Gemini Decision 1: il primo modello decisionale di Google è in testa proprio dove conta meno

Sessantasei è un punteggio rispettabile e un titolo fuorviante. Gemini Decision 1, che Google ha rilasciato l'11 novembre 2026 con una nuova Decisions API, si colloca a 66 sull'Artificial Analysis Decision Index v2.1 — nono dei diciotto modelli decisionali classificati dalla board, appena sopra la mediana del campo, pari a 64. È vera anche l'altra metà dell'affermazione del lancio: il modello è primo, in assoluto, nelle componenti di conoscenza e ragionamento dell'indice. Entrambe le frasi superano la verifica, e sembrano contraddittorie per una ragione che vale la pena capire. Quelle due componenti valgono ciascuna il 15% del punteggio. La componente che vale il 30% è quella in cui Gemini Decision 1 è più debole rispetto ai suoi pari.

Questa distinzione non è una sottigliezza sull'aritmetica delle classifiche. Ti dice a cosa è stato costruito questo modello, e non è ciò che la maggior parte delle persone presumerà dalla frase «modello decisionale di Google DeepMind».

Cosa ha effettivamente rilasciato Google

Gemini Decision 1 non scrive. Non è un modello chat con una modalità JSON e non può essere chiamato tramite il normale percorso generate-content. Viene eseguito su un endpoint separato, POST /v1beta/decisions, accetta un blocco di input condiviso più una mappa di domande tipizzate e restituisce una risposta calibrata per domanda con zero token di output. Ogni domanda viene valutata in modo indipendente rispetto allo stesso input in un'unica passata, e il modello non vede mai le chiavi delle tue domande — solo il testo delle istruzioni che scrivi.

Tre tipi di domanda coprono l'intera superficie:

• Sì/no (noul) — restituisce una probabilità compresa tra 0,01 e 0,99 oltre a un punteggio di confidenza. Il limite è intenzionale e significa che una soglia impostata sopra 0,99 non scatterà mai.

• Choice — da due a 255 opzioni denominate, restituendo l'opzione migliore, una probabilità per ogni opzione che somma a uno e un livello di confidenza. Prima del calcolo del punteggio, l'API ordina le chiavi delle tue opzioni alfabeticamente in ordine di byte UTF-8, quindi l'ordine delle chiavi JSON non cambia nulla e un pareggio esatto viene risolto a favore della chiave alfabeticamente precedente. Ecco perché la guida di Google stessa consiglia di chiamare un'opzione catch-all other anziché none_of_the_above, che si ordina prima della maggior parte delle categorie reali anziché dopo.

• Punteggio — da due a 255 livelli di rubrica ordinati, consigliati da due a dieci, restituisce un livello atteso ponderato per probabilità. Poiché il valore atteso calcola la media degli indici dell'array, una scala 1/10/100/1000 lo distorce, e Google lo afferma nella documentazione.

Il resto della scheda tecnica è insolitamente concreto per una pagina di modello del giorno di lancio:

• Input — testo, immagine, video, audio e PDF in un'unica richiesta, con un contesto di 262.144 token che copre l'input condiviso e ogni domanda insieme.

• Scala — fino a 1.000 domande per richiesta, ed è questo numero che lo distingue da un classificatore. Un ticket di assistenza può essere verificato rispetto a quaranta regole di policy in un'unica chiamata, con un solo addebito per l'input condiviso.

• Media — fino a 100 MB di base64 inline per richiesta, 50 MB per i PDF, 15 MB per URL HTTPS esterni. Nessun link YouTube e nessun URI gs://; si passa un riferimento alla Files API, un URL firmato o dei byte.

• Fatturazione — $0,10 per milione di token di input, output non applicabile. Nessuna cache del contesto, nessuna API Batch, nessuna inferenza Flex o Priority. L'input ripetuto tra le richieste viene fatturato per intero ogni volta.

• Limiti di richieste — un piano gratuito a 200 richieste al minuto e 10.000 al giorno, il Tier 1 a 1.500 al minuto e 50.000 al giorno, e richieste giornaliere illimitate dal Tier 2 in su.

Due dettagli in quell’elenco contano più di quanto sembri. Il piano gratuito è senza costi, ma è indicato come utilizzato per migliorare i prodotti Google, il che lo rende inadatto a qualsiasi ambito sensibile. E il modello è disponibile solo sulla Gemini Developer API, alla versione API v1beta — non esiste alcuna voce Vertex AI nella documentazione fornita da Google.

L'aritmetica dietro il 66

Il Decision Index non è una tabella di accuratezza. È una media ponderata di sei valutazioni, e ciascuna viene calcolata come accuratezza meno il Brier score della probabilità che il modello ha associato alla propria risposta. Un modello che risponde in modo errato ma lo dichiara con bassa confidenza viene penalizzato meno di uno che risponde in modo errato ed è sicuro. Questo design premia l'astensione, ed è la cosa più importante da tenere a mente quando si legge qualsiasi numero su questa board.

Ecco dove si colloca Gemini Decision 1 su ciascuna componente, con la sua posizione in classifica tra i diciotto modelli:

• AA-Paperclip, peso 30% — 56,8, posizione 9. Questo è il test delle decisioni sui documenti: 1.500 curriculum privati, ricevute, fatture e documenti, ciascuno con cinque decisioni e dieci fatti, valutati come un unico documento che conta solo quando tutte e quindici le risposte sono corrette. Gemini Decision 1 supera direttamente il 33% dei documenti. Drex Max v1.1 ne supera il 63%.

• EvalSafe-O*NET-AA, 15% — 87.1, posizione 8. Valutazione dei documenti di lavoro. È un risultato solido, ed è la componente in cui i risultati dell'intero campo sono più ravvicinati.

• When2Call, 10% — 80.5, posizione 14. La valutazione di NVIDIA sul tool-calling, e il rank più debole dei sei. Drex Max v1.1 ottiene 95.3 qui.

• AA-Omniscience-Decision v1.1, 15% — 66,3, posizione 1. Conoscenza e allucinazione, dove l'opzione "Non lo so" è formulata in dieci modi diversi.

• HLE-MultiChoice v1.1, 15% — 48.7, posizione 1. Humanity's Last Exam, scelta multipla, con opzione di rifiuto.

• AA-Symmetry v1.1, 15% — 70.5, posizione 9. Se una risposta sopravvive alla stessa domanda riordinata, rietichettata e negata. Gemini Decision 1 mantiene la propria risposta nel 38,3% delle famiglie di domande; Mammoth 27B mantiene l'88,2 sullo stesso strumento.

Pesale e ottieni 65,98. La prima e la quarta riga fanno la maggior parte del lavoro in direzioni opposte, e il motivo è strutturale: Paperclip vale il doppio di ciascuno dei due test di conoscenza, ed è la valutazione che richiede al modello di leggere quindici fatti da un unico documento in modo corretto e simultaneo.

I due primati sono reali, e più limitati di quanto non sembrino.

Essere primi su AA-Omniscience-Decision è un risultato autentico. Gemini Decision 1 ottiene 66,3 contro 64,4 di d1-ultra e 60,9 di GLiDE v1.2, e la sua accuratezza grezza del 44,8% è la più alta tra i diciotto modelli decisionali in quel test. Su HLE-MultiChoice è di nuovo primo con 48,7, davanti a Mammoth 27B e d1-ultra a 47,4. È a questo che si riferisce «primeggiare nella conoscenza e nel ragionamento», e l’affermazione regge.

Ciò che l'affermazione omette è il livello assoluto. Gemini Decision 1 risponde correttamente al 13,2% delle domande di Humanity's Last Exam. Il motivo per cui resta comunque in testa a quella componente è che rinuncia invece di indovinare: il suo tasso di non-allucinazione sullo stesso test è del 35,7%, e la formula di punteggio premia una risposta a bassa probabilità che si rivela sbagliata. Essere in testa al campo sulla calibrazione non equivale a esserlo sulla conoscenza, e il 13% di accuratezza è il numero da portare in un piano di capacità.

Google non ha pubblicato alcuna tabella di benchmark propria per questo modello — le note di rilascio annunciano il modello e l'API, e la documentazione spiega la struttura della richiesta e i limiti. Ogni dato prestazionale riportato sopra proviene da Artificial Analysis, misurato sull'harness degli stessi valutatori, e non esiste alcun numero del fornitore che possa contraddirlo. È più pulito della maggior parte dei lanci e vale la pena dirlo chiaramente, perché l'alternativa — una tabella del fornitore e nessuna verifica esterna — è il caso comune in questa categoria.

Che cosa acquista il prezzo, e che cosa no

A $345 per milione di attività sull'indice, Gemini Decision 1 è il modello più costoso nella metà superiore della classifica. Drex Max v1.1 esegue lo stesso milione di attività per $103, Jev 1.14 per $156, Microsoft-Decision-1 per $143. La spiegazione sta nella tariffa di input: $0,10 per milione di token contro $0,03 per Drex Max v1.1, e un'attività decisionale legge un documento lungo senza mai generare un token che compensi il costo. Artificial Analysis lo colloca al quindicesimo posto su diciotto per costo e osserva che è «particolarmente costoso».

La latenza non è degna di nota. A 211 millisecondi per attività è appena più lenta della mediana del settore di 209 e più lenta di Jev 1.14 a 92. Per una decisione di instradamento dietro un messaggio del cliente, va bene. Per un ciclo frame-by-frame su video in diretta, che la documentazione elenca esplicitamente come caso d'uso, è un argomento a favore di un modello più piccolo piuttosto che contro questo.

Le lacune di capacità sono quelle che la pagina dei prezzi elenca come non disponibili, non quelle che un benchmark può mostrare: l'assenza della Batch API significa nessuna elaborazione notturna a metà prezzo di un milione di ticket storici, e l'assenza del context caching significa che lo stesso documento di policy da 40.000 token viene fatturato di nuovo a ogni richiesta. Se la tua pipeline decisionale rilegge un ampio contesto condiviso ad alto volume, queste due omissioni costano più di quanto suggerisca la tariffa principale, e nessuna delle due figura in una roadmap pubblicata da Google.

Dove si inserisce se già effettui il routing dei modelli

OrcaRouter non include gemini-decision-1. Un endpoint solo probabilità non è un target di chat-completions, quindi non è qualcosa che un router della nostra architettura possa mettere dietro un'unica chiave — e dire il contrario sarebbe il tipo di affermazione sulla disponibilità che suona bene ma fallisce alla prima richiesta. Quello che includiamo è typesafe/jev-1.14 di TypeSafe, un modello decisionale sulla stessa classifica di 18 modelli a 66,23, così la metà scoring di una pipeline può stare sulla stessa chiave della metà scrittura, se è il modello decisionale che scegli.

La parte della scrittura è quella per cui siamo davvero qui. Una pipeline decisionale è quasi sempre composta da due chiamate: qualcosa redige la risposta candidata o la rubrica, e qualcosa la valuta. La chiamata di redazione è quella in cui la scelta del modello è contestata e in cui un secondo contratto con un fornitore pesa, ed è la chiamata che viene eseguita su un unico endpoint con più di 200 modelli a prezzo di listino del fornitore trasferito con 0% di ricarico, così una variazione di prezzo del fornitore è attiva dalla nostra parte lo stesso giorno. Instradare la chiamata di redazione attraverso di noi e indirizzare la chiamata di valutazione all'endpoint di Google stesso è una modifica di due righe, non un'architettura.

Cosa cambierebbe questa lettura

Tre cose, in ordine di probabilità. Una revisione che alzi il tasso di superamento tutto-o-niente del 33% di AA-Paperclip sposterebbe il punteggio composito più di qualsiasi altra cosa potrebbe fare questo modello, perché quella singola componente vale il 30% del punteggio e un ritardo di sedici punti rispetto al leader. Una presenza nel catalogo Vertex AI cambierebbe del tutto la conversazione sull'approvvigionamento — oggi l'unico modo per chiamarlo è una chiave API Gemini, e le imprese che acquistano tramite contratti Google Cloud se ne accorgerebbero. E un secondo board indipendente che riproducesse il 66 trasformerebbe un numero di una singola azienda in un numero di consenso.

Finché uno di questi non si concretizza, la descrizione accurata di Gemini Decision 1 è ristretta e utile: un valutatore multimodale da 262.000 token e 1.000 domande che è il modello decisionale meglio calibrato della classifica nei due casi in cui sapere quando tacere è l'abilità messa alla prova, e uno da metà classifica in quello in cui il compito è leggere un documento denso e azzeccare quindici risposte in una volta. Se le tue decisioni assomigliano al primo tipo, 66 lo sottostima. Se assomigliano al secondo, nessuna leadership nei benchmark di conoscenza salverà il tasso di superamento.