谷歌推出Gemini Decision 1决策模型及API

新智元报道

等了半天，Gemini 4 Hydrogen没来。

昨晚谷歌端上来的，是多模态决策模型Gemini Decision 1。

劈柴宣布：今天，谷歌正式上线Gemini Decisions API，由Gemini Decision 1 模型提供支持。

Stitch Rapid 使用 Decisions API 在几秒钟内设计整个产品流程

「Jev」的风，终于还是吹到了谷歌这边。

它专为「封闭式选择题」而生，超低延迟、原生多模态、一次处理1000个问题。

它有3种原生决策类型：「Yes/No」、「多项选择（最高支持255 个选项！）」以及「评分标准打分」。

每百万输入 Token 仅需 0.10 美元，输出Token直接免费！（只有Flash-Lite 的 1/5）。

在多项基准测试中，它以最低的校准误差绝对领先。

用多模态，颠覆决策模型

TypeSafe AI的Jev，在硅谷掀起一股热潮，其他巨头也纷纷跟进。谷歌终于开始下场做决策模型。

既然Jev已经把纯文本决策的价格打到了百万Token 0.042美元，谷歌该怎么破？

答案是：用多模态，碾压纯文本模型。

你可以把高达 256K token 的海量数据（不管是文本、图片、音频、视频还是 PDF）一次性喂给它，然后同时向它连发 1000 个灵魂拷问！

无论你是要做工具调用、策略风控，还是模型动态路由、上下文打分，Decisions API 都能直接给你最干脆的答案。

Gemini Decision 1通过一次高效的「前向传递」，瞬间对所有选项进行评分。

霸榜基准测试：「直觉」超精准

当然，决策模型要的不仅是快，还要准！

在涵盖智能体路由、逻辑推理、信息排序和多模态理解的顶级基准测试中，Gemini Decision 1 全线霸榜。

更重要的是，校准误差的全场最低！

所以，它给出的把握有多大，实际就有多准，幻觉率很低。

因为不需要逐字解码，Gemini Decision 1 处理高达 16K token 的多模态上下文时，模型计算的中位延迟被压在 50-100 毫秒，端到端延迟，仅为150-250 毫秒。

而且，无论你一次问 1 个问题还是 100 个问题，速度几乎完全一样，根本不卡顿。

因为比目前公认的「性价比之王」 Gemini 3.5 Flash-Lite（使用交互 API模型）还要便宜近 5 倍，这是绝对的价格屠夫了。

原生多模态 + 三大决策模式：让模型一镜到底！

基于 Gemini 强大的原生多模态架构，无论是文档、录音还是视频，它都能在单次前向传递中直接「看懂、听懂」。

你可以把各种多模态混搭——比如把「客服通话录音」和「账户数据」拼在一起，或者把「PDF理赔单」和「损坏照片」打包给它。

甚至能自由调整音视频分辨率，来控制视觉细节和token成本。

在一个请求中，你可以混合使用三种核心决策模式。

而且，它每次都会贴心地返回一个「置信度分数（0到1）」，遇到模棱两可的情况，你的代码直接就能把它抛给备用方案，或者人工审核，非常稳。

noul（是/否）： 它会判断是/否条件成立的概率，还能选择「真/假」的描述标准。

choice（多项选择）： 支持 2 到 255 个选项！它直接告诉你谁是获胜者，并附带所有候选者的概率排名。

score（精准打分，有序评分标准）： 它会根据你定的规矩（从0开始）对输入内容打分，给出连续的加权分数和每一级的概率。

接口极其友好，使用的是大家熟悉的 Content 块格式。

来看看下面这段极其优雅的代码——如何用一次请求，让 AI 看着一张办公室吧台的照片，同时完成三种不同类型的判断。

from google import genaiclient = genai.Client(http_options={"api_version": "v1beta"})result = client.decisions.create(    model="gemini-decision-1",    # 共享输入：丢给它一张图 + 一句话input=[{            "type": "image",            "uri": "https://storage.googleapis.com/generativeai-downloads/images/spill.jpg",            "mime_type": "image/jpeg",        },        {            "type": "text",            "text": "早上9点客户会议前的休息室吧台检查。",        },    ],    # 一次性连发3个问题！    questions={        "has_spill": {            "type": "noul",            "instructions": "吧台上是否有未清理的液体溢出？",        },        "next_action": {            "type": "choice",            "instructions": "哪种清理措施最适合当前场景？",            "criteria": {                "wipe_with_cloth": "吧台少量溢出，附近已有抹布。",                "dispatch_janitorial": "地面大面积危险、碎玻璃或持续漏水。",                "ready_for_meeting": "吧台干净，已准备就绪。",            },        },        "severity": {            "type": "score",            "instructions": "评估吧台脏乱的严重程度。",            "criteria": [                "干净且准备就绪。",                "轻微的局部溢出。",                "重大溢出或安全隐患。",            ],        },    },)