Decisión Gemini 1: el primer modelo de decisión de Google lidera donde menos importa

Sesenta y seis es una puntuación respetable y un titular engañoso. Gemini Decision 1, que Google lanzó el 11 de noviembre de 2026 detrás de una nueva Decisions API, se sitúa en 66 en el Artificial Analysis Decision Index v2.1 —noveno de los dieciocho modelos de decisión que clasifica el ranking, justo por encima de la mediana del conjunto, 64. La otra mitad de la afirmación del lanzamiento también es cierta: el modelo es primero, de forma absoluta, en los componentes de conocimiento y razonamiento del índice. Ambas frases resisten la verificación, y parecen contradictorias por una razón que vale la pena entender. Esos dos componentes valen un 15 % de la puntuación cada uno. El componente que vale un 30 % es aquel en el que Gemini Decision 1 es más débil frente a sus pares.

Esa distinción no es una minucia sobre la aritmética de las tablas de clasificación. Te dice para qué se construyó este modelo, y no es lo que la mayoría de la gente supondrá por la frase «modelo de decisión de Google DeepMind».

Lo que Google realmente lanzó

Gemini Decision 1 no escribe. No es un modelo de chat con modo JSON y no se puede llamar a través de la ruta habitual de generate-content. Se ejecuta en un endpoint separado, POST /v1beta/decisions, toma un bloque de entrada compartida más un mapa de preguntas tipadas y devuelve una respuesta calibrada por pregunta con cero tokens de salida. Cada pregunta se evalúa de forma independiente con respecto a la misma entrada en una sola pasada, y el modelo nunca ve las claves de tus preguntas — solo el texto de instrucciones que escribes.

Tres tipos de preguntas abarcan toda la superficie:

• Sí/no (noul) — devuelve una probabilidad entre 0.01 y 0.99 además de una puntuación de confianza. El límite es deliberado, y significa que un umbral establecido por encima de 0.99 nunca se activará.

• Elección — de dos a 255 opciones con nombre, que devuelve la opción principal, una probabilidad para cada opción que suma uno, y un nivel de confianza. Antes de puntuar, la API ordena las claves de tus opciones alfabéticamente por orden de bytes UTF-8, así que el orden de las claves JSON no cambia nada y un empate exacto se resuelve a favor de la clave alfabéticamente primera. Por eso la propia guía de Google dice que nombres una opción comodín other en lugar de none_of_the_above, que se ordena antes que la mayoría de las categorías reales en vez de después de ellas.

• Puntuación — de dos a 255 niveles de rúbrica ordenados; se recomiendan de dos a diez; devuelve un nivel esperado ponderado por probabilidad. Como el valor esperado promedia los índices del array, una escala de 1/10/100/1000 lo sesga, y Google así lo indica en la documentación.

El resto de la especificación es inusualmente concreta para una página de modelo del día de lanzamiento:

• Entrada — texto, imagen, vídeo, audio y PDF en una sola solicitud, con un contexto de 262.144 tokens que abarca la entrada compartida y todas las preguntas en conjunto.

• Escala — hasta 1.000 preguntas por solicitud, que es la cifra que lo distingue de un clasificador. Un ticket de soporte se puede comprobar contra cuarenta reglas de política en una sola llamada, con un solo cobro por la entrada compartida.

• Contenido multimedia — hasta 100 MB de base64 en línea por solicitud, 50 MB para PDF, 15 MB por URL HTTPS externa. No se permiten enlaces de YouTube ni URI gs://; debe pasar una referencia de Files API, una URL firmada o bytes.

• Facturación — $0.10 por millón de tokens de entrada; la salida no aplica. Sin almacenamiento en caché de contexto, sin API Batch, sin inferencia Flex ni Priority. La entrada repetida entre solicitudes se factura íntegramente cada vez.

• Límites de frecuencia — un nivel gratuito con 200 solicitudes por minuto y 10.000 al día, Nivel 1 con 1.500 por minuto y 50.000 al día, y solicitudes diarias ilimitadas a partir del Nivel 2.

En esa lista hay dos detalles que importan más de lo que parecen. El nivel gratuito no tiene costo, pero figura como usado para mejorar los productos de Google, lo que lo descarta para cualquier cosa sensible. Y el modelo solo está disponible en la Gemini Developer API, en la versión de API v1beta; no hay ninguna entrada de Vertex AI en la documentación que Google publicó.

La aritmética detrás del 66

El Decision Index no es una tabla de precisión. Es un promedio ponderado de seis evaluaciones, y cada una se puntúa como precisión menos la puntuación de Brier de la probabilidad que el modelo asignó a su respuesta. Un modelo que responde incorrectamente pero lo indica con baja confianza recibe una penalización menor que uno que responde incorrectamente y está seguro. Ese diseño recompensa la abstención, y es lo más importante que hay que tener en cuenta al leer cualquier número de este panel.

Aquí está la posición de Gemini Decision 1 en cada componente, junto con su clasificación entre los dieciocho modelos:

• AA-Paperclip, ponderación del 30 % — 56,8, puesto 9. Esta es la prueba de decisión documental: 1.500 currículums privados, recibos, facturas y documentos, cada uno con cinco decisiones y diez datos, puntuados como un solo documento que solo cuenta cuando las quince respuestas son correctas. Gemini Decision 1 aprueba directamente el 33 % de los documentos. Drex Max v1.1 aprueba el 63 %.

• EvalSafe-O*NET-AA, 15% — 87.1, puesto 8. Evaluación de documentos laborales. Este es un resultado sólido, y es el componente en el que todo el campo se agrupa más estrechamente.

• When2Call, 10% — 80.5, puesto 14. La evaluación de llamada de herramientas de NVIDIA, y el puesto más débil de los seis. Drex Max v1.1 obtiene 95.3 aquí.

• AA-Omniscience-Decision v1.1, 15% — 66,3, puesto 1. Conocimiento y alucinación, donde la opción "no lo sé" está formulada de diez maneras distintas.

• HLE-MultiChoice v1.1, 15% — 48.7, puesto 1. Humanity's Last Exam, opción múltiple, con una opción de declinar.

• AA-Symmetry v1.1, 15% — 70,5, puesto 9. Si una respuesta sobrevive a la misma pregunta reordenada, reetiquetada y negada. Gemini Decision 1 mantiene su respuesta en el 38,3% de las familias de preguntas; Mammoth 27B mantiene 88,2 en el mismo instrumento.

Si los ponderas, obtienes 65.98. La primera y la cuarta fila hacen la mayor parte del trabajo en direcciones opuestas, y la razón es estructural: Paperclip vale el doble que cualquiera de las pruebas de conocimiento, y es la evaluación que requiere que el modelo lea quince datos de un único documento correctamente y de forma simultánea.

Los dos primeros son reales, y más limitados de lo que suenan.

Ser el primero en AA-Omniscience-Decision es un resultado genuino. Gemini Decision 1 obtiene 66,3 frente a 64,4 de d1-ultra y 60,9 de GLiDE v1.2, y su precisión bruta del 44,8 % es la más alta de los dieciocho modelos de decisión en esa prueba. En HLE-MultiChoice vuelve a ser primero con 48,7, por delante de Mammoth 27B y d1-ultra con 47,4. A eso se refiere «liderar en conocimiento y razonamiento», y la afirmación se sostiene.

Lo que la afirmación omite es el nivel absoluto. Gemini Decision 1 acierta el 13,2 % de las preguntas de Humanity's Last Exam. La razón por la que sigue encabezando ese componente es que se abstiene en lugar de adivinar: su tasa de no alucinación en la misma prueba es del 35,7 %, y la fórmula de puntuación penaliza una respuesta de baja probabilidad que resulta incorrecta. Estar a la cabeza del campo en calibración no es lo mismo que estarlo en conocimiento, y el 13 % de precisión es la cifra que hay que llevar a un plan de capacidad.

Google no ha publicado ninguna tabla de benchmarks propia para este modelo: las notas de la versión anuncian el modelo y la API, y la documentación explica la forma de las solicitudes y los límites. Todas las cifras de rendimiento anteriores son de Artificial Analysis, medidas en el propio entorno de pruebas de los evaluadores, y no existe ninguna cifra del proveedor que las contradiga. Eso es más limpio que la mayoría de los lanzamientos y merece decirse sin rodeos, porque la alternativa —una tabla del proveedor y ninguna verificación externa— es lo habitual en esta categoría.

Lo que el precio compra, y lo que no.

Con $345 por millón de tareas en el índice, Gemini Decision 1 es el modelo más caro de la mitad superior de la clasificación. Drex Max v1.1 ejecuta el mismo millón de tareas por $103, Jev 1.14 por $156 y Microsoft-Decision-1 por $143. La tarifa de entrada lo explica: $0.10 por millón de tokens frente a $0.03 de Drex Max v1.1, y una tarea de decisión lee un documento largo sin generar nunca un token que compense el coste. Artificial Analysis la sitúa en decimoquinta posición de dieciocho en cuanto a coste y señala que es «especialmente caro».

La latencia no tiene nada de especial. Con 211 milisegundos por tarea, es un pelo más lenta que la mediana del sector, de 209, y más lenta que Jev 1.14, con 92. Para una decisión de enrutamiento detrás de un mensaje de cliente, no supone problema. Para un bucle fotograma a fotograma sobre vídeo en directo, que la documentación enumera explícitamente como caso de uso, es un argumento a favor de un modelo más pequeño, y no en contra de este.

Las brechas de capacidades son las que la {{1}}página de precios{{/1}} enumera como no disponibles, en lugar de las que puede mostrar un benchmark: no tener Batch API significa que no hay un barrido nocturno a mitad de precio de un millón de tickets históricos, y no tener caché de contexto significa que el mismo documento de políticas de 40.000 tokens se factura de nuevo en cada solicitud. Si tu pipeline de decisiones relee un contexto compartido grande en volumen, esas dos omisiones cuestan más de lo que sugiere la tarifa anunciada, y ninguna está en una hoja de ruta que Google haya publicado.

Dónde encaja esto si ya enrutas modelos

OrcaRouter no incluye gemini-decision-1. Un endpoint de solo probabilidades no es un destino de chat-completions, así que no es algo que un router como el nuestro pueda poner detrás de una sola clave — y afirmar lo contrario sería el tipo de declaración de disponibilidad que suena bien y falla en la primera solicitud. Lo que sí incluimos es typesafe/jev-1.14 de TypeSafe, un modelo de decisión en el mismo tablero de 18 modelos con 66.23, de modo que la mitad de puntuación de un pipeline puede estar en la misma clave que la mitad de escritura si ese es el modelo de decisión que eliges.

La mitad de escritura es la parte para la que realmente existimos. Un pipeline de decisiones casi siempre consta de dos llamadas: algo redacta la respuesta candidata o la rúbrica, y algo la puntúa. La llamada de redacción es donde la elección de modelo está en disputa y donde un segundo contrato con proveedor resulta gravoso, y es la llamada que se ejecuta a través de un único endpoint con más de 200 modelos en él a precio de lista del proveedor traspasado con 0% de margen, por lo que un cambio de precio del proveedor se aplica de nuestro lado el mismo día. Enrutar la llamada de redacción a través de nosotros y dirigir la llamada de puntuación al endpoint propio de Google es un cambio de dos líneas, no una arquitectura.

¿Qué cambiaría esta lectura?

Tres cosas, en orden de probabilidad. Una revisión que eleve la tasa de aprobación de todo o nada del 33 % de AA-Paperclip impulsaría el compuesto más que cualquier otra cosa que este modelo pueda hacer, porque ese único componente aporta el 30 % de la puntuación y una desventaja de dieciséis puntos frente al líder. Una ficha en Vertex AI cambiaría por completo la conversación sobre adquisiciones: hoy la única forma de invocarlo es con una clave de API de Gemini, y las empresas que compran mediante contratos de Google Cloud lo notarán. Y un segundo panel independiente que reproduzca el 66 convertiría una cifra de una sola firma en una cifra de consenso.

Hasta que uno de esos llegue, la descripción precisa de Gemini Decision 1 es limitada y útil: un evaluador multimodal de 262.000 tokens y 1.000 preguntas que es el modelo de decisión mejor calibrado de la tabla en los dos ámbitos donde saber cuándo callarse es la habilidad que se evalúa, y uno de mitad de tabla donde la tarea consiste en leer un documento denso y acertar quince respuestas a la vez. Si tus decisiones se parecen a las del primer tipo, 66 se queda corto. Si se parecen a las del segundo, ningún liderazgo en benchmarks de conocimiento salvará la tasa de aprobación.