Gemini Decision 1: recursos, benchmarks, preços e acesso

Modelos de decisão estão virando uma categoria própria. O Jev, da TypeSafe, devolve respostas tipadas com probabilidades em vez de texto, a OpenAI lançou sua Decisions API, e no dia 11 de novembro de 2026, o Google entrou no jogo com a Gemini Decisions API e o modelo por trás dela, o Gemini Decision 1.

O Gemini Decision 1 responde apenas perguntas fechadas, nunca abertas: checagens de sim/não, múltipla escolha e pontuações por rubrica — até 1.000 por requisição. Ele lê texto, imagens, áudio, vídeo e PDFs em um único forward pass, não cobra tokens de saída e custa US$ 0,10 por 1M de tokens de entrada. O Google informa latência fim a fim de 150–250 ms e o menor erro de calibração na sua comparação, à frente do Jev.

Neste artigo, explico o que é o Gemini Decision 1, o que você pode construir com ele, como ele se sai nos benchmarks do Google e quanto custa. Se modelos de decisão são novidade para você, veja nossos guias sobre o Jev da TypeSafe e a OpenAI Decisions API.

Para se manter por dentro de IA e dados, recomendo assinar nossa newsletter semanal, a The Median.

Resumo

• O Gemini Decision 1 é o primeiro modelo de decisão do Google: ele pontua opções em vez de escrever texto.
• Seu diferencial em relação ao Jev é a mídia: uma única chamada avalia imagens, áudio, vídeo e PDFs.
• Ele tem a melhor calibração no gráfico do Google, então suas pontuações de confiança são as ideais para definir limites.
• O Jev ainda vence em decisões com chamadas de ferramentas e sai mais barato nos testes compartilhados pelo Google.
• Use para roteamento, checagens de política e correção; ele não gera uma única palavra.

O que é o Gemini Decision 1?

O Gemini Decision 1 (gemini-decision-1) é um modelo multimodal especializado que avalia perguntas tipadas sobre uma entrada compartilhada e retorna probabilidades calibradas com zero tokens de saída. É o único modelo por trás da nova Decisions API do Google, um endpoint separado da Interactions API que atende os modelos generativos do Gemini.

A diferença em relação a um LLM generativo comum está em como a resposta chega. Um modelo generativo "escreve" token por token, e seu código precisa fazer o parsing; o Gemini Decision 1 pontua cada opção candidata em um único passo e devolve a probabilidade de cada uma. Não há texto para interpretar, não há orçamento de "raciocínio" e não há cobrança por saída.

A principal alegação do Google é a calibração: o Gemini Decision 1 tem o menor erro de calibração esperado (ECE) na comparação, o que significa que sua confiança declarada acompanha o quão frequentemente ele acerta de fato. Isso importa mais do que a acurácia bruta quando seu código age com base em uma probabilidade.

Principais recursos do Gemini Decision 1

O Gemini Decision 1 faz um único trabalho, então seus recursos dizem respeito a quanto desse trabalho cabe em uma chamada.

Faça até 1.000 perguntas sobre uma mesma entrada em uma chamada

Você envia uma entrada compartilhada e um mapa de perguntas, e recebe uma resposta tipada por pergunta. Uma requisição pode levar de 1 a 1.000 perguntas, limitadas pela janela de contexto de 262.144 tokens, e cada pergunta roda isoladamente contra a entrada — perguntas não "enxergam" umas às outras.

Três tipos de pergunta cobrem a maioria das decisões fechadas:

• Sim/não (noul): a probabilidade de que uma afirmação se sustente, de 0,01 a 0,99.
• Escolha: uma opção entre 2 e 255, com probabilidade para cada opção.
• Pontuação: uma nota em uma rubrica ordenada de 2 a 255 níveis, retornada como nível esperado ponderado por probabilidade.

O ganho prático está na cobrança e na latência. A entrada compartilhada é cobrada uma vez por requisição; cada pergunta adicional acrescenta apenas seus próprios tokens de instrução e critérios; e o Google diz que a latência quase não muda de 1 para 100 perguntas. Checar uma mensagem de suporte contra 40 regras de política custa pouco mais do que checá-la contra uma e leva quase o mesmo tempo.

Avalie imagens, áudio, vídeo e PDFs diretamente

O Gemini Decision 1 lê mídia de forma nativa, então você pode verificar se um pedido em PDF escaneado confere com as fotos de dano, ou em qual fila um áudio de chamada deve entrar, sem precisar antes de transcrição ou OCR. O Google observa que não há cobranças separadas por transcrição de áudio ou OCR, e você pode ajustar a resolução de imagens e vídeos para equilibrar detalhe visual e custo em tokens.

Esse é o maior gap em relação ao Jev e ao GPT-6 Luna, que não têm pontuação nos benchmarks de áudio e vídeo do Google. As próprias equipes do Google usam isso em mídia ao vivo: o CC do Google Labs escolhe uma reação em emoji entre mais de 200 opções em frações de segundo, e o rapid canvas do Stitch aplica edições por voz e toques quase instantaneamente.

Duas ressalvas da documentação. As instruções das perguntas aceitam apenas texto, e a API rejeita URLs do YouTube e URIs diretas gs:// do Cloud Storage; portanto, a mídia entra via Files API, uma URL HTTPS ou bytes inline.

Obtenha uma pontuação de confiança para rotear

Cada resposta traz uma pontuação de confiança de 0 a 1, a probabilidade estimada de a melhor resposta estar correta. O padrão sugerido é agir automaticamente acima de um limite e enviar o restante para fallback ou revisão humana.

O Google deixa claro que definir o limite é com você: ajuste a partir de exemplos rotulados do seu próprio tráfego e pondere falsos positivos versus falsos negativos. Boa calibração nos testes do Google é um ponto de partida, não garantia de que se manterá nos seus dados.

Envie cada requisição para o modelo certo

O caso de uso principal é como plano de controle na frente de modelos generativos. O Gemini Notebook usa a Decisions API para enviar cada consulta ao nível de modelo e de raciocínio mais adequado, atendendo perguntas do dia a dia com até 40% menos latência e reservando modelos de raciocínio profundo para casos complexos.

O Google Search usa como camada de segurança para ferramentas do Model Context Protocol (MCP), detectando comportamento adversarial dentro do orçamento de latência. O padrão se generaliza: em qualquer lugar onde hoje você chama um modelo generativo só para receber um rótulo, um modelo de decisão faz o mesmo trabalho mais rápido e sem parsing.

Como o Gemini Decision 1 se sai nos benchmarks?

O Gemini Decision 1 lidera 7 dos 9 benchmarks de acurácia reportados pelo Google e tem o menor erro de calibração, mas o Jev 1.14 vence os dois benchmarks de ferramentas e ações e é mais barato no geral. A comparação cobre o Jev 1.14, o GPT-6 Luna na Decisions API da OpenAI e o Gemini 3.5 Flash-Lite na Interactions API com raciocínio mínimo. As pontuações são reportadas pelo Google, com o melhor de cada linha em negrito.

Roteamento, ranqueamento e raciocínio

A maior vantagem aparece no New Yorker Caption (apenas texto), onde o Gemini Decision 1 marca 79,7% contra 72,0% do Jev 1.14 e 68,4% do GPT-6 Luna.

A maioria das vantagens sobre o Jev é de 1–2 pontos, o que beira o ruído. O When2Call é o que mais importa se você está construindo roteadores de agentes: a vantagem de 2 pontos do Jev cai exatamente na decisão que esses roteadores mais tomam.

Áudio e vídeo

O Gemini Decision 1 marca 69,1% no Video-MME sem legendas, contra 63,3% do Gemini 3.5 Flash-Lite. Jev e GPT-6 Luna não têm pontuação em nenhum dos benchmarks de mídia.

Ou seja, em áudio e vídeo, a comparação é só contra o modelo generativo do próprio Google. Ainda assim, vencer o Flash-Lite por cerca de 4–6 pontos sem cobrar tokens de saída é um argumento forte para decisões em mídia.

Calibração e custo

O Top-1 ECE do Gemini Decision 1, de 0,0250 nos 7 testes compartilhados, é o melhor do gráfico, à frente do Jev 1.14 (0,0494) e do GPT-6 Luna (0,0721).

No preço, o cenário se inverte. Nos mesmos 7 testes, o Jev é o modelo mais barato do gráfico.

A afirmação do Google de "quase 5x mais barato" é contra o próprio Gemini 3.5 Flash-Lite. Contra o Jev, você paga cerca de 30% a mais por melhor calibração e suporte a mídia.

Preços e disponibilidade do Gemini Decision 1

O Gemini Decision 1 custa US$ 0,10 por 1M de tokens de entrada no plano pago, sem cobrança de saída porque não gera tokens de saída. Entradas de texto, imagem, vídeo, áudio e PDF têm a mesma tarifa.

• Plano gratuito: disponível no Google AI Studio para prototipação, com 200 requisições por minuto e 10.000 por dia. Dados do plano gratuito são usados para melhorar produtos do Google; dados do plano pago não.
• Planos pagos: o Nível 1 permite 1.500 requisições por minuto, chegando a 15.000 no Nível 3.
• Não suportados: cache de contexto, Batch API e inferência Flex ou Priority; portanto, entradas repetidas entre chamadas são cobradas integralmente toda vez.
• Status: disponível agora na Gemini Developer API (v1beta).

A ausência de cache de contexto pesa mais do que parece. Se você verifica o mesmo documento longo com uma nova pergunta a cada poucos segundos, paga por esse documento em toda chamada; em vez disso, agrupe as perguntas em uma única requisição.

Como obter acesso ao Gemini Decision 1?

O ID do modelo na API é gemini-decision-1, chamado via client.decisions.create no SDK google-genai com a versão de API v1beta. O Google AI Studio também tem um Decisions Playground para testar perguntas antes de escrever código.

No OpenRouter, o modelo é google/gemini-decision-1, atendido pelo endpoint System One usado pelo Jev, e não pelo endpoint de chat completions. O Google diz que integrações estão chegando ao LangChain, Vercel, LiteLLM, Pydantic AI, Pipecat, LiveKit e OpenCode, com suporte ao Gemini no Google Cloud em breve. Ele não está listado na documentação de modelos do Vertex AI em 12 de novembro de 2026.

Aqui vai uma checagem simples de reembolso de despesas que faz duas perguntas sobre uma mesma 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)Tecnologia

Para um exemplo completo de um pipeline com modelo de decisão, nosso tutorial de roteamento de tickets com Jev cobre o mesmo padrão de perguntas, limites e fallbacks.

Conclusão

O Gemini Decision 1 transforma modelos de decisão em uma categoria com três fornecedores, e o Google trouxe o que a TypeSafe e a OpenAI não tinham: um modelo de decisão que lê imagens, áudio, vídeo e PDFs de forma nativa. Com a melhor calibração no próprio gráfico do Google, é a escolha mais segura quando você age com base em pontuações de confiança.

Não é vitória de ponta a ponta. O Jev 1.14 é mais barato nos testes compartilhados do Google e melhor em decisões com chamada de ferramentas, então um roteador de agentes só com texto não tem motivo urgente para trocar. Qualquer coisa que envolva mídia ou PDFs é onde eu começaria com o Gemini Decision 1.

Se você quer construir aplicações em cima de modelos como este, recomendo conferir nossa trilha de habilidades Developing AI Applications.