Gemini Decision 1: Model Keputusan Pertama Google Unggul di Bidang yang Paling Tidak Penting

Enam puluh enam adalah skor yang terhormat dan judul yang menyesatkan. Gemini Decision 1, yang dirilis Google pada 11 November 2026 melalui Decisions API baru, berada pada 66 di Artificial Analysis Decision Index v2.1 — peringkat kesembilan dari delapan belas model keputusan yang diperingkat dewan, tepat di atas median bidang sebesar 64. Separuh klaim peluncuran lainnya juga benar: model ini berada di peringkat pertama, secara mutlak, pada komponen pengetahuan dan penalaran indeks tersebut. Kedua kalimat itu lolos pemeriksaan, dan keduanya terasa kontradiktif karena alasan yang layak dipahami. Kedua komponen itu masing-masing bernilai 15% dari skor. Komponen yang bernilai 30% adalah komponen tempat Gemini Decision 1 paling lemah dibandingkan para pesaingnya.

Perbedaan itu bukanlah perdebatan sepele soal aritmetika papan peringkat. Itu memberi tahu Anda untuk apa model ini dibuat, dan bukan seperti yang akan diasumsikan kebanyakan orang dari frasa "decision model from Google DeepMind".

Apa yang sebenarnya dirilis Google

Gemini Decision 1 tidak menulis. Ini bukan model chat dengan mode JSON, dan tidak dapat dipanggil melalui jalur generate-content biasa. Model ini berjalan pada endpoint terpisah, POST /v1beta/decisions, menerima satu blok input bersama plus peta pertanyaan bertipe, dan mengembalikan satu jawaban terkalibrasi per pertanyaan tanpa token output. Setiap pertanyaan dievaluasi secara independen terhadap input yang sama dalam satu proses, dan model tidak pernah melihat kunci pertanyaan Anda — hanya teks instruksi yang Anda tulis.

Tiga jenis pertanyaan mencakup seluruh permukaan:

• Ya/tidak (noul) — mengembalikan probabilitas antara 0,01 dan 0,99 serta skor keyakinan. Batas ini disengaja, dan artinya ambang yang ditetapkan di atas 0,99 tidak akan pernah terpicu.

• Pilihan — dua hingga 255 opsi bernama, yang mengembalikan opsi teratas, probabilitas untuk setiap opsi yang berjumlah satu, dan tingkat keyakinan. Sebelum melakukan penilaian, API mengurutkan kunci opsi Anda secara alfabetis dalam urutan byte UTF-8, sehingga urutan kunci JSON tidak mengubah apa pun dan seri persis akan dimenangkan oleh kunci yang paling awal secara alfabetis. Itulah sebabnya panduan Google sendiri menyarankan untuk menamai opsi serba-cakup sebagai other alih-alih none_of_the_above, yang terurut di depan sebagian besar kategori nyata, bukan setelahnya.

• Skor — dua hingga 255 tingkat rubrik berurutan, dua hingga sepuluh direkomendasikan, yang mengembalikan tingkat ekspektasi berbobot probabilitas. Karena nilai ekspektasi merata-ratakan indeks array, skala 1/10/100/1000 mendistorsinya, dan Google menyatakan hal itu dalam dokumentasi.

Sisa spesifikasinya luar biasa konkret untuk halaman model hari peluncuran:

• Input — teks, gambar, video, audio, dan PDF dalam satu permintaan, dengan konteks 262.144 token yang mencakup input bersama dan setiap pertanyaan sekaligus.

• Skala — hingga 1.000 pertanyaan per permintaan, angka yang membedakannya dari sebuah pengklasifikasi. Sebuah tiket dukungan dapat diperiksa terhadap empat puluh aturan kebijakan dalam satu panggilan, dan ditagih sekali untuk input yang sama.

• Media — hingga 100 MB base64 inline per permintaan, 50 MB untuk PDF, 15 MB per URL HTTPS eksternal. Tidak ada tautan YouTube dan tidak ada URI gs://; Anda meneruskan referensi Files API, URL bertanda tangan, atau byte.

• Penagihan — $0,10 per juta token masukan, keluaran tidak berlaku. Tidak ada caching konteks, tidak ada Batch API, tidak ada inferensi Flex atau Priority. Masukan yang berulang di seluruh permintaan ditagih penuh setiap kali.

• Batas laju — tingkat gratis dengan 200 permintaan per menit dan 10.000 per hari, Tier 1 dengan 1.500 per menit dan 50.000 per hari, serta permintaan harian tanpa batas mulai dari Tier 2 ke atas.

Dua detail dalam daftar itu lebih penting daripada yang terlihat. Tingkat gratisnya {{1}}tidak dikenakan biaya{{/1}} tetapi tercantum sebagai {{2}}digunakan untuk meningkatkan produk Google{{/2}}, yang membuatnya tidak cocok untuk hal apa pun yang sensitif. Dan model tersebut tersedia {{3}}hanya di Gemini Developer API{{/3}}, pada versi API {{4}}v1beta{{/4}} — tidak ada daftar Vertex AI dalam dokumentasi yang dirilis Google.

Aritmetika di balik 66

Decision Index bukanlah tabel akurasi. Ini adalah rata-rata berbobot dari enam evaluasi, dan masing-masing dinilai sebagai akurasi dikurangi Brier score dari probabilitas yang model berikan pada jawabannya. Model yang menjawab salah tetapi menyatakannya dengan keyakinan rendah dihukum lebih ringan daripada model yang menjawab salah dan yakin. Desain itu memberi imbalan pada abstensi, dan itu adalah hal terpenting yang harus diingat saat membaca angka apa pun di papan ini.

Berikut adalah posisi Gemini Decision 1 pada setiap komponen, beserta peringkatnya di antara delapan belas model:

• AA-Paperclip, bobot 30% — 56.8, peringkat 9. Ini adalah uji keputusan dokumen: 1.500 resume pribadi, kuitansi, faktur, dan dokumen, masing-masing memuat lima keputusan dan sepuluh fakta, dinilai sebagai satu dokumen yang hanya dihitung jika kelima belas jawabannya benar. Gemini Decision 1 lulus 33% dokumen secara langsung. Drex Max v1.1 lulus 63%.

• EvalSafe-O*NET-AA, 15% — 87.1, peringkat 8. Penilaian dokumen tempat kerja. Ini hasil yang kuat, dan ini merupakan komponen tempat seluruh peserta paling rapat mengelompok.

• When2Call, 10% — 80,5, peringkat 14. Evaluasi pemanggilan alat dari NVIDIA, dan peringkat terlemah di antara keenamnya. Drex Max v1.1 mencetak 95,3 di sini.

• AA-Omniscience-Decision v1.1, 15% — 66.3, peringkat 1. Pengetahuan dan halusinasi, dengan opsi "Saya tidak tahu" yang dirumuskan dalam sepuluh cara berbeda.

• HLE-MultiChoice v1.1, 15% — 48,7, peringkat 1. Humanity's Last Exam, pilihan ganda, dengan opsi menolak.

• AA-Symmetry v1.1, 15% — 70,5, peringkat 9. Apakah sebuah jawaban tetap bertahan ketika pertanyaan yang sama disusun ulang, dilabeli ulang, dan dinegasikan. Gemini Decision 1 mempertahankan jawabannya pada 38,3% keluarga pertanyaan; Mammoth 27B mempertahankan 88,2 pada instrumen yang sama.

Jika diberi bobot, hasilnya 65,98. Baris pertama dan keempat menyumbang sebagian besar pekerjaan ke arah yang berlawanan, dan alasannya bersifat struktural: Paperclip bernilai dua kali lipat dibandingkan salah satu tes pengetahuan, dan itulah evaluasi yang menuntut model membaca lima belas fakta dari satu dokumen dengan benar dan sekaligus.

Dua 'pertama' itu nyata, dan lebih sempit daripada kedengarannya.

Menjadi yang pertama pada AA-Omniscience-Decision adalah hasil yang nyata. Gemini Decision 1 mencetak 66,3 berbanding 64,4 untuk d1-ultra dan 60,9 untuk GLiDE v1.2, dan akurasi mentahnya sebesar 44,8% adalah yang tertinggi di antara delapan belas model keputusan pada tes tersebut. Pada HLE-MultiChoice, ia kembali menjadi yang pertama dengan 48,7, di depan Mammoth 27B dan d1-ultra pada 47,4. Itulah yang dimaksud dengan "memimpin dalam pengetahuan dan penalaran", dan klaim tersebut terbukti benar.

Yang dihilangkan oleh klaim itu adalah tingkat absolutnya. Gemini Decision 1 menjawab benar 13,2% pertanyaan Humanity's Last Exam. Alasan model itu tetap memuncaki komponen tersebut adalah karena ia menolak menjawab alih-alih menebak: tingkat non-halusinasinya pada tes yang sama adalah 35,7%, dan rumus penilaian memberi nilai atas jawaban berprobabilitas rendah yang ternyata salah. Puncak di bidang kalibrasi tidak sama dengan puncak di bidang pengetahuan, dan akurasi 13% adalah angka yang harus dibawa ke dalam rencana kapasitas.

Google tidak menerbitkan tabel benchmark sendiri untuk model ini — catatan rilis mengumumkan model dan API-nya, dan dokumentasi menjelaskan bentuk permintaan serta batasannya. Setiap angka kinerja di atas berasal dari Artificial Analysis, diukur dengan harness milik para evaluator sendiri, dan tidak ada angka dari vendor yang bisa membantahnya. Itu lebih bersih daripada kebanyakan peluncuran dan layak dikatakan secara langsung, karena alternatifnya — tabel dari vendor dan tanpa pemeriksaan eksternal — adalah kasus umum di kategori ini.

Apa yang bisa dibeli oleh harga, dan apa yang tidak.

Dengan biaya $345 per juta tugas pada indeks, Gemini Decision 1 adalah model termahal di separuh atas papan peringkat. Drex Max v1.1 menjalankan satu juta tugas yang sama dengan biaya $103, Jev 1.14 dengan $156, Microsoft-Decision-1 dengan $143. Tarif input menjelaskannya: $0,10 per juta token dibandingkan $0,03 untuk Drex Max v1.1, dan tugas keputusan membaca dokumen panjang tanpa pernah menghasilkan token untuk mengimbangi biayanya. Artificial Analysis memeringkatnya kelima belas dari delapan belas dalam hal biaya dan mencatat bahwa model ini "sangat mahal".

Latensi tidak istimewa. Pada 211 milidetik per tugas, ini sedikit lebih lambat daripada median di bidang ini, yaitu 209, dan lebih lambat daripada Jev 1.14 pada 92. Untuk keputusan perutean di balik pesan pelanggan, itu tidak masalah. Untuk loop frame demi frame pada video langsung, yang secara eksplisit dicantumkan dokumentasi sebagai kasus penggunaan, itu adalah argumen untuk model yang lebih kecil, bukan menentang model ini.

Celah kemampuan yang dimaksud adalah yang dicantumkan halaman harga sebagai tidak tersedia, bukan yang dapat ditunjukkan oleh tolok ukur: tidak adanya Batch API berarti tidak ada penyisiran semalam dengan harga separuh untuk sejuta tiket historis, dan tidak adanya caching konteks berarti dokumen kebijakan 40.000 token yang sama ditagih lagi pada setiap permintaan. Jika pipeline keputusan Anda membaca ulang konteks bersama yang besar dalam volume tinggi, kedua kekurangan itu memakan biaya lebih besar daripada yang disiratkan tarif utama, dan keduanya tidak ada dalam peta jalan yang telah diterbitkan Google.

Di mana ini cocok jika Anda sudah merutekan model

OrcaRouter tidak membawa gemini-decision-1. Endpoint yang hanya menyediakan probabilitas bukanlah target chat-completions, jadi itu bukan sesuatu yang bisa diletakkan oleh router dengan bentuk kami di belakang satu kunci — dan mengatakan sebaliknya akan menjadi klaim ketersediaan yang terdengar bagus tetapi gagal pada permintaan pertama. Yang kami bawa adalah typesafe/jev-1.14 dari TypeSafe, sebuah model keputusan pada papan 18 model yang sama pada 66.23, sehingga separuh penilaian dari sebuah pipeline dapat berada pada kunci yang sama dengan separuh penulisan jika itu adalah model keputusan yang Anda pilih.

Bagian penulisan adalah bagian yang sebenarnya menjadi tujuan kami. Pipeline keputusan hampir selalu terdiri dari dua panggilan: sesuatu yang menyusun draf jawaban kandidat atau rubrik, dan sesuatu yang menilainya. Panggilan penyusunan draf adalah tempat pilihan model diperebutkan dan tempat kontrak vendor kedua merugikan, dan itulah panggilan yang berjalan melalui satu endpoint dengan lebih dari 200 model di dalamnya pada harga daftar penyedia yang diteruskan dengan markup 0%, sehingga perubahan harga vendor langsung berlaku di sisi kami pada hari yang sama. Mengarahkan panggilan penyusunan draf melalui kami dan mengarahkan panggilan penilaian ke endpoint milik Google sendiri adalah perubahan dua baris, bukan arsitektur.

Apa yang akan mengubah pembacaan ini?

Tiga hal, menurut urutan kemungkinannya. Revisi yang menaikkan tingkat kelulusan all-or-nothing AA-Paperclip sebesar 33% akan menggerakkan skor komposit lebih jauh daripada apa pun yang bisa dilakukan model ini, karena satu komponen itu menyumbang 30% dari skor dan defisit enam belas poin terhadap pemimpin. Pencantuman di Vertex AI akan sepenuhnya mengubah percakapan pengadaan — saat ini satu-satunya cara untuk memanggilnya adalah dengan kunci API Gemini, dan perusahaan yang membeli melalui kontrak Google Cloud akan menyadarinya. Dan panel independen kedua yang mereproduksi angka 66 akan mengubah angka dari satu perusahaan menjadi angka konsensus.

Sampai salah satunya terwujud, deskripsi akurat untuk Gemini Decision 1 bersifat sempit namun berguna: penilai multimodal 262.000 token dengan 1.000 pertanyaan yang merupakan model keputusan terkalibrasi terbaik di antara semua model dalam dua area ketika keterampilan yang diuji adalah mengetahui kapan harus diam, dan model peringkat menengah ketika tugasnya adalah membaca dokumen padat dan menjawab lima belas pertanyaan dengan benar sekaligus. Jika keputusan Anda tampak seperti jenis pertama, angka 66 meremehkannya. Jika tampak seperti jenis kedua, sebesar apa pun kepemimpinan dalam tolok ukur pengetahuan tidak akan menyelamatkan tingkat kelulusan.