Gemini Decision 1: คุณสมบัติ เกณฑ์วัดผล ราคา และการเข้าถึง

โมเดลด้านการตัดสินใจกำลังก่อตัวเป็นหมวดหมู่ของตัวเอง Jev ของ TypeSafe ส่งคำตอบแบบมีชนิดพร้อมความน่าจะเป็นแทนข้อความ OpenAI มี Decisions API ของตนเอง และเมื่อวันที่ 11 พฤศจิกายน 2026 Google ก็ร่วมวงด้วย Gemini Decisions API และโมเดลเบื้องหลังชื่อ Gemini Decision 1

Gemini Decision 1 ตอบคำถามแบบปิดเท่านั้น ไม่ใช่แบบเปิด: เช็กใช่/ไม่ใช่ คำถามหลายตัวเลือก และให้คะแนนตามรูบริก ได้สูงสุด 1,000 ข้อต่อคำขอ อ่านได้ทั้งข้อความ รูปภาพ เสียง วิดีโอ และ PDF ในการประมวลผลรอบเดียว คิดค่าบริการโทเคนขาออกเป็นศูนย์ และมีค่าใช้จ่าย $0.10 ต่อโทเคนขาเข้า 1 ล้านโทเคน Google รายงานเวลาแฝงปลายทางถึงปลายทางที่ 150–250 มิลลิวินาที และมีค่าคลาดเคลื่อนการปรับเทียบต่ำที่สุดในการเปรียบเทียบของตน แซงหน้า Jev

ในบทความนี้จะอธิบายว่า Gemini Decision 1 คืออะไร สร้างอะไรได้บ้าง ผลงานบนเกณฑ์วัดผลของ Google เป็นอย่างไร และมีค่าใช้จ่ายเท่าไร หากยังไม่คุ้นกับโมเดลการตัดสินใจ แนะนำให้ดูคู่มือของเราเกี่ยวกับ Jev ของ TypeSafe และ OpenAI Decisions API

เพื่ออัปเดตข่าวสารด้าน AI และข้อมูล แนะนำให้สมัครจดหมายข่าวรายสัปดาห์ของเรา The Median

สรุปสั้น ๆ

• Gemini Decision 1 เป็นโมเดลการตัดสินใจตัวแรกของ Google: ให้คะแนนตัวเลือกแทนการเขียนข้อความ
• จุดเหนือกว่า Jev คือสื่อ: การเรียกครั้งเดียวตัดสินรูปภาพ เสียง วิดีโอ และ PDF ได้
• มีการปรับเทียบดีที่สุดในชาร์ตของ Google จึงใช้คะแนนความเชื่อมั่นเป็นเกณฑ์คัดกรองได้มั่นใจ
• Jev ยังชนะเรื่องการตัดสินใจแบบเรียกใช้เครื่องมือ และถูกกว่าจากเกณฑ์ร่วมที่ Google เผยแพร่
• เหมาะกับงานรูตติ้ง ตรวจนโยบาย และให้เกรด; ไม่สามารถสร้างข้อความได้แม้แต่คำเดียว

Gemini Decision 1 คืออะไร?

Gemini Decision 1 (gemini-decision-1) เป็นโมเดลมัลติโหมดัลแบบเฉพาะทางที่ประเมินคำถามแบบมีชนิดเทียบกับอินพุตชุดเดียว และส่งคืนความน่าจะเป็นที่ปรับเทียบแล้วโดยไม่มีโทเคนขาออก เป็นโมเดลเพียงตัวเดียวเบื้องหลัง Decisions API ใหม่ของ Google ซึ่งเป็นเอ็นด์พอยต์แยกจาก Interactions API ที่ให้บริการโมเดลสร้างข้อความของ Gemini

ความต่างจากโมเดลภาษาขนาดใหญ่ (LLM) ทั่วไปอยู่ที่วิธีส่งคำตอบ โมเดลเชิงสร้างจะเขียน "บิลลิง" ทีละโทเคน แล้วให้โค้ดของคุณพาร์ส ส่วน Gemini Decision 1 จะให้คะแนนทุกตัวเลือกในครั้งเดียว และส่งคืนความน่าจะเป็นของแต่ละตัวเลือก ไม่มีข้อความให้พาร์ส ไม่มีงบคิด และไม่มีค่าบริการขาออก

คำเคลมหลักของ Google คือเรื่องการปรับเทียบ: Gemini Decision 1 มีค่าคลาดเคลื่อนการปรับเทียบที่คาดหวัง (ECE) ต่ำที่สุดในการเปรียบเทียบ หมายความว่าความเชื่อมั่นที่ระบุสอดคล้องกับความถูกต้องจริง ความสามารถนี้สำคัญยิ่งกว่าความแม่นยำดิบเมื่อต้องให้โค้ดตัดสินใจจากความน่าจะเป็น

คุณสมบัติเด่นของ Gemini Decision 1

Gemini Decision 1 ทำงานอย่างเดียว จึงเน้นว่าทำงานนั้นได้มากแค่ไหนในหนึ่งการเรียก

ถามได้สูงสุด 1,000 คำถามต่ออินพุตเดียวในการเรียกครั้งเดียว

ส่งอินพุตชุดเดียวและแผนที่ของคำถาม แล้วจะได้คำตอบแบบมีชนิดต่อคำถาม คำขอหนึ่งครั้งบรรจุได้ 1 ถึง 1,000 คำถาม โดยจำกัดตามหน้าต่างบริบท 262,144 โทเคน และทุกคำถามจะรันเทียบกับอินพุตแบบแยกจากกัน คำถามจึงมองไม่เห็นกันและกัน

คำถามสามประเภทครอบคลุมการตัดสินใจแบบปิดส่วนใหญ่:

• ใช่/ไม่ใช่ (noul): ความน่าจะเป็นที่ข้อความจริง ตั้งแต่ 0.01 ถึง 0.99
• ตัวเลือก (Choice): เลือกหนึ่งตัวเลือกจาก 2 ถึง 255 พร้อมความน่าจะเป็นของทุกตัวเลือก
• คะแนน (Score): การให้คะแนนตามรูบริกที่เรียงลำดับได้ 2 ถึง 255 ระดับ ส่งคืนเป็นระดับคาดหมายถ่วงน้ำหนักด้วยความน่าจะเป็น

ข้อดีในทางปฏิบัติคือค่าบริการและเวลาแฝง อินพุตที่แชร์ถูกบิลครั้งเดียวต่อคำขอ แต่ละคำถามเพิ่มเฉพาะโทเคนคำสั่งและเกณฑ์ของตนเอง และ Google ระบุว่าเวลาแฝงแทบคงที่จาก 1 ถึง 100 คำถาม การตรวจข้อความซัพพอร์ตเทียบ 40 กฎนโยบายจึงมีค่าใช้จ่ายใกล้เคียงกับตรวจเทียบกฎเดียว และใช้เวลาพอ ๆ กัน

ตัดสินจากรูปภาพ เสียง วิดีโอ และ PDF ได้โดยตรง

Gemini Decision 1 อ่านสื่อได้โดยกำเนิด จึงสามารถถามได้ว่าคำเคลมใน PDF สแกนตรงกับรูปความเสียหายหรือไม่ หรือบันทึกการโทรควรเข้าคิวใด โดยไม่ต้องถอดเสียงหรือทำ OCR ก่อน Google ระบุว่าไม่มีค่าบริการถอดเสียงหรือ OCR แยกต่างหาก และสามารถปรับความละเอียดของอินพุตภาพและวิดีโอเพื่อแลกระหว่างรายละเอียดภาพกับค่าโทเคน

นี่คือช่องว่างที่ชัดเจนเมื่อเทียบกับ Jev และ GPT-6 Luna ซึ่งทั้งคู่ไม่มีคะแนนบนเกณฑ์เสียงและวิดีโอของ Google ทีมของ Google เองก็ใช้กับสื่อสด: CC จาก Google Labs เลือกอิโมจิปฏิกิริยาจากกว่า 200 ตัวเลือกได้ในเสี้ยววินาที และ rapid canvas ของ Stitch ใช้การแก้ไขด้วยเสียงและการแตะได้แทบจะทันที

คำเตือนสองข้อจากเอกสาร คำสั่งของคำถามรับเฉพาะข้อความ และ API จะปฏิเสธ URL ของ YouTube และ URI gs:// ของ Cloud Storage โดยตรง ดังนั้นสื่อต้องส่งผ่าน Files API, URL แบบ HTTPS หรือไบต์แบบอินไลน์

ได้คะแนนความเชื่อมั่นที่ใช้รูตติ้งได้

ทุกคำตอบมีคะแนนความเชื่อมั่นตั้งแต่ 0 ถึง 1 คือความน่าจะเป็นโดยประมาณที่คำตอบอันดับหนึ่งถูกต้อง รูปแบบการใช้งานที่ตั้งใจไว้คือดำเนินการอัตโนมัติเมื่อเกินเกณฑ์ และส่งที่เหลือไปยังระบบสำรองหรือมนุษย์ตรวจทาน

Google ระบุชัดว่าเกณฑ์เป็นหน้าที่ของผู้ใช้: กำหนดจากตัวอย่างข้อมูลที่ติดป้ายของตนเอง และชั่งน้ำหนักผลบวกลวงเทียบผลลบลวง การปรับเทียบที่ดีบนเกณฑ์ของ Google เป็นเพียงจุดเริ่ม ไม่ใช่หลักฐานว่าจะใช้ได้กับข้อมูลของคุณ

รูตคำขอไปยังโมเดลที่เหมาะสม

กรณีใช้งานหลักคือเป็น control plane หน้าโมเดลเชิงสร้าง Gemini Notebook ใช้ Decisions API เพื่อส่งคำถามขาเข้าแต่ละรายการไปยังรุ่นโมเดลและระดับการคิดที่เหมาะสม ให้บริการคำถามทั่วไปด้วยเวลาแฝงลดลงสูงสุด 40% ขณะกันโมเดลเหตุผลเชิงลึกไว้สำหรับคำถามที่ซับซ้อน

Google Search ใช้เป็นชั้นความปลอดภัยสำหรับเครื่องมือ Model Context Protocol (MCP) ตรวจจับพฤติกรรมโจมตีภายใต้งบเวลาแฝงที่กำหนด รูปแบบนี้ขยายทั่วไปได้: ทุกที่ที่ปัจจุบันเรียกโมเดลเชิงสร้างเพียงเพื่อให้ได้ฉลาก โมเดลการตัดสินใจทำงานเดียวกันได้เร็วกว่าและไม่ต้องพาร์ส

Gemini Decision 1 ทำผลงานอย่างไรบนเกณฑ์วัดผล?

Gemini Decision 1 นำหน้าบนเกณฑ์ความแม่นยำ 7 จาก 9 รายการที่ Google รายงาน และมีค่าคลาดเคลื่อนการปรับเทียบต่ำสุด แต่ Jev 1.14 ชนะสองเกณฑ์ที่เกี่ยวกับเครื่องมือและการกระทำ และถูกกว่าโดยรวม การเปรียบเทียบครอบคลุม Jev 1.14, GPT-6 Luna บน OpenAI Decisions API และ Gemini 3.5 Flash-Lite บน Interactions API ที่ระดับการคิดต่ำสุด คะแนนเป็นสิ่งที่ Google รายงาน และไฮไลต์ตัวที่ดีที่สุดต่อแถวเป็นตัวหนา

การรูตติ้ง การจัดอันดับ และการให้เหตุผล

ช่องว่างที่ใหญ่สุดอยู่ที่ New Yorker Caption (เฉพาะข้อความ) ซึ่ง Gemini Decision 1 ทำได้ 79.7% เทียบกับ 72.0% ของ Jev 1.14 และ 68.4% ของ GPT-6 Luna

ส่วนใหญ่ความเหนือกว่า Jev อยู่ที่ 1–2 จุด ซึ่งใกล้กับนอยส์ When2Call เป็นตัวที่ควรจับตาหากกำลังสร้างตัวรูตตัวแทน: ความเหนือกว่า 2 จุดของ Jev ตกลงบนการตัดสินใจที่ตัวรูตเหล่านั้นทำบ่อยที่สุดพอดี

เสียงและวิดีโอ

Gemini Decision 1 ทำได้ 69.1% บน Video-MME แบบไม่มีคำบรรยาย เทียบกับ 63.3% ของ Gemini 3.5 Flash-Lite Jev และ GPT-6 Luna ไม่มีคะแนนบนเกณฑ์สื่อทั้งสอง

ดังนั้นบนเสียงและวิดีโอ การเปรียบเทียบทำได้กับโมเดลเชิงสร้างของ Google เองเท่านั้น การทำคะแนนเหนือ Flash-Lite ราว 4–6 จุด พร้อมไม่คิดค่าบริการโทเคนขาออก ยังคงเป็นเหตุผลที่แข็งแรงกว่าสำหรับงานตัดสินใจเกี่ยวกับสื่อ

การปรับเทียบและค่าใช้จ่าย

Top-1 ECE ของ Gemini Decision 1 ที่ 0.0250 ครอบคลุม 7 เกณฑ์ร่วม เป็นตัวที่ดีที่สุดในชาร์ต นำหน้า Jev 1.14 ที่ 0.0494 และ GPT-6 Luna ที่ 0.0721

ด้านราคาภาพจะกลับด้าน บน 7 เกณฑ์ร่วมเดียวกัน Jev เป็นโมเดลที่ถูกที่สุดในชาร์ต

คำเคลมของ Google ว่า "ถูกกว่าเกือบ 5 เท่า" คือเทียบกับ Gemini 3.5 Flash-Lite ของตนเอง เมื่อเทียบกับ Jev คุณจะจ่ายแพงกว่าราว 30% เพื่อแลกกับการปรับเทียบที่ดีกว่าและการรองรับสื่อ

ราคาและความพร้อมใช้งานของ Gemini Decision 1

Gemini Decision 1 มีค่าใช้จ่าย $0.10 ต่อโทเคนขาเข้า 1 ล้านโทเคนในระดับเสียเงิน โดยไม่มีค่าขาออกเพราะไม่สร้างโทเคนขาออก อินพุตแบบข้อความ รูปภาพ วิดีโอ เสียง และ PDF คิดอัตราเดียวกัน

• ระดับฟรี: ใช้งานได้ใน Google AI Studio สำหรับการสร้างต้นแบบ ที่ 200 คำขอต่อนาที และ 10,000 คำขอต่อวัน ข้อมูลระดับฟรีจะถูกใช้เพื่อพัฒนาผลิตภัณฑ์ของ Google; ข้อมูลระดับเสียเงินจะไม่ถูกใช้
• ระดับเสียเงิน: ระดับ 1 อนุญาต 1,500 คำขอต่อนาที เพิ่มเป็น 15,000 ที่ระดับ 3
• ไม่รองรับ: การแคชบริบท Batch API และการ suyอนุมานแบบ Flex หรือ Priority ดังนั้นอินพุตที่ซ้ำระหว่างคำขอจะถูกบิลเต็มทุกครั้ง
• สถานะ: ใช้งานได้แล้วบน Gemini Developer API (v1beta)

การไม่มีแคชบริบทสำคัญกว่าที่คิด หากตรวจเอกสารยาวเดิมด้วยคำถามใหม่ทุกไม่กี่วินาที จะต้องจ่ายค่าเอกสารนั้นทุกครั้ง แทนที่จะทำเช่นนั้นให้รวมคำถามหลายข้อไว้ในคำขอเดียว

จะเข้าถึง Gemini Decision 1 ได้อย่างไร?

รหัสโมเดลของ API คือ gemini-decision-1 เรียกผ่าน client.decisions.create ใน SDK google-genai กับเวอร์ชัน API v1beta Google AI Studio มี Decisions Playground สำหรับทดสอบคำถามก่อนเขียนโค้ดด้วย

บน OpenRouter โมเดลคือ google/gemini-decision-1 ให้บริการผ่านเอ็นด์พอยต์ System One แบบเดียวกับ Jev ไม่ใช่เอ็นด์พอยต์ chat completions Google ระบุว่ากำลังทยอยผสานกับ LangChain, Vercel, LiteLLM, Pydantic AI, Pipecat, LiveKit และ OpenCode โดยการรองรับ Gemini บน Google Cloud จะตามมา เร็ว ๆ นี้ ยังไม่ถูกระบุในเอกสารโมเดลของ Vertex AI ณ วันที่ 12 พฤศจิกายน 2026

ตัวอย่างตรวจคำขอเบิกค่าใช้จ่ายแบบย่อ ที่ถามสองคำถามกับบันทึกเดียว:

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)ขับเคลื่อนโดย

สำหรับตัวอย่างเต็มของไปป์ไลน์โมเดลการตัดสินใจ ดู บทเรียนตัวรูตตั๋วของ Jev ซึ่งครอบคลุมรูปแบบคำถาม เกณฑ์ และระบบสำรองแบบเดียวกัน

ข้อคิดส่งท้าย

Gemini Decision 1 ทำให้โมเดลการตัดสินใจกลายเป็นหมวดหมู่ที่มีสามผู้ขาย และ Google นำสิ่งที่ TypeSafe และ OpenAI ไม่มีมาให้: โมเดลการตัดสินใจที่อ่านรูปภาพ เสียง วิดีโอ และ PDF ได้โดยกำเนิด ด้วยการปรับเทียบดีที่สุดในชาร์ตของตน จึงเป็นตัวเลือกที่ปลอดภัยกว่าเมื่อจะลงมือทำตามคะแนนความเชื่อมั่น

ยังไม่ใช่ชัยชนะขาดลอย Jev 1.14 ถูกกว่าบนเกณฑ์ร่วมของ Google และดีกว่าในการตัดสินใจเรียกใช้เครื่องมือ ดังนั้นตัวรูตตัวแทนที่มีแต่ข้อความไม่มีเหตุผลเร่งด่วนต้องสลับไปใช้อย่างอื่น ทุกอย่างที่เกี่ยวกับสื่อหรือ PDF คือจุดที่ควรเริ่มต้นด้วย Gemini Decision 1

หากอยากสร้างแอปพลิเคชันรอบโมเดลลักษณะนี้ แนะนำให้ดูสกิลแทร็ก Developing AI Applications ของเรา