Gemini Decision 1: funkcje, benchmarki, ceny i dostęp

Modele decyzyjne stają się osobną kategorią. Jev od TypeSafe zwraca typowane odpowiedzi z prawdopodobieństwami zamiast tekstu, OpenAI ma własne Decisions API, a 11 listopada 2026 roku dołączył Google z Gemini Decisions API i stojącym za nim modelem Gemini Decision 1.

Gemini Decision 1 odpowiada wyłącznie na pytania zamknięte, nigdy otwarte: sprawdzenia tak/nie, wielokrotny wybór i oceny według rubryki, do 1 000 na jedno żądanie. Czyta tekst, obrazy, audio, wideo i PDF-y w jednym przejściu, nie nalicza żadnych tokenów wyjściowych i kosztuje $0,10 za 1 mln tokenów wejściowych. Google podaje opóźnienie end-to-end 150–250 ms i najniższy błąd kalibracji w swoim porównaniu, przed Jev.

W tym artykule omówię, czym jest Gemini Decision 1, co możesz na nim zbudować, jak wypada w benchmarkach Google oraz ile kosztuje. Jeśli modele decyzyjne są dla ciebie nowe, zajrzyj do naszych przewodników po Jev od TypeSafe i OpenAI Decisions API.

Żeby być na bieżąco ze światem AI i danych, polecam nasz cotygodniowy newsletter The Median.

TL;DR

• Gemini Decision 1 to pierwszy model decyzyjny Google: ocenia opcje zamiast pisać tekst.
• Jego przewaga nad Jev to media: jedno wywołanie może oceniać obrazy, audio, wideo i PDF-y.
• Ma najlepszą kalibrację w wykresie Google, więc to jego wynikom ufności warto ustawiać progi.
• Jev wciąż wygrywa w decyzjach związanych z wywołaniami narzędzi i wychodzi taniej w wspólnych ewaluacjach Google.
• Używaj go do routingu, sprawdzeń zgodności z politykami i oceniania; nie wygeneruje ani jednego słowa.

Czym jest Gemini Decision 1?

Gemini Decision 1 (gemini-decision-1) to wyspecjalizowany model multimodalny, który ocenia typowane pytania względem wspólnego wejścia i zwraca skalibrowane prawdopodobieństwa przy zerowej liczbie tokenów wyjściowych. To jedyny model stojący za nowym Decisions API Google, osobnym endpointem względem Interactions API obsługującego generatywne modele Gemini.

Różnica względem zwykłego dużego modelu językowego (LLM) polega na formie odpowiedzi. Model generatywny „pisze” odpowiedź token po tokenie, a twój kod ją parsuje; Gemini Decision 1 ocenia każdą opcję w jednym przebiegu i zwraca dla niej prawdopodobieństwo. Nie ma tekstu do parsowania, budżetu na „myślenie” ani rachunku za wyjście.

Główna teza Google to kalibracja: Gemini Decision 1 ma najniższy oczekiwany błąd kalibracji (ECE) w porównaniu, co oznacza, że deklarowana ufność pokrywa się z rzeczywistą trafnością. To ważniejsze niż surowa dokładność, gdy twój kod podejmuje działania na podstawie prawdopodobieństwa.

Kluczowe funkcje Gemini Decision 1

Gemini Decision 1 robi jedną rzecz, więc jego funkcje dotyczą tego, jak dużo tej pracy mieści się w jednym wywołaniu.

Zadaj do 1 000 pytań o jedno wejście w jednym wywołaniu

Wysyłasz jedno wspólne wejście i mapę pytań, a dostajesz jedną typowaną odpowiedź na pytanie. Pojedyncze żądanie może zawierać od 1 do 1 000 pytań, ograniczone oknem kontekstu 262 144 tokenów, a każde pytanie jest uruchamiane względem wejścia w izolacji, więc pytania nie „widzą” się nawzajem.

Trzy typy pytań pokrywają większość decyzji zamkniętych:

• Tak/nie (noul): prawdopodobieństwo, że stwierdzenie jest prawdziwe, od 0,01 do 0,99.
• Wybór: jedna z 2 do 255 opcji, z prawdopodobieństwem dla każdej.
• Ocena: punktacja na uporządkowanej rubryce 2–255 poziomów, zwracana jako ważony prawdopodobieństwem poziom oczekiwany.

Praktyczna korzyść to rozliczanie i opóźnienie. Wspólne wejście jest rozliczane raz na żądanie, każde kolejne pytanie dodaje tylko własne tokeny instrukcji i kryteriów, a Google podaje, że opóźnienie pozostaje niemal płaskie od 1 do 100 pytań. Sprawdzenie wiadomości wsparcia względem 40 zasad kosztuje niewiele więcej niż względem jednej i trwa mniej więcej tyle samo.

Oceniaj obrazy, audio, wideo i PDF-y bezpośrednio

Gemini Decision 1 natywnie czyta media, więc możesz zapytać, czy skanowany PDF zgłoszenia pokrywa się ze zdjęciami szkód albo do której kolejki należy nagranie rozmowy — bez wcześniejszej transkrypcji lub OCR. Google zaznacza, że nie ma osobnych opłat za transkrypcję audio czy OCR, a rozdzielczość obrazów i wideo możesz dostrajać, by równoważyć szczegółowość z kosztem tokenów.

To najczytelniejsza przewaga nad Jev i GPT-6 Luna — żaden z nich nie ma wyniku w benchmarkach audio i wideo Google. Zespół Google używa tego na żywych mediach: CC z Google Labs wybiera reakcję emoji spośród ponad 200 opcji w ułamku sekundy, a szybkie płótno Stitch stosuje edycje głosem i stuknięciem niemal natychmiast.

Dwa zastrzeżenia z dokumentacji. Instrukcje do pytań przyjmują tylko tekst, a API odrzuca adresy URL YouTube i bezpośrednie URI gs:// Cloud Storage, więc media trafiają przez Files API, adres HTTPS lub bajty inline.

Dostaj wynik ufności, na którym możesz routować

Każda odpowiedź ma wynik ufności od 0 do 1, szacowane prawdopodobieństwo, że najlepsza odpowiedź jest poprawna. Zamierzony wzorzec to automatyczne działanie powyżej progu i wysyłka reszty do ścieżki awaryjnej lub do weryfikacji przez człowieka.

Google jasno mówi, że próg to twoje zadanie: ustaw go na podstawie oznaczonych przykładów własnego ruchu i zważ fałszywie pozytywne względem fałszywie negatywnych. Dobra kalibracja na ewaluacjach Google to punkt wyjścia, a nie dowód, że utrzyma się na twoich danych.

Routuj żądania do właściwego modelu

Główny przypadek użycia to warstwa sterująca przed modelami generatywnymi. Gemini Notebook używa Decisions API, by wysyłać każde przychodzące zapytanie do właściwej klasy modelu i poziomu „myślenia”, obsługując codzienne zapytania z do 40% niższym opóźnieniem i zostawiając modele głębokiego rozumowania dla złożonych.

Google Search używa go jako warstwy bezpieczeństwa dla narzędzi Model Context Protocol (MCP), wykrywając zachowania ofensywne w swoim budżecie opóźnienia. Wzorzec jest ogólny: wszędzie tam, gdzie dziś wywołujesz model generatywny tylko po to, by dostać etykietę, model decyzyjny zrobi to samo szybciej i bez parsowania.

Jak Gemini Decision 1 wypada w benchmarkach?

Gemini Decision 1 prowadzi w 7 z 9 benchmarków dokładności raportowanych przez Google i ma najniższy błąd kalibracji, ale Jev 1.14 wygrywa dwa benchmarki narzędzi i akcji oraz jest ogółem tańszy. Porównanie obejmuje Jev 1.14, GPT-6 Luna na OpenAI Decisions API oraz Gemini 3.5 Flash-Lite na Interactions API przy minimalnym „myśleniu”. Wyniki są raportowane przez Google, najlepszy w wierszu pogrubiono.

Routing, ranking i rozumowanie

Największa przewaga jest w New Yorker Caption (tylko tekst), gdzie Gemini Decision 1 ma 79,7% wobec 72,0% w Jev 1.14 i 68,4% w GPT-6 Luna.

Większość przewag nad Jev to 1–2 punkty, czyli blisko szumu. When2Call to ten, na który warto patrzeć, jeśli budujesz routery agentów: 2-punktowa przewaga Jev dotyczy dokładnie decyzji, które te routery podejmują najczęściej.

Audio i wideo

Gemini Decision 1 uzyskuje 69,1% na Video-MME bez napisów, wobec 63,3% dla Gemini 3.5 Flash-Lite. Jev i GPT-6 Luna nie mają wyniku w żadnym z benchmarków mediów.

Więc w audio i wideo jedynym porównaniem jest model generatywny Google. Wyprzedzenie Flash-Lite o ok. 4–6 punktów przy zerowym naliczaniu tokenów wyjściowych to i tak mocny argument dla decyzji na mediach.

Kalibracja i koszt

Top-1 ECE Gemini Decision 1 na poziomie 0,0250 w 7 wspólnych ewaluacjach to najlepszy wynik w tabeli, przed Jev 1.14 z 0,0494 i GPT-6 Luna z 0,0721.

Cena to miejsce, gdzie obraz się odwraca. W tych samych 7 ewaluacjach Jev jest najtańszym modelem w tabeli.

Teza Google o „niemal 5x taniej” dotyczy własnego Gemini 3.5 Flash-Lite. Wobec Jev płacisz ok. 30% więcej za lepszą kalibrację i obsługę mediów.

Cennik i dostępność Gemini Decision 1

Gemini Decision 1 kosztuje $0,10 za 1 mln tokenów wejściowych w płatnym planie, bez opłaty za wyjście, bo generuje zero tokenów wyjściowych. Wejście tekstowe, obraz, wideo, audio i PDF są rozliczane w tej samej stawce.

• Plan bezpłatny: dostępny w Google AI Studio do prototypowania, 200 żądań na minutę i 10 000 dziennie. Dane z planu bezpłatnego są używane do ulepszania produktów Google; z planów płatnych — nie.
• Plany płatne: Tier 1 pozwala na 1 500 żądań na minutę, rośnie do 15 000 w Tier 3.
• Brak wsparcia: cache kontekstu, Batch API oraz wnioskowanie Flex lub Priority, więc powtarzane wejście w kolejnych żądaniach jest rozliczane w całości za każdym razem.
• Status: dostępny już teraz w Gemini Developer API (v1beta).

Brak cache’u kontekstu ma większe znaczenie, niż wygląda. Jeśli sprawdzasz ten sam długi dokument z nowym pytaniem co kilka sekund, płacisz za ten dokument przy każdym wywołaniu; zamiast tego zgrupuj pytania w jedno żądanie.

Jak uzyskać dostęp do Gemini Decision 1?

Identyfikator modelu w API to gemini-decision-1, wywoływany przez client.decisions.create w SDK google-genai z wersją API v1beta. Google AI Studio ma też Decisions Playground do testowania pytań przed pisaniem kodu.

W OpenRouter model to google/gemini-decision-1, serwowany przez endpoint System One używany przez Jev, więc nie endpoint czatowych uzupełnień. Google zapowiada integracje w LangChain, Vercel, LiteLLM, Pydantic AI, Pipecat, LiveKit i OpenCode, a wsparcie dla Gemini w Google Cloud ma pojawić się wkrótce. Nie jest wymieniony w dokumentacji modeli Vertex AI na 12 listopada 2026 r.

Oto minimalna kontrola wydatku z dwoma pytaniami o jedną notkę:

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)Obsługiwane przez

Pełny przykład działania potoku z modelem decyzyjnym znajdziesz w naszym tutorialu o routerze zgłoszeń w Jev, który obejmuje ten sam wzorzec pytań, progów i ścieżek awaryjnych.

Na koniec

Gemini Decision 1 sprawia, że modele decyzyjne to kategoria z trzema dostawcami, a Google wniosło to, czego nie miały TypeSafe i OpenAI: model decyzyjny, który natywnie czyta obrazy, audio, wideo i PDF-y. Z najlepszą kalibracją w swoim wykresie to bezpieczniejszy wybór, gdy działasz na podstawie wyników ufności.

To nie jest czyste zwycięstwo. Jev 1.14 jest tańszy w wspólnych ewaluacjach Google i lepszy w decyzjach wywołań narzędzi, więc router agenta działający wyłącznie na tekście nie ma pilnego powodu do zmiany. Wszystko, co obejmuje media lub PDF-y, to miejsce, od którego zacząłbym z Gemini Decision 1.

Jeśli chcesz budować aplikacje wokół takich modeli, polecam nasz ścieżkę umiejętności Developing AI Applications.