Gemini Decision 1: Googles erstes Entscheidungsmodell führt dort, wo es am wenigsten zählt

Sechsundsechzig ist ein respektabler Wert und eine irreführende Schlagzeile. Gemini Decision 1, das Google am 11. November 2026 hinter einer neuen Decisions API veröffentlichte, landet mit 66 auf dem Artificial Analysis Decision Index v2.1 – Neunter von achtzehn Entscheidungsmodellen, die das Board bewertet, knapp über dem Median des Feldes von 64. Die andere Hälfte der Behauptung zum Marktstart stimmt ebenfalls: Das Modell ist uneingeschränkt Erster bei den Wissens- und Schlussfolgerungskomponenten des Index. Beide Sätze halten einer Prüfung stand, und sie wirken aus einem Grund widersprüchlich, den es sich zu verstehen lohnt. Diese beiden Komponenten zählen jeweils 15 % der Punktzahl. Die Komponente, die 30 % zählt, ist diejenige, in der Gemini Decision 1 gegenüber seinen Konkurrenten am schwächsten ist.

Diese Unterscheidung ist keine Haarspalterei in Bezug auf Leaderboard-Arithmetik. Sie sagt Ihnen, wofür dieses Modell entwickelt wurde, und es ist nicht das, was die meisten bei dem Ausdruck „Entscheidungsmodell von Google DeepMind“ annehmen würden.

Was Google tatsächlich ausgeliefert hat

Gemini Decision 1 schreibt nicht. Es ist kein Chat-Modell mit einem JSON-Modus und kann nicht über den üblichen generate-content-Pfad aufgerufen werden. Es läuft auf einem separaten Endpoint, POST /v1beta/decisions, nimmt einen Block gemeinsamer Eingaben plus eine Map typisierter Fragen entgegen und liefert pro Frage eine kalibrierte Antwort mit null Ausgabe-Tokens. Jede Frage wird in einem einzigen Durchlauf unabhängig anhand derselben Eingabe bewertet, und das Modell sieht Ihre Fragenschlüssel nie – nur den Anweisungstext, den Sie schreiben.

Drei Fragetypen decken die gesamte Bandbreite ab:

• Yes/no (noul) — gibt eine Wahrscheinlichkeit zwischen 0,01 und 0,99 plus einen Konfidenzwert zurück. Die Grenze ist bewusst gewählt, und das bedeutet, dass ein Schwellenwert über 0,99 nie ausgelöst wird.

• Choice — zwei bis 255 benannte Optionen; zurückgegeben werden die beste Option, eine Wahrscheinlichkeit für jede Option mit Summe eins und eine Konfidenz. Vor der Bewertung sortiert die API Ihre Optionsschlüssel alphabetisch in UTF-8-Byte-Reihenfolge, sodass die Reihenfolge der JSON-Schlüssel nichts ändert und bei exaktem Gleichstand der alphabetisch erste Schlüssel gewinnt. Deshalb rät Google selbst dazu, eine Auffangoption other statt none_of_the_above zu nennen, da none_of_the_above vor den meisten echten Kategorien statt dahinter einsortiert wird.

• Punktzahl — zwei bis 255 geordnete Bewertungsstufen, zwei bis zehn empfohlen, wobei eine wahrscheinlichkeitsgewichtete erwartete Stufe zurückgegeben wird. Da der Erwartungswert über Array-Indizes mittelt, verzerrt eine Skala von 1/10/100/1000 das Ergebnis, und Google sagt das in der Dokumentation.

Der Rest der Spezifikation ist ungewöhnlich konkret für eine Modellseite zum Marktstart:

• Eingabe — Text, Bild, Video, Audio und PDF in einer einzigen Anfrage, mit einem Kontext von 262.144 Tokens, der die gemeinsame Eingabe und alle Fragen zusammen umfasst.

• Skalierung — bis zu 1.000 Fragen pro Anfrage, also die Zahl, die dies von einem Klassifikator unterscheidet. Ein Support-Ticket kann gegen vierzig Richtlinienregeln in einem einzigen Aufruf geprüft werden, wobei die gemeinsame Eingabe nur einmal abgerechnet wird.

• Medien — bis zu 100 MB Inline-Base64 pro Anfrage, 50 MB für PDFs, 15 MB pro externer HTTPS-URL. Keine YouTube-Links und keine gs://-URIs; Sie übergeben eine Files-API-Referenz, eine signierte URL oder Bytes.

• Abrechnung — 0,10 $ pro Million Input-Tokens, Output nicht anwendbar. Kein Context Caching, keine Batch-API, keine Flex- oder Priority-Inferenz. Wiederholte Eingaben über mehrere Anfragen hinweg werden jedes Mal vollständig berechnet.

• Ratenlimits — ein kostenloser Tarif mit 200 Anfragen pro Minute und 10.000 pro Tag, Tier 1 mit 1.500 pro Minute und 50.000 pro Tag sowie unbegrenzte tägliche Anfragen ab Tier 2.

Zwei Details in dieser Liste sind wichtiger, als es den Anschein hat. Die kostenlose Stufe ist kostenlos, wird aber als „zur Verbesserung von Google-Produkten verwendet“ aufgeführt, was sie für alles Sensible ausschließt. Und das Modell ist nur über die Gemini Developer API verfügbar, in der API-Version v1beta – in der von Google bereitgestellten Dokumentation gibt es keinen Vertex-AI-Eintrag.

Die Arithmetik hinter der 66

Der Decision Index ist keine Genauigkeitstabelle. Er ist ein gewichteter Durchschnitt aus sechs Bewertungen, und jede davon wird als Genauigkeit minus dem Brier-Score der Wahrscheinlichkeit bewertet, die das Modell seiner Antwort zugeordnet hat. Ein Modell, das falsch antwortet, dies aber mit geringer Konfidenz tut, wird weniger bestraft als eines, das falsch antwortet und sich sicher ist. Dieses Design belohnt Enthaltung, und das ist das Einzige, woran man sich beim Lesen jeder Zahl auf dieser Übersicht vor allem erinnern sollte.

Hier steht Gemini Decision 1 bei jeder Komponente, mit seinem Rang unter den achtzehn Modellen:

• AA-Paperclip, Gewichtung 30 % — 56,8, Rang 9. Dies ist der Dokumentenentscheidungstest: 1.500 private Lebensläufe, Quittungen, Rechnungen und Unterlagen, die jeweils fünf Entscheidungen und zehn Fakten enthalten und als ein einziges Dokument bewertet werden, das nur zählt, wenn alle fünfzehn Antworten richtig sind. Gemini Decision 1 besteht 33 % der Dokumente auf Anhieb. Drex Max v1.1 besteht 63 %.

• EvalSafe-O*NET-AA, 15 % — 87,1, Rang 8. Beurteilung von Arbeitsplatzdokumenten. Das ist ein starkes Ergebnis, und es ist die Komponente, bei der das gesamte Teilnehmerfeld am engsten beieinanderliegt.

• When2Call, 10% — 80,5, Rang 14. NVIDIAs Tool-Calling-Bewertung und die schwächste Platzierung der sechs. Drex Max v1.1 erreicht hier 95,3.

• AA-Omniscience-Decision v1.1, 15 % — 66,3, Rang 1. Wissen und Halluzination, wobei die Option „Ich weiß nicht“ auf zehn verschiedene Arten formuliert ist.

• HLE-MultiChoice v1.1, 15 % — 48,7, Rang 1. Humanity's Last Exam, Multiple-Choice, mit einer Ablehnungsoption.

• AA-Symmetry v1.1, 15 % — 70,5, Rang 9. Ob eine Antwort dieselbe Frage in umgestellter, neu benannter und verneinter Form übersteht. Gemini Decision 1 hält seine Antwort bei 38,3 % der Fragenfamilien; Mammoth 27B hält 88,2 beim selben Instrument.

Wenn man diese gewichtet, erhält man 65,98. Die erste und die vierte Zeile tragen den Großteil bei, und zwar in entgegengesetzte Richtungen, und der Grund dafür ist struktureller Natur: Paperclip zählt doppelt so viel wie jeder der beiden Wissenstests, und es ist die Evaluation, bei der das Modell fünfzehn Fakten aus einem einzigen Dokument korrekt und gleichzeitig herauslesen muss.

Die beiden Premieren sind real – und enger, als sie klingen.

Auf AA-Omniscience-Decision an erster Stelle zu stehen, ist ein echtes Ergebnis. Gemini Decision 1 erzielt 66,3 gegenüber 64,4 für d1-ultra und 60,9 für GLiDE v1.2, und seine Rohgenauigkeit von 44,8 % ist die höchste der achtzehn Entscheidungsmodelle in diesem Test. Bei HLE-MultiChoice liegt es mit 48,7 erneut vorn, vor Mammoth 27B und d1-ultra mit 47,4. Darauf bezieht sich „führend in Wissen und Schlussfolgern“, und die Behauptung trifft zu.

Was die Behauptung auslässt, ist das absolute Niveau. Gemini Decision 1 beantwortet 13,2 % der Fragen von Humanity's Last Exam richtig. Der Grund, warum es diese Komponente dennoch anführt, ist, dass es ablehnt statt zu raten: Seine Nicht-Halluzinationsrate bei demselben Test liegt bei 35,7 %, und die Bewertungsformel honoriert eine unwahrscheinliche Antwort, die sich als falsch herausstellt. An der Spitze des Feldes bei der Kalibrierung zu stehen ist nicht dasselbe wie an der Spitze des Feldes beim Wissen, und 13 % Genauigkeit sind die Zahl, die in eine Kapazitätsplanung gehört.

Google hat für dieses Modell keine eigene Benchmark-Tabelle veröffentlicht – die Release Notes kündigen das Modell und die API an, und die Dokumentation erläutert den Aufbau der Anfragen und die Limits. Jede oben genannte Leistungskennzahl stammt von Artificial Analysis, gemessen auf der eigenen Testumgebung der Evaluatoren, und es gibt keine Herstellerangabe, die ihr widersprechen könnte. Das ist sauberer als bei den meisten Markteinführungen und es lohnt sich, es klar zu sagen, denn der alternative Fall – eine Anbietertabelle und keine externe Prüfung – ist in dieser Kategorie der Normalfall.

Was der Preis kauft – und was nicht.

Bei 345 US-Dollar pro Million Aufgaben im Index ist Gemini Decision 1 das teuerste Modell in der oberen Hälfte des Leaderboards. Drex Max v1.1 bewältigt dieselbe Million Aufgaben für 103 US-Dollar, Jev 1.14 für 156 US-Dollar, Microsoft-Decision-1 für 143 US-Dollar. Der Eingabepreis erklärt das: 0,10 US-Dollar pro Million Token gegenüber 0,03 US-Dollar bei Drex Max v1.1, und eine Entscheidungsaufgabe liest ein langes Dokument, ohne jemals ein Token zu generieren, das die Kosten ausgleichen würde. Artificial Analysis stuft es bei den Kosten auf Platz 15 von 18 ein und merkt an, es sei „besonders teuer“.

Die Latenz ist unspektakulär. Mit 211 Millisekunden pro Aufgabe ist sie eine Winzigkeit langsamer als der Branchenmedian von 209 und langsamer als Jev 1.14 mit 92. Für eine Routing-Entscheidung hinter einer Kundennachricht ist das in Ordnung. Für eine Frame-für-Frame-Schleife über Live-Video, das die Dokumentation ausdrücklich als Anwendungsfall nennt, ist es das Argument für ein kleineres Modell und nicht gegen dieses.

Die Funktionslücken sind diejenigen, die die Preisseite als nicht verfügbar aufführt, nicht die, die ein Benchmark zeigen kann: Keine Batch-API bedeutet, dass es keinen nächtlichen Durchlauf von einer Million historischer Tickets zum halben Preis gibt, und kein Kontext-Caching bedeutet, dass dasselbe Richtlinendokument mit 40.000 Token bei jeder Anfrage erneut abgerechnet wird. Wenn Ihre Entscheidungs-Pipeline einen großen gemeinsamen Kontext in großem Umfang erneut liest, kosten diese beiden Auslassungen mehr, als der beworbene Preis vermuten lässt, und keine der beiden steht auf einer von Google veröffentlichten Roadmap.

Wo das passt, wenn Sie bereits Modelle routen

OrcaRouter führt gemini-decision-1 nicht. Ein Endpoint, der nur Wahrscheinlichkeiten liefert, ist kein Chat-Completions-Ziel, also nichts, was ein Router unserer Bauart hinter einen einzigen Schlüssel legen kann – und etwas anderes zu behaupten wäre die Art von Verfügbarkeitsversprechen, das sich gut liest und beim ersten Request scheitert. Was wir aber führen, ist TypeSafe's typesafe/jev-1.14, ein Entscheidungsmodell auf demselben 18-Modell-Board mit 66.23, sodass die Scoring-Hälfte einer Pipeline unter demselben Schlüssel laufen kann wie die schreibende Hälfte, wenn Sie dieses Entscheidungsmodell wählen.

Die schreibende Hälfte ist der Teil, für den wir eigentlich da sind. Eine Entscheidungs-Pipeline ist fast immer zwei Aufrufe: Etwas entwirft die Kandidatenantwort oder die Rubrik, und etwas bewertet sie. Der Entwurfsaufruf ist der, bei dem die Modellwahl umstritten ist und bei dem ein zweiter Anbietervertrag schmerzt, und genau dieser Aufruf läuft über einen einzigen Endpunkt mit mehr als 200 Modellen darauf zu Anbieter-Listenpreisen, durchgereicht mit 0 % Aufschlag, sodass eine Preisänderung eines Anbieters bei uns noch am selben Tag live ist. Den Entwurfsaufruf über uns zu leiten und den Bewertungsaufruf auf Googles eigenen Endpunkt zu richten, ist eine Änderung in zwei Zeilen, keine Architektur.

Was würde diese Lesart ändern?

Drei Dinge, nach Wahrscheinlichkeit geordnet. Eine Revision, die die Alles-oder-nichts-Bestehensrate von AA-Paperclip von 33 % anhebt, würde den Gesamtwert stärker verbessern als alles andere, was dieses Modell tun könnte, weil diese eine Komponente 30 % der Punktzahl ausmacht und einen Sechzehn-Punkte-Rückstand auf den Spitzenreiter bedeutet. Ein Listing bei Vertex AI würde das Beschaffungsgespräch vollständig verändern – heute ist ein Gemini-API-Schlüssel der einzige Weg, es aufzurufen, und Unternehmen, die über Google-Cloud-Verträge einkaufen, werden das bemerken. Und ein zweites unabhängiges Gremium, das die 66 reproduziert, würde aus einer Zahl eines einzelnen Unternehmens eine Konsenszahl machen.

Bis eines davon eintrifft, ist die zutreffende Beschreibung von Gemini Decision 1 eng umrissen und nützlich: ein multimodaler Scorer mit 262.000 Token und 1.000 Fragen, der an den beiden Stellen, an denen die Kunst, zu wissen, wann man schweigen sollte, die getestete Fähigkeit ist, das am besten kalibrierte Entscheidungsmodell im Feld ist und an einer Stelle im Mittelfeld liegt, wo es darum geht, ein dichtes Dokument zu lesen und fünfzehn Antworten auf einmal richtig zu bekommen. Wenn Ihre Entscheidungen wie die erste Art aussehen, ist 66 eine Untertreibung. Wenn sie wie die zweite aussehen, rettet keine noch so große Spitzenposition bei Wissens-Benchmarks die Bestehensquote.