconden met een nieuwe vraag checkt, betaal je voor dat document bij elke call; bundel de vragen liever in één request.

Hoe krijg je toegang tot Gemini Decision 1?

De API-model-ID is gemini-decision-1, aangeroepen via client.decisions.create in de google-genai-SDK met de API-versie v1beta. Google AI Studio heeft ook een Decisions Playground om vragen te testen voordat je code schrijft.

Op OpenRouter is het model google/gemini-decision-1, geleverd via de System One-endpoint die voor Jev wordt gebruikt, dus niet de chat-completions-endpoint. Google zegt dat integraties uitrollen naar LangChain, Vercel, LiteLLM, Pydantic AI, Pipecat, LiveKit en OpenCode, met ondersteuning voor Gemini in Google Cloud binnenkort. Het staat niet vermeld in de Vertex AI-modeldocs per 12 november 2026.

Hier is een minimale declaratiecheck die twee vragen stelt over één notitie:

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)Mogelijk gemaakt door

Voor een compleet uitgewerkt voorbeeld van een beslissingsmodel-pijplijn behandelt onze Jev-ticketrouter-tutorial hetzelfde patroon van vragen, drempels en fallbacks.

Slotgedachten

Gemini Decision 1 maakt van beslissingsmodellen een categorie met drie aanbieders, en Google bracht precies wat TypeSafe en OpenAI niet hadden: een beslissingsmodel dat afbeeldingen, audio, video en pdf’s native leest. Met de beste kalibratie in zijn eigen grafiek is het de veiligere keuze wanneer je op zekerheids­scores acteert.

Het is geen zuivere overwinning. Jev 1.14 is goedkoper over Google’s gedeelde evals en beter bij tool-calls, dus een tekst-only agentrouter heeft geen dringende reden om te wisselen. Alles met media of pdf’s is waar ik met Gemini Decision 1 zou beginnen.

Wil je graag applicaties bouwen rond dit soort modellen, bekijk dan onze skill track Developing AI Applications.