Gemini Decision 1：Google初の意思決定モデルは、最も重要でない領域で優位に立つ

66点は立派なスコアであり、同時に誤解を招く見出しでもある。Gemini Decision 1は、Googleが2026年11月11日に新しいDecisions APIを通じて公開したモデルで、Artificial Analysis Decision Index v2.1において66を記録する。これは同ボードが順位付けする18の意思決定モデル中9位にあたり、この分野の中央値64をわずかに上回る。発表時の主張のもう半分もまた事実だ。本モデルはインデックスの知識および推論のコンポーネントで単独首位に立つ。どちらの文も検証に耐えるが、これらが矛盾して感じられるのには、理解する価値のある理由がある。これらの2つのコンポーネントはそれぞれスコアの15%を占めている。そして30%を占めるコンポーネントこそ、Gemini Decision 1が同業他社に対して最も弱さを見せる部分なのである。

その区別は、リーダーボードの算術をめぐる揚げ足取りではない。それはこのモデルが何をするために作られたのかを示しており、それは「Google DeepMindによる意思決定モデル」という表現からほとんどの人が想定するものではない。

Googleが実際にリリースしたもの

Gemini Decision 1は書き込みを行いません。JSONモードを備えたチャットモデルではなく、通常のgenerate-contentパスから呼び出すこともできません。別のエンドポイントPOST /v1beta/decisionsで動作し、共有入力の1ブロックと型付き質問のマップを受け取り、質問ごとに較正済みの回答を1つ、出力トークンゼロで返します。すべての質問は1回のパスで同じ入力に対して独立に評価され、モデルが参照するのはあなたが書いた指示テキストのみで、質問キーを見ることはありません。

3種類の質問タイプが全体をカバーします：

• はい/いいえ（noul）— 0.01 から 0.99 の間の確率と信頼度スコアを返します。この上限は意図的に設けられたもので、0.99 を超えるしきい値を設定しても決して発火しないことを意味します。

• 選択 — 2～255個の名前付きオプションを指定でき、最上位のオプション、合計が1になる各オプションの確率、および信頼度を返します。スコアリングの前に、APIはオプションのキーをUTF-8バイト順でアルファベット順にソートするため、JSONのキー順は何も変えず、完全な同点はアルファベット順で最初のキーに倒れます。そのためGoogle自身のガイダンスでは、catch-allオプションにはnone_of_the_aboveではなくotherという名前を付けるよう推奨されています。none_of_the_aboveはほとんどの実カテゴリより前にソートされ、後ろには来ないからです。

• スコア — 2～255の順序付きルーブリックレベル（2～10を推奨）で、確率で重み付けされた期待レベルを返します。期待値は配列のインデックスを平均するため、1/10/100/1000のようなスケールでは結果が偏ってしまいます。この点はGoogleもドキュメントで明言しています。

発売日当日のモデルページにしては、残りの仕様は異例なほど具体的だ：

• 入力 — テキスト、画像、動画、音声、PDFを1つのリクエストで処理。262,144トークンのコンテキストが共有入力とすべての質問をまとめてカバーします。

• スケール — 1リクエストあたり最大1,000件の質問が可能で、この数値がこれを単なる分類器と一線を画すものにしています。サポートチケットは1回の呼び出しで40件のポリシールールと照合でき、課金は共有入力に対して1回だけです。

• メディア — リクエストあたりインラインbase64で最大100 MB、PDFは50 MB、外部HTTPS URLあたり15 MBです。YouTubeリンクおよびgs:// URIは使用できません。Files APIの参照、署名付きURL、またはバイト列を渡します。

• 課金 — 入力トークン100万件あたり$0.10、出力は該当なし。コンテキストキャッシュ、Batch API、Flex推論、Priority推論はいずれもご利用いただけません。リクエストをまたいで繰り返される入力は、毎回全額が課金されます。

• レート制限 — 無料枠は1分あたり200リクエスト、1日あたり10,000リクエスト、Tier 1は1分あたり1,500リクエスト、1日あたり50,000リクエスト、Tier 2以上では1日あたりのリクエスト数が無制限です。

そのリストにある2つの詳細は、見た目以上に重要です。無料枠は無料ですが、Google の製品改善に利用されると記載されているため、機密性の高い用途には適しません。また、このモデルは Gemini Developer API でのみ、API バージョン v1beta で利用可能です。Google が提供したドキュメントには Vertex AI の記載はありません。

66の背後にある算術

Decision Indexは精度の表ではない。6つの評価の加重平均であり、各評価は、正解率から、モデルが自らの回答に付けた確率のBrierスコアを差し引いたものとして採点される。誤って回答しても低い確信度でそれを示すモデルは、誤って回答し、しかも確信しているモデルよりも罰則が軽い。この設計は回答を控えることに報いるものであり、このボード上のあらゆる数値を読む際に心に留めておくべき最重要事項である。

Gemini Decision 1 が各コンポーネントでどこに位置するかと、18モデル中での順位は次のとおりです：

• AA-Paperclip、重み30% — 56.8、9位。これは文書判定テストです。1,500件の非公開履歴書、領収書、請求書、書類からなり、各文書には5つの判定と10の事実が含まれ、15の回答すべてが正しい場合にのみ1文書として採点されます。Gemini Decision 1は文書の33%を完全に通過します。Drex Max v1.1は63%を通過します。

• EvalSafe-O*NET-AA、15% — 87.1、8位。職場文書の判定。これは強い結果であり、参加者全体のスコアが最も集中しているコンポーネントでもあります。

• When2Call、10% — 80.5、14位。NVIDIAのツール呼び出し評価で、6つの中で最も低い順位です。Drex Max v1.1はここで95.3を記録しています。

• AA-Omniscience-Decision v1.1、15% — 66.3、1位。知識とハルシネーションで、「わからない」という選択肢が10通りに表現されている。

• HLE-MultiChoice v1.1, 15% — 48.7、1位。Humanity's Last Exam、多肢選択式、「回答しない」オプション付き。

• AA-Symmetry v1.1, 15% — 70.5、9位。同じ質問を並べ替え、ラベルを付け替え、否定した場合に回答が維持されるかどうか。Gemini Decision 1 は質問ファミリーの 38.3% で回答を維持する。Mammoth 27B は同じ評価指標で 88.2 を維持する。

それらを重み付けすると65.98になる。1行目と4行目が逆方向に大部分を担っており、その理由は構造にある。Paperclipはどちらか一方の知識テストの2倍の価値があり、1つの文書から15個の事実を正確かつ同時に読み取ることをモデルに求めるのは、この評価だからだ。

その2つの「初」は本物だが、言葉の響きほど広いものではない。

AA-Omniscience-Decisionで首位に立つのは、紛れもない成果です。Gemini Decision 1は66.3を記録し、d1-ultraの64.4、GLiDE v1.2の60.9を上回っており、その生の正答率44.8%は、このテストにおける18の意思決定モデルの中で最高です。HLE-MultiChoiceでも再び首位で48.7を記録し、47.4のMammoth 27Bとd1-ultraを上回っています。これが「知識と推論でリードしている」ということの意味であり、その主張は成り立ちます。

この主張が省いているのは絶対水準だ。Gemini Decision 1はHumanity's Last Examの問題の13.2％に正答する。それでもなおこのコンポーネントで首位に立つのは、推測するのではなく回答を控えるからだ。同じテストでの非ハルシネーション率は35.7％であり、採点式は、低確率の回答が実際には誤りだった場合にその代償を支払わせる。キャリブレーションで分野の頂点に立つことは、知識で分野の頂点に立つことと同じではなく、容量計画に持ち込むべき数字は13％という正答率だ。

Googleはこのモデルについて自社のベンチマーク表を一切公開していない——リリースノートはモデルとAPIを発表し、ドキュメントはリクエストの形式と制限を説明している。上記の性能数値はすべてArtificial Analysisによるもので、評価者自身のハーネスで測定されており、それと食い違うベンダー数値は存在しない。これはほとんどのローンチより潔く、率直に言う価値がある。なぜなら代替案——ベンダーの表があり外部検証がないこと——は、このカテゴリではよくあるケースだからだ。

価格で得られるもの、得られないもの

インデックス上の100万タスクあたり345ドルで、Gemini Decision 1はボード上半分の中で最も高価なモデルです。Drex Max v1.1は同じ100万タスクを103ドルで、Jev 1.14は156ドルで、Microsoft-Decision-1は143ドルで実行します。これを説明するのは入力料金です。100万トークンあたり0.10ドルに対し、Drex Max v1.1は0.03ドルであり、判断タスクは長い文書を読みますが、コストを相殺するトークンを一切生成しません。Artificial Analysisはコスト面で18モデル中15位にランク付けし、「特に高価」と指摘しています。

レイテンシは特筆すべきものではない。タスクあたり211ミリ秒で、分野中央値の209よりほんの少し遅く、Jev 1.14の92より遅い。顧客メッセージを受けて行うルーティング判断としては、それで問題ない。ドキュメントがユースケースとして明記している、ライブ映像をフレームごとにループ処理する用途では、これはこのモデルに反対する論拠ではなく、より小型のモデルを選ぶ論拠になる。

能力のギャップとは、ベンチマークが示せるものではなく、料金ページが利用不可として挙げているものだ。Batch API がなければ、100万件の過去チケットを半額で夜間に一括処理することはできず、コンテキストキャッシュがなければ、同じ4万トークンのポリシー文書がリクエストのたびに再び課金される。意思決定パイプラインが大規模な共有コンテキストを大量に再読込する場合、これら2つの欠落は見出しの料金が示唆する以上にコストがかかり、しかもどちらもGoogleが公開したロードマップには載っていない。

すでにモデルをルーティングしている場合に、これがどこに当てはまるか

OrcaRouterはgemini-decision-1を取り扱っていません。確率のみを返すエンドポイントはチャット補完の対象ではないため、私たちの形のルーターが単一のキーの背後に置けるものではありません。そうでないと言うのは、見た目は良くても最初のリクエストで失敗する類の可用性主張になってしまいます。私たちが取り扱っているのはTypeSafeのtypesafe/jev-1.14で、同じ18モデルのボードで66.23の決定モデルです。そのため、選ぶ決定モデルがそれであれば、パイプラインのスコアリング側を文章生成側と同じキーに載せることができます。

執筆側こそ、私たちが実際に担当している部分です。意思決定パイプラインはほぼ常に2つの呼び出しで成り立ちます。候補の回答またはルーブリックを起草するものと、それを採点するものです。起草の呼び出しは、モデル選択が争点となり、2社目のベンダー契約が負担となる場であり、200を超えるモデルを搭載したにてプロバイダー定価を0%のマークアップでそのまま通した価格で実行される呼び出しです。そのため、ベンダーの価格変更は当日中に当社側で反映されます。起草の呼び出しを当社経由にし、採点の呼び出しをGoogle自身のエンドポイントに向けるのは、アーキテクチャの変更ではなく2行の変更です。

何がこの読みを変えるだろうか

可能性の高い順に3つ。AA-Paperclipの33%という全か無かの合格率を押し上げる改訂は、このモデルがなし得る他のどんなことよりも複合スコアを大きく動かす。なぜなら、その1つの構成要素がスコアの30%を占め、首位に対して16ポイントの差があるからだ。Vertex AIへの掲載は調達の議論を一変させる——現在、それを呼び出す唯一の方法はGemini APIキーであり、Google Cloudの契約を通じて購入する企業はそれに気づくだろう。そして、66を再現する2つ目の独立したボードが、単一企業の数値をコンセンサスの数値に変える。

それらのうちの一つが実現するまでは、Gemini Decision 1 についての正確な説明は限定的だが有用だ。すなわち、マルチモーダルで262,000トークン、1,000問のスコアラーであり、いつ黙るべきかを知ることが試されるスキルとなる二つの場面ではボード上で最もキャリブレーションの取れた意思決定モデルであり、一方、密な文書を読んで15の答えを一度に正しく出すことが仕事となる場面では中位のモデルである。あなたの意思決定が前者の種類に見えるなら、66はそれを過小評価している。後者の種類に見えるなら、知識ベンチマークでのリーダーシップがどれほどあっても合格率は救えない。