Gemini Decision 1 : le premier modèle de décision de Google est en tête là où cela compte le moins

Soixante-six est un score respectable et un titre trompeur. Gemini Decision 1, que Google a publié le 11 novembre 2026 derrière une nouvelle API Decisions, obtient 66 sur l'Artificial Analysis Decision Index v2.1 — neuvième des dix-huit modèles de décision classés par le tableau, juste au-dessus de la médiane de 64 du domaine. L'autre moitié de l'affirmation du lancement est également vraie : le modèle est premier, sans partage, sur les composantes de connaissances et de raisonnement de l'indice. Les deux phrases résistent à la vérification, et elles semblent contradictoires pour une raison qu'il vaut la peine de comprendre. Ces deux composantes comptent chacune pour 15 % du score. La composante qui compte pour 30 % est celle où Gemini Decision 1 est le plus faible face à ses pairs.

Cette distinction n’est pas un détail pointilleux sur l’arithmétique des classements. Elle indique ce pour quoi ce modèle a été conçu, et ce n’est pas ce que la plupart des gens supposeront en entendant l’expression « modèle de décision de Google DeepMind ».

Ce que Google a réellement livré

Gemini Decision 1 n’écrit pas. Ce n’est pas un modèle de chat doté d’un mode JSON, et il ne peut pas être appelé via le chemin generate-content ordinaire. Il s’exécute sur un point de terminaison distinct, POST /v1beta/decisions, prend un bloc d’entrée partagé plus une table de questions typées, et renvoie une réponse calibrée par question avec zéro jeton de sortie. Chaque question est évaluée indépendamment par rapport à la même entrée en une seule passe, et le modèle ne voit jamais vos clés de question — uniquement le texte d’instructions que vous rédigez.

Trois types de questions couvrent l’ensemble du champ :

• Oui/non (noul) — renvoie une probabilité comprise entre 0,01 et 0,99 ainsi qu’un score de confiance. La borne est délibérée, et cela signifie qu’un seuil fixé au-dessus de 0,99 ne se déclenchera jamais.

• Choix — de deux à 255 options nommées, renvoyant l’option arrivée en tête, une probabilité pour chaque option dont la somme est égale à 1, et un niveau de confiance. Avant le calcul du score, l’API trie les clés de vos options par ordre alphabétique selon l’ordre des octets UTF-8 ; l’ordre des clés JSON n’a donc aucune incidence et, en cas d’égalité exacte, la première clé par ordre alphabétique l’emporte. C’est pourquoi les propres recommandations de Google conseillent de nommer une option fourre-tout other plutôt que none_of_the_above, car cette dernière se classe avant la plupart des catégories réelles plutôt qu’après elles.

• Score — de deux à 255 niveaux de barème ordonnés, de deux à dix recommandés, renvoyant un niveau attendu pondéré par les probabilités. Comme la valeur attendue fait la moyenne des indices du tableau, une échelle de 1/10/100/1000 la biaise, et Google le dit dans la documentation.

Le reste de la fiche technique est étonnamment concret pour une page de modèle du jour du lancement :

• Entrée — texte, image, vidéo, audio et PDF en une seule requête, avec un contexte de 262 144 jetons couvrant l’entrée partagée et toutes les questions ensemble.

• Échelle — jusqu’à 1 000 questions par requête, le nombre qui distingue cet outil d’un classifieur. Un ticket d’assistance peut être vérifié par rapport à quarante règles de politique en un seul appel, facturé une seule fois pour l’entrée partagée.

• Médias — jusqu'à 100 Mo de base64 intégré par requête, 50 Mo pour les PDF, 15 Mo par URL HTTPS externe. Aucun lien YouTube et aucune URI gs:// ; vous transmettez une référence de l'API Files, une URL signée ou des octets.

• Facturation — 0,10 $ par million de jetons d'entrée, sortie non applicable. Pas de mise en cache du contexte, pas d'API Batch, pas d'inférence Flex ou Priority. Les entrées répétées d'une requête à l'autre sont facturées intégralement à chaque fois.

• Limites de débit — un niveau gratuit à 200 requêtes par minute et 10 000 par jour, le niveau 1 à 1 500 par minute et 50 000 par jour, et des requêtes quotidiennes illimitées à partir du niveau 2.

Deux détails dans cette liste comptent plus qu’ils n’en ont l’air. Le niveau gratuit est sans frais, mais il est indiqué comme utilisé pour améliorer les produits Google, ce qui l’exclut pour tout usage sensible. Et le modèle n’est disponible que sur la Gemini Developer API, en version d’API v1beta — aucune mention de Vertex AI ne figure dans la documentation fournie par Google.

L’arithmétique derrière le 66

L’indice de décision n’est pas un tableau de précision. C’est une moyenne pondérée de six évaluations, et chacune est notée comme la précision moins le score de Brier de la probabilité que le modèle a associée à sa réponse. Un modèle qui répond faux mais le dit avec une faible confiance est moins pénalisé qu’un modèle qui répond faux et en est sûr. Cette conception récompense l’abstention, et c’est la chose la plus importante à garder à l’esprit lorsqu’on lit n’importe quel chiffre de ce tableau.

Voici où se situe Gemini Decision 1 sur chaque composante, avec son rang parmi les dix-huit modèles :

• AA-Paperclip, poids 30 % — 56,8, 9e rang. Il s'agit du test de décision documentaire : 1 500 CV, reçus, factures et documents privés, chacun portant cinq décisions et dix faits, évalués comme un seul document qui ne compte que si les quinze réponses sont exactes. Gemini Decision 1 réussit d'emblée 33 % des documents. Drex Max v1.1 en réussit 63 %.

• EvalSafe-O*NET-AA, 15 % — 87,1, 8e rang. Évaluation de documents professionnels. C'est un résultat solide, et c'est la composante où l'ensemble du domaine se regroupe le plus étroitement.

• When2Call, 10 % — 80,5, rang 14. L'évaluation de l'appel d'outils de NVIDIA, et le rang le plus faible des six. Drex Max v1.1 obtient 95,3 ici.

• AA-Omniscience-Decision v1.1, 15% — 66,3, rang 1. Connaissances et hallucination, où l’option « Je ne sais pas » est formulée de dix manières différentes.

• HLE-MultiChoice v1.1, 15 % — 48,7, rang 1. Humanity's Last Exam, choix multiple, avec une option de refus.

• AA-Symmetry v1.1, 15 % — 70,5, rang 9. Si une réponse survit à la même question réordonnée, réétiquetée et niée. Gemini Decision 1 maintient sa réponse sur 38,3 % des familles de questions ; Mammoth 27B maintient 88,2 sur le même instrument.

Pondérez-les et vous obtenez 65,98. Les première et quatrième lignes font l’essentiel du travail, en sens opposés, et la raison est structurelle : Paperclip vaut deux fois plus que chacun des tests de connaissances, et c’est cette évaluation qui exige que le modèle lise correctement et simultanément quinze faits dans un seul document.

Les deux premières sont bien réelles, et plus étroites qu’elles n’en ont l’air.

Être premier sur AA-Omniscience-Decision est un véritable résultat. Gemini Decision 1 obtient 66,3 contre 64,4 pour d1-ultra et 60,9 pour GLiDE v1.2, et sa précision brute de 44,8 % est la plus élevée des dix-huit modèles de décision de ce test. Sur HLE-MultiChoice, il est de nouveau premier avec 48,7, devant Mammoth 27B et d1-ultra à 47,4. C’est à cela que renvoie « être leader en connaissances et en raisonnement », et l’affirmation tient.

Ce que l’affirmation omet, c’est le niveau absolu. Gemini Decision 1 répond correctement à 13,2 % des questions de Humanity's Last Exam. La raison pour laquelle il arrive encore en tête sur cette composante est qu’il refuse de répondre plutôt que de deviner : son taux de non-hallucination au même test est de 35,7 %, et la formule de notation valorise une réponse à faible probabilité qui s’avère fausse. Être en tête du domaine sur la calibration n’est pas la même chose qu’être en tête du domaine sur la connaissance, et 13 % de précision est le chiffre à retenir pour un plan de capacité.

Google n'a publié aucun tableau de référence de son cru pour ce modèle — les notes de version annoncent le modèle et l'API, et la documentation explique la forme des requêtes et les limites. Chaque chiffre de performance ci-dessus provient de {{1}}Artificial Analysis{{/1}}, mesuré sur le propre banc d'essai des évaluateurs, et aucun chiffre du fournisseur n'existe pour le contredire. C'est plus propre que la plupart des lancements et cela vaut la peine d'être dit clairement, car l'alternative — un tableau du fournisseur et aucune vérification externe — est le cas courant dans cette catégorie.

Ce que le prix achète, et ce qu’il n’achète pas

À 345 $ le million de tâches sur l’indice, Gemini Decision 1 est le modèle le plus cher de la moitié supérieure du classement. Drex Max v1.1 exécute le même million de tâches pour 103 $, Jev 1.14 pour 156 $, Microsoft-Decision-1 pour 143 $. Le tarif des tokens d’entrée explique cela : 0,10 $ par million de tokens contre 0,03 $ pour Drex Max v1.1, et une tâche de décision lit un long document sans jamais générer de token pour compenser le coût. Artificial Analysis le classe quinzième sur dix-huit pour le coût et note qu’il est « particulièrement coûteux ».

La latence n’a rien de remarquable. À 211 millisecondes par tâche, elle est à peine plus lente que la médiane du secteur, à 209, et plus lente que Jev 1.14, à 92. Pour une décision de routage derrière un message client, c’est acceptable. Pour une boucle image par image sur de la vidéo en direct, que la documentation liste explicitement comme cas d’usage, c’est un argument en faveur d’un modèle plus petit, et non contre celui-ci.

Les lacunes de capacités sont celles que la page de tarification liste comme indisponibles, plutôt que celles qu’un benchmark peut mettre en évidence : l’absence de Batch API signifie pas de balayage nocturne à moitié prix d’un million de tickets historiques, et l’absence de mise en cache du contexte signifie que le même document de politique de 40 000 tokens est facturé à nouveau à chaque requête. Si votre pipeline de décision relit à grande échelle un contexte partagé volumineux, ces deux omissions coûtent plus que ne le suggère le tarif affiché, et aucune des deux ne figure sur une feuille de route publiée par Google.

Où cela s’intègre si vous routez déjà des modèles

OrcaRouter ne prend pas en charge gemini-decision-1. Un endpoint qui ne fournit que des probabilités n’est pas une cible chat-completions ; ce n’est donc pas quelque chose qu’un routeur comme le nôtre peut placer derrière une seule clé — et prétendre le contraire relèverait de ce type d’affirmation de disponibilité qui sonne bien mais échoue dès la première requête. Ce que nous prenons en charge, c’est typesafe/jev-1.14 de TypeSafe, un modèle de décision figurant sur le même tableau de 18 modèles à 66,23, de sorte que la moitié « scoring » d’un pipeline peut reposer sur la même clé que la moitié « rédaction » si c’est ce modèle de décision que vous choisissez.

La partie rédactionnelle est celle pour laquelle nous sommes réellement là. Un pipeline de décision se compose presque toujours de deux appels : quelque chose rédige la réponse candidate ou la grille d’évaluation, et quelque chose la note. L’appel de rédaction est celui où le choix du modèle est contesté et où un second contrat fournisseur coûte cher, et c’est l’appel qui passe par un seul point de terminaison avec plus de 200 modèles disponibles au prix catalogue du fournisseur répercuté avec 0 % de marge, donc une modification de prix du fournisseur est effective de notre côté le jour même. Router l’appel de rédaction via nous et pointer l’appel de notation vers le point de terminaison propre à Google est un changement de deux lignes, pas une architecture.

Qu'est-ce qui changerait cette lecture ?

Trois choses, par ordre de probabilité. Une révision qui relèverait le taux de réussite tout-ou-rien de 33 % d’AA-Paperclip ferait progresser le composite davantage que toute autre action possible de ce modèle, car cette seule composante pèse 30 % du score et accuse un déficit de seize points par rapport au leader. Une inscription dans le catalogue Vertex AI changerait entièrement la discussion sur les achats — aujourd’hui, la seule façon de l’appeler est une clé API Gemini, et les entreprises qui achètent via des contrats Google Cloud le remarqueront. Et un second jury indépendant reproduisant le 66 transformerait un chiffre issu d’une seule firme en un chiffre consensuel.

Jusqu’à ce que l’un de ceux-ci aboutisse, la description exacte de Gemini Decision 1 est étroite et utile : un évaluateur multimodal de 262 000 tokens et 1 000 questions qui est le modèle de décision le mieux calibré du tableau dans les deux endroits où savoir quand se taire est la compétence testée, et un modèle de milieu de tableau dans celui où le travail consiste à lire un document dense et à obtenir quinze bonnes réponses d’un coup. Si vos décisions ressemblent au premier type, 66 le sous-estime. Si elles ressemblent au second, aucune position de leader sur les benchmarks de connaissances ne sauvera le taux de réussite.