Drex for Finance 対 Gemini 決定1：確率を購入する2つの方法

スペックシートを並べてみると、Drex for FinanceとG​emini Decision 1は、2社が出した同じ製品のように見える。どちらも入力のブロックと型付きの質問群を受け取り、どちらも生成テキストを伴わずに質問ごとのスコア付き回答を返し、どちらも262,144トークンのリクエストに対応し、どちらも100万入力トークンあたりドルではなくセント単位のコストだ。類似が途切れるのは、実際にこれを買う理由となる部分においてである。2026年11月11日にG​oogleのDeveloper APIで公開されたG​emini Decision 1は汎用の意思決定モデルであり、その際立った能力は「いつ断るべきか」を見極めることにある。一方、2026年11月2日から100万入力トークンあたり0.03ドルで一般提供されているDrex for Financeはドメイン特化のファインチューニングモデルで、際立った能力は財務文書を読み、15の回答を一度に正しく出すことにある。9日の違い、同じリクエスト形状、正反対の賭け——そして、両者を同じ尺度で並べた公開実行結果はこれまで一度も存在しない。

誰も行ったことのない比較

これは最初に理解すべきことです。なぜなら、この記事の残りのどこまでを実行に移せるかが、これによって決まるからです。

G​emini Decision 1の数値はArtificial AnalysisのDecision Index v2.1に基づくもので、18モデルがランク付けされ、6つの評価の加重合成として算出されます。各評価は、正解率から、モデルが回答に付与した確率に対するBrierペナルティを差し引いたものとしてスコア化されます。スコアは66.0で、18中9位、ボード中央値64をわずかに上回っています。

Drex for Financeの数値はNaceによるもので、48のホールドアウト金融テストセットから構築されたDrex Finance Indexに基づいています。スコアは77.3です。Drex for FinanceはArtificial Analysisのボードには一切掲載されていません。

つまり、見出しに挙げられている2つの数字は66と77.3だが、これらは別々の測定器によるもので、異なるタスク母集団を測っており、引き算しても意味のない数値になる。それを行おうとする人――すでにオンラインにあるこの比較の各版もそうしている――は、汎用ボードのスコアとベンダー独自のドメインスコアを比べ、その差を勝者と呼んでいるだけだ。正直に言えば、唯一重なり合う証拠は一段隔てたものになる。Drex for Finance のファインチューニング元である親チェックポイント、Drex Max v1.1 は実際に Artificial Analysis のボードに載っており、73.4 で明確に首位に立っている。18件中1位で、G​emini Decision 1 の66.0に7.4ポイント差をつけている。これはベースモデルについての強いシグナルだが、ファインチューンについてはまったく何も示さない。ドメイン訓練では文書テストで大きく得点を伸ばし、知識テストでは少し失うことがあり、このチェックポイントについてその2つの効果を分離したものは何も公開されていないからだ。また、66と77.3をどちら向きの差とも読んではならない理由でもある。

それぞれが実際に何をするために作られているのか

アーキテクチャは、どのスコアよりもその乖離をよく説明している。

• 形状 — Drex for Finance は、視覚エンコーダーを備えた意思決定モデルである Drex Max のファインチューニングです。Gemini Decision 1 は Google DeepMind による最初の意思決定モデルで、独自の POST /v1beta/decisions エンドポイント上にあり、generate-content パスとは別です。

• トレーニングの重点 — Naceにおける9つの金融領域：銀行・決済、会計・監査、与信・融資、保険、コンプライアンス・リスク、規制提出書類・報告書、市場・投資、ESG、トレジャリー・オペレーション。GoogleはモデルとAPI以外にトレーニングの説明を公開していない。

• リクエストの規模 — どちらも1回で約1,000件の質問を許可しますが、その形は異なります。G​emini Decision 1はリクエストあたり1,000件の質問に上限を設け、共有入力に対して1回だけ課金します。Drex for Financeはリクエスト全体で262,144トークンを提供し、ドキュメント上では質問数に上限がなく、1つの長い文書よりも多数の短い質問が有利になります。

• 回答保留 — G​emini Decision 1 の yes/no タイプは 0.01–0.99 に制限された確率を返すため、0.99 を超えるしきい値を設定しても決して発動しない。AA-Omniscience と HLE-MultiChoice におけるそのリーダーボード首位は、実質的には推測ではなく回答を控えることによる首位である。Drex for Finance は P(true) を [0,1] で返すが、文書化された上限はなく、非ハルシネーション率は一切公開されていない。

• オプションの扱い — Gemini Decision 1 は、スコアリングの前にオプションのキーを UTF-8 のバイト順でアルファベット順に並べ替えます。そのため、同点の場合はアルファベット順で最初のキーが優先され、Google 自身のガイダンスでも none_of_the_above ではなく、すべてを拾う other という名前にするよう推奨されています。Nace はそのような正規化について何も記述していませんが、それは正規化が行われないという意味ではなく、どちらにせよそれを当てにすることはできないという意味です。

• 料金 — Drex for Finance は入力トークン100万件あたり0.03ドルで、出力は課金されません。G​emini Decision 1 は入力トークン100万件あたり0.10ドルで、出力は該当なしです。Artificial Analysis のタスクレート指標では、G​emini Decision 1 は100万件の意思決定あたり345ドルになります。Nace モデルの比較可能な数値は、その基準では公開されていません。

• アクセス — ベンダーのAPI、SDK、CLI、リモートMCPサーバー経由でFinance向けDrexを利用可能。無料枠は1日100件の意思決定、各最大32 KB。Gemini Decision 1はGemini Developer APIのv1betaのみ — Vertex AIへの掲載なし、Batch APIなし、コンテキストキャッシュなし。

汎用モデルが勝る場面、そしてそれは決して少なくない

ワークロード次第で、それらの行のうち3つが決め手となります。

キャリブレーション。 Decision Index は、自信のある誤答を不確かな回答よりも厳しく罰します。その設計こそが、G​emini Decision 1 が現在の位置にある理由です。パイプラインが確率に基づいてルーティングする場合——0.95 を超えたら承認、0.6 未満ならエスカレーション——その数値の価値は、0.95 が 95% を意味するかどうかに完全にかかっています。G​oogle の有界な出力と、2 つの知識コンポーネントでの首位獲得はその証拠です。Nace は精度とカテゴリ別内訳を公開していますが、キャリブレーション曲線は公開していません。したがって Drex の確率は、それをゲート条件に採用する前に自分で検証しなければならないスコアです。

1回のパスで、多数のルール。1つの共有入力に対してリクエストごとに千の質問を投げることは、非常に長い単一コンテキストとは本質的に異なる能力です。サポートチケットを1回の呼び出しで40件のポリシールールに照らして確認し、入力に対して一度だけ課金される——これは、コストが繰り返すテキストではなく質問数に応じて増えるため、262KのコンテキストウィンドウよりもG​emini Decision 1の形が適している種類の作業です。

モダリティの広さ。 Drex for Financeはテキストに加えてPNG、JPEG、WebP画像を読み取れ、1リクエストにつき最大8枚まで対応します。Gemini Decision 1はテキスト、画像、動画、音声、PDFを1つのリクエストで受け付け、インラインbase64で最大100 MB、PDFは50 MBまで対応します。意思決定が通話録音や動画のフレームに依存する場合、この2つのうち片方しかそれを参照できません。

スペシャリストが勝つ場面

反対の事例はより限定的だが現実のものであり、複数の答えが同時にすべて正しくなければならない文書で何が起きるかに帰着する。

AA-Paperclipでは、G​emini Decision 1の総合スコアの30%を占め、単一コンポーネントとして最も比重が大きい項目です。G​emini Decision 1は文書の33%を完全合格とするのに対し、Drex Max v1.1は63%です。テストは1,500件の非公開の履歴書、レシート、請求書、書類で、各文書に5つの判断と10の事実が含まれ、文書ごとにオール・オア・ナッシング方式で採点されます。Drex for Financeはまさにその資料でファインチューニングされています。請求書とレシートのフィールド、GL勘定の分類、重複請求書、照合の例外、監査サンプリング、10-KおよびXBRLのタグ付けです。NaceはDocuments & extractionで92.3、Financial QA & filingsで96.7を報告しており、いずれもベンダー実施です。

あなたの判断が「この請求書を読んで、すでに支払済みのものと重複しているかどうかを教えてほしい」というものであるなら、汎用ボードの総合スコアはほぼ無関係であり、ドメイン特化のファインチューニングがほぼ答えのすべてになる。これこそ、専門モデルに専門料率を支払うべき理由であり、また77.3と66を比較すべきでない理由でもある。両者は、それぞれが得意とするよう選ばれた2つのタスク母集団における、2つのモデルのスコアなのだから。

表はベンダー自身のものなので、Nace側には正直な弱点が2つある。「Credit & risk」は48.3で、金融表の中で最も低い絶対値であり、「Markets & reasoning」は41.5で、このモデルが1位ではない唯一のカテゴリだ — pplx-decider v1.2が43.1を記録している。どちらもNace自身のローンチ投稿で開示されており、これはほとんどのベンダーがしないことだ。そしてどちらも、金融チェックポイントをどこまで信頼すべきかの境界を示している。

コスト ― 意思決定パイプラインが実際に稼働する規模において

4,000トークンのケースを1回スコアリングするコストは、Drex for Financeでは約$0.00012、G​emini Decision 1では約$0.0004です。どちらも何かを決める数字ではありません。月100万件の意思決定では差はおよそ$280で、これは移行に費やすエンジニア1週間分を下回ります。

決め手となるのは、それを取り巻くアーキテクチャです。G​emini Decision 1 にはコンテキストキャッシュも Batch API もないため、同じ 40,000 トークンのポリシー文書がリクエストのたびに全額課金され、過去のチケットを夜間に半額で一括処理する仕組みもありません。Drex for Finance にもどちらの機能もなく、課金は質問単位ではなくリクエスト単位です。つまり、1 つの文書について 40 個のことを尋ねるコストは、その文書のトークン数 1 回分です。質問が多く入力が短いワークロードでは、これによってトークン単価のランキングが完全に逆転します。G​emini Decision 1 の 0.10 ドルで 1,000 件の質問を処理できますが、同じ 1,000 件の質問を 1 つの短いケースに対して行う場合は、Drex の 100 万トークンあたり 0.03 ドルの 1 リクエストになります。

正直なところ、どちらに連絡すればいいんですか。

当社はgemini-decision-1を取り扱っておらず、drex-max-financeも取り扱っていません。確率のみのエンドポイントはchat-completionsのターゲットではないため、当社のような形態のルーターには、どちらかを1つのキーの背後に置く誠実な方法がなく、そう主張すれば最初のリクエストで失敗します。当社が取り扱っているのは、TypeSafeのtypesafe/jev-1.14です。systemone上で入力トークンと出力トークン100万あたり0.042ドルで、NaceのAPIとワイヤ互換性のある同じリクエスト形状を持ち、G​emini Decision 1と同じ18モデルのボードに載るモデルで、66.0に対して66.2です。

そのため、これはこの比較における脚注ではなく、実用的な第3の選択肢になります。意思決定そのものに異論がなく、必要なのがパイプライン全体に対する単一のエンドポイント——意思決定の呼び出し、アナリストノートを作成するドラフト作成の呼び出し、フラグが付いたケースをレビューするエスカレーションの呼び出し——であるなら、意思決定レッグを次のものと同じキーで実行する場合、200を超える他のモデル、トークンごとの上乗せなしでプロバイダーの定価をそのまま適用、総合スコアでの2ポイントの優位より価値があります。意思決定が製品のすべてであるなら、ベンダーから特化モデルを購入し、残りはルーティングしてください。

何がそれを決着させるのか

1つの実験、しかも誰もまだ実行していない。数百件の実在の金融文書——重複状態が既知の請求書、タグが既知の提出書類——を用意し、同じ評価基準で両方のモデルに採点させる。その一度の実行だけで、この記事のすべての数値が比較可能な数値に置き換わり、ドメイン微調整の優位性が独立したハーネスとの接触に耐えられるかどうかがわかる。

それが存在するまでは、これらは競合ではないと解釈するのが正しい。信頼できる確率が必要な場合、質問が多い場合、または入力がテキストでない場合は、G​emini Decision 1 の方が良い選択だ。入力が財務文書で、回答がすべて一度に正しくなければならず、案件量の多さから100万トークンあたり0.03ドルという基準が重要になる場合は、Drex for Finance の方が良い選択だ。どちらの主張も公表された数値から正当化できる。両者を一つのリーダーボードに載せる比較は正当化できず、それが存在するようになるまでにはしばらくかかる。