谷歌推出决策专用模型 Gemini Decision 1,单次请求最多处理 1000 项独立判断,支持文本、图像、音频、视频与 PDF 混合输入。7 项共享基准中 5 项领先 Jev 1.14,但第三方评测综合分与延迟、价格仍落后。

Jev 拿下的 75 亿美元估值曾被质疑是泡沫。现在谷歌用一款多模态决策模型表态:这不是泡沫,而是一条值得押注的赛道。
谷歌正式发布 Gemini Decision 1,向两个月前引爆决策模型品类的 TypeSafe Jev 发起挑战。和 Jev 一样,这款模型不生成任何文本,只计算供程序直接驱动 Agent 执行的候选项概率与置信度。它不需要逐 Token 生成答案,连输出 Token 费用也省掉了。
更大的突破在并行计算。Gemini Decision 1 能在同一份上下文中处理最多 1000 项独立判断,并支持文本、图像、音频、视频和 PDF 混合输入。对于需要反复查文档、选工具、评估任务状态的 Agent,大量原本分散在多次模型调用中的判断,现在可以集中在一轮请求里完成。
在双方均有报告的 7 项共享基准中,Gemini Decision 1 赢下 5 项;Jev 则在 When2Call 工具调用和 Mind2Web 多模态两项上保持优势(82.0% 对 79.9%,86.8% 对 86.2%)。
不过,Gemini 每 100 万输入 Token 收费 0.10 美元,约为 Jev 的 2.38 倍。性能上去了,价格也更贵了。
Jev 在 9 月发布后数周内拿下 75 亿美元估值,a16z 领投 8.7 亿美元,约三分之一财富 500 强被列为客户。但质疑从未消散:厂商自报的「快 193 倍、便宜 445 倍」缺乏第三方复现,原创性争议尚未定论,独立评测的结论大体一致——快和便宜是真的,质量是另一回事。
谷歌此时入场,至少证明了一件事:决策模型不是一场闹剧,而是一个值得巨头押注的品类。
普通 LLM 处理「从四个工具里选一个」这类任务时,仍然走自回归解码:逐 Token 生成工具名或 JSON,程序再解析执行。模型做的是开放式文本生成,业务真正需要的却是有限候选项里的概率判断。
Gemini Decision 1 把输出目标改成了候选项评分。开发者提前定义问题、候选集合和判断标准,模型读取输入后直接返回各候选项的概率分布。整个过程通过单次前向计算完成,没有输出 Token 费用。

这和普通的 Structured Output 有明显区别。后者仍然让模型生成文本,只是通过 Schema 限定 JSON 的字段与格式;Gemini Decision 1 则直接围绕有限候选空间完成评分,返回结果本身就是程序可读的数据。
一个容易忽略的细节是:不同判断类型返回的概率含义并不相同。Noul 处理二元判断,返回某个条件成立的概率,范围 0.01—0.99。如果问题本身有歧义,开发者还可以分别定义什么情况算 Yes、什么情况算 No,减少标准不清带来的偏差。

Choice 处理多分类问题,支持 2—255 个候选项,返回胜出选项及各候选项的归一化概率,总和为 1,适合工具路由、模型选择和任务分类。但这种概率分配始终发生在给定候选集合内:即使所有选项都不符合输入,模型仍会选出一个相对匹配的结果。因此开发者需要提供 Other 选项,或额外设置范围检查。

Score 的设计更有意思。它不简单返回一个等级,而是先给有序评分标准中的每个等级分配概率,再加权计算。例如把问题分为 0、1、2 级,模型可能给出 0.1、0.7、0.2 的概率,最终评分可以落在 1 和 2 之间。
这实际上把离散分类扩展成了连续评分,方便程序排序和阈值筛选。但加权结果会压缩概率分布里的信息:两个输入即使得到相同分数,背后的等级概率也可能完全不同。对需要区分风险等级的任务,程序还应该读取各等级概率,不能只用最终评分。
这套输出体系对开发者的要求变了:模型不再负责生成一段给人读的答案,人要设计清晰的问题与候选标准,程序负责把概率结果转成具体执行条件。

Gemini Decision 1 的请求结构是一份 Shared Input 对应一组 Questions。前者承载文本、图像、音频、视频和 PDF,后者定义需要完成的判断任务。每个问题可以使用不同的判断类型和评分标准,单次请求最多支持 1000 项问题。

以设备巡检为例,系统收到一段运行视频、一份维修记录和一段现场语音,需要判断设备是否异常、异常类别、严重程度以及是否需要人工检查。开发者可以把三种材料放进同一份输入,再分别定义问题:异常检测用 Noul,类别判断用 Choice,严重程度用 Score。模型读取相同材料,分别完成各项评分。

这套设计有两个技术细节。其一,每项问题有独立的评估路径。谷歌文档明确说明,各问题只能读取共享输入,不能读取其他问题的答案;增加或删除某项问题,也不会改变其他问题的答案。也就是说,并行评分不依赖前序问题的推理链,模型可以在同一轮前向计算中完成多个独立判断。
其二,共享输入只计费一次。每项问题的额外费用来自自身的 instructions 和 criteria Token,不必重复计算整份材料。对于长文档批量审核、音视频检查和多维度内容评估,这种计费结构直接影响整体调用成本。
免费获取企业 AI 成熟度诊断报告,发现转型机会

但 1000 项问题并不意味着可以把任意复杂工作流塞进一个请求。如果问题 B 必须根据问题 A 的结果生成新候选项,两项任务就存在前后依赖,开发者需要先读 A 的结果再提交 B。若 B 的候选项已经确定,只是需要在 A 不满足条件时忽略 B 的答案,两项判断则可同时提交,由程序决定是否采用结果。
输入长度同样需要考虑。上下文上限为 256K Token,这个预算由共享材料和全部问题共同使用,而非每项问题各占 256K。问题数量增加时,instructions 和 criteria 也会占用上下文空间。

谷歌公布的延迟数据显示,在上下文不超过 16K Token 的测试条件下,问题数从 1 项增加到 100 项,计算延迟基本平稳,中位计算延迟 50—100 ms,端到端延迟 150—250 ms。需要注意,API 支持 1000 项问题,而公开的近乎平稳延迟测试范围只到 1—100 项。
多模态输入还涉及一项工程取舍。图像和视频可以设置 low、medium、high、ultra_high 等分辨率等级,视觉细节越丰富,输入成本也随之变化。音频和 PDF 直接进入相应的内容处理路径,无需另建识别服务。谷歌也明确把 OCR 和音频转写相关开销纳入模型输入计费体系,不另收输出 Token 费用。
至于内部并行计算图,公开信息不足以还原。可以确认的是,各问题共享同一份输入,在单次前向计算中独立评分;内部是否使用独立输出头、如何分配计算资源,谷歌尚未给出完整技术说明。
Gemini Decision 1 为每项答案提供 0—1 的 confidence,表示模型对结果正确性的估计。Noul 取 Yes 与 No 中概率较高的一方,Choice 对应胜出选项概率,Score 对应概率较高的等级。程序因此能按判断的可靠程度设置不同执行门槛。

这涉及概率校准。ECE(期望校准误差)衡量模型给出的概率与实际正确比例之间的偏差。谷歌公布的 Gemini Decision 1 ECE 为 0.0250,Jev 1.14 为 0.0494。

落地方面,谷歌已在 Gemini Notebook 中用 Decisions API 做模型路由,按请求复杂程度选择模型档位与推理等级,日常请求延迟据称降低 40%。Google Search 用它做 MCP 工具的安全检查,Stitch 用它加快交互设计过程中的操作选择。
与 TypeSafe Jev 相比,两者技术方向相近,但公开信息侧重不同。TypeSafe 已披露 Jev 使用专门的模型架构、Parallel Sampler 以及 RLCD 训练方法;Jev 1.14 增加了图像输入、Box 判断类型和长上下文能力,不过相关功能发布时仍属实验性配置。
Gemini Decision 1 则依托 Gemini 原生多模态架构,把音频、视频、PDF 纳入输入,并提供 256K 上下文和单次 1000 项问题的能力。谷歌尚未披露类似 TypeSafe 的训练方案,两者的内部训练路线暂时无法直接比较。

性能上,谷歌公布的 7 项共享基准中,Gemini Decision 1 有 5 项超过 Jev 1.14。When2Call 是 Agent 工具选择的核心场景,Jev 在这一指标上的反超说明谷歌的优势并非无差别覆盖。
第三方机构 Artificial Analysis 的 Decision Index v2.1 榜单中,Gemini Decision 1 综合分 65.98,略低于 Jev 的 66.23,远低于榜首 Drex Max v1.1 的 72.62。单任务延迟 211 ms,高于 Jev 的 92 ms;价格方面,Gemini 每 100 万输入 Token 收费 0.10 美元,Jev 为 0.042 美元。
换句话说,谷歌用多模态能力和批量处理换取溢价,但「更强」在第三方统一任务套件上还没有兑现为「更优」。校准误差的领先是真实的,但校准领先不等于综合决策质量领先。
Gemini Decision 1 把原本散落在 Agent 工作流里的一类任务,正式变成了独立的模型调用能力。它涉及的不只是评分速度,还有候选空间定义、共享输入复用、问题隔离、概率校准与程序控制之间的配合。
通用 LLM 仍然负责复杂推理、规划和内容生成,Decision Model 则承担那些能提前定义标准的判断任务。开发者需要按任务依赖关系安排调用顺序,再根据概率表现决定自动执行的范围。
Jev 在 9 月点燃了这个品类,谷歌在 11 月用多模态和批量能力加注。这条路线能否形成长期优势,还要看模型在复杂输入、任务分布变化和真实业务环境中的稳定表现。巨头入场后,专用决策模型进入更大规模的产品竞争,Agent 的工程设计也将从单纯依赖生成模型,转向更细致的模型分工。
关注公众号

扫码关注,获取最新 AI 资讯
3 步完成企业诊断,获取专属转型建议
已有 200+ 企业完成诊断