Gemini Decision 1: Google's eerste beslissingsmodel leidt waar het het minst telt

Zesenzestig is een respectabele score en een misleidende kop. Gemini Decision 1, dat Google op 11 november 2026 uitbracht achter een nieuwe Decisions API, komt uit op 66 op de Artificial Analysis Decision Index v2.1 — negende van de achttien beslissingsmodellen die het panel rangschikt, net boven de mediaan van het veld van 64. De andere helft van de bewering bij de lancering klopt ook: het model staat onbetwist eerste op de kennis- en redeneercomponenten van de index. Beide zinnen doorstaan de controle, en ze lijken tegenstrijdig om een reden die het waard is te begrijpen. Die twee componenten wegen elk 15% van de score. De component die 30% waard is, is degene waarop Gemini Decision 1 het zwakst presteert ten opzichte van zijn concurrenten.

Dat onderscheid is geen muggenzifterij over leaderboard-rekenkunde. Het vertelt je waarvoor dit model is gebouwd, en dat is niet wat de meeste mensen zullen aannemen op basis van de uitdrukking "beslissingsmodel van Google DeepMind".

Wat Google daadwerkelijk heeft uitgebracht

Gemini Decision 1 schrijft niet. Het is geen chatmodel met een JSON-modus en het kan niet worden aangeroepen via het gewone generate-content-pad. Het draait op een apart endpoint, POST /v1beta/decisions, neemt één blok gedeelde invoer plus een map met getypeerde vragen en retourneert één gekalibreerd antwoord per vraag met nul uitvoertokens. Elke vraag wordt onafhankelijk tegen dezelfde invoer geëvalueerd in één enkele doorgang, en het model ziet nooit je vraagsleutels — alleen de instructietekst die je schrijft.

Drie vraagtypen bestrijken het hele oppervlak:

• Ja/nee (noul) — geeft een waarschijnlijkheid tussen 0,01 en 0,99 plus een betrouwbaarheidsscore. De grens is bewust gekozen, en dat betekent dat een drempel boven 0,99 nooit wordt geactiveerd.

• Keuze — twee tot 255 benoemde opties, waarbij de beste optie wordt geretourneerd, een waarschijnlijkheid voor elke optie die samen tot één optelt, en een betrouwbaarheid. Voordat er wordt gescoord, sorteert de API je optiesleutels alfabetisch op UTF-8-bytevolgorde, dus de volgorde van JSON-sleutels maakt niets uit en bij een exacte gelijkstand wint de alfabetisch eerste sleutel. Daarom staat in de eigen richtlijnen van Google dat je een allesomvattende optie other moet noemen in plaats van none_of_the_above, omdat die vóór de meeste echte categorieën sorteert in plaats van erna.

• Score — twee tot 255 geordende rubricniveaus, twee tot tien aanbevolen, en retourneert een met waarschijnlijkheid gewogen verwacht niveau. Omdat de verwachte waarde het gemiddelde van array-indexen neemt, vertekent een schaal van 1/10/100/1000 het resultaat, en Google zegt dat in de documentatie.

De rest van de specificatie is ongewoon concreet voor een modelpagina op de dag van de lancering:

• Invoer — tekst, afbeelding, video, audio en PDF in één verzoek, met een context van 262.144 tokens die de gedeelde invoer en elke vraag samen omvat.

• Schaal — tot 1.000 vragen per verzoek, en dat is het aantal dat dit onderscheidt van een classifier. Een supportticket kan in één aanroep tegen veertig beleidsregels worden gecontroleerd, waarbij de gedeelde invoer één keer wordt gefactureerd.

• Media — tot 100 MB inline base64 per verzoek, 50 MB voor PDF's, 15 MB per externe HTTPS-URL. Geen YouTube-links en geen gs://-URI's; je geeft een Files API-referentie, een ondertekende URL of bytes door.

• Facturering — $0,10 per miljoen invoertokens; uitvoer niet van toepassing. Geen contextcaching, geen Batch API, geen Flex- of Priority-inferentie. Herhaalde invoer bij meerdere aanvragen wordt elke keer volledig gefactureerd.

• Snelheidslimieten — een gratis tier met 200 verzoeken per minuut en 10.000 per dag, Tier 1 met 1.500 per minuut en 50.000 per dag, en onbeperkte dagelijkse verzoeken vanaf Tier 2.

Twee details in die lijst zijn belangrijker dan ze lijken. De gratis tier is kosteloos, maar staat vermeld als gebruikt om de producten van Google te verbeteren, waardoor hij ongeschikt is voor alles wat gevoelig is. En het model is alleen beschikbaar op de Gemini Developer API, bij API-versie v1beta — er is geen Vertex AI-vermelding in de documentatie die Google heeft geleverd.

De rekenkunde achter de 66

De Decision Index is geen nauwkeurigheidstabel. Het is een gewogen gemiddelde van zes evaluaties, en elke evaluatie wordt gescoord als nauwkeurigheid minus de Brier-score van de waarschijnlijkheid die het model aan zijn antwoord heeft gehangen. Een model dat verkeerd antwoordt maar dat met lage zekerheid aangeeft, wordt minder zwaar bestraft dan een model dat verkeerd antwoordt en zeker is. Dat ontwerp beloont onthouding, en dat is het allerbelangrijkste om in gedachten te houden wanneer je een willekeurig getal op dit overzicht leest.

Hier staat waar Gemini Decision 1 op elke component staat, met zijn rang onder de achttien modellen:

• AA-Paperclip, 30% gewicht — 56,8, rang 9. Dit is de document-beslissingstest: 1.500 privé-cv's, bonnetjes, facturen en papieren, elk met vijf beslissingen en tien feiten, beoordeeld als één document dat alleen telt wanneer alle vijftien antwoorden juist zijn. Gemini Decision 1 slaagt in één keer voor 33% van de documenten. Drex Max v1.1 slaagt voor 63%.

• EvalSafe-O*NET-AA, 15% — 87,1, rang 8. Beoordeling van werkdocumenten. Dit is een sterk resultaat, en het is de component waar het hele veld het nauwst clustert.

• When2Call, 10% — 80.5, rang 14. De tool-calling-evaluatie van NVIDIA, en de zwakste rang van de zes. Drex Max v1.1 scoort hier 95.3.

• AA-Omniscience-Decision v1.1, 15% — 66,3, rang 1. Kennis en hallucinatie, waarbij de optie "Ik weet het niet" op tien verschillende manieren is geformuleerd.

• HLE-MultiChoice v1.1, 15% — 48,7, rang 1. Humanity's Last Exam, meerkeuze, met een optie om te weigeren.

• AA-Symmetry v1.1, 15% — 70,5, rang 9. Of een antwoord standhoudt bij dezelfde vraag die herordend, opnieuw gelabeld en ontkend is. Gemini Decision 1 houdt zijn antwoord vast bij 38,3% van de vraagfamilies; Mammoth 27B houdt 88,2 op hetzelfde instrument.

Als je die weegt, krijg je 65,98. De eerste en vierde rij doen het meeste werk in tegengestelde richtingen, en de reden is structureel: Paperclip is twee keer zoveel waard als elk van de kennistoetsen, en het is de evaluatie die van het model vereist dat het vijftien feiten uit één document correct en tegelijkertijd leest.

De twee primeurs zijn echt, en beperkter dan ze klinken.

Op AA-Omniscience-Decision als eerste eindigen is een echte prestatie. Gemini Decision 1 scoort 66,3 tegenover 64,4 voor d1-ultra en 60,9 voor GLiDE v1.2, en de ruwe nauwkeurigheid van 44,8% is de hoogste van de achttien decision-modellen in die test. Op HLE-MultiChoice staat het opnieuw bovenaan met 48,7, vóór Mammoth 27B en d1-ultra met 47,4. Dat is waar "leading in knowledge and reasoning" naar verwijst, en die bewering klopt.

Wat de claim weglaat, is het absolute niveau. Gemini Decision 1 beantwoordt 13,2% van de vragen van Humanity's Last Exam correct. De reden dat het nog steeds bovenaan die component staat, is dat het afziet van antwoorden in plaats van te gokken: de non-hallucinatiegraad op dezelfde test is 35,7%, en de scoringsformule beloont een antwoord met lage waarschijnlijkheid dat onjuist blijkt te zijn. Bovenaan staan op kalibratie is niet hetzelfde als bovenaan staan op kennis, en 13% nauwkeurigheid is het getal dat je meeneemt in een capaciteitsplan.

Google heeft voor dit model geen eigen benchmarktabel gepubliceerd — de releaseopmerkingen kondigen het model en de API aan, en de documentatie legt de vorm van het verzoek en de limieten uit. Elk prestatiecijfer hierboven is van Artificial Analysis, gemeten met de eigen testomgeving van de beoordelaars, en er bestaat geen leverancierscijfer dat ermee in tegenspraak is. Dat is schoner dan bij de meeste lanceringen en het loont om het ronduit te zeggen, want het alternatief — een leverancierstabel en geen externe controle — is het gebruikelijke geval in deze categorie.

Wat de prijs koopt, en wat niet

Met $345 per miljoen taken op de index is Gemini Decision 1 het duurste model in de bovenste helft van de ranglijst. Drex Max v1.1 voert dezelfde miljoen taken uit voor $103, Jev 1.14 voor $156, Microsoft-Decision-1 voor $143. Het invoertarief verklaart dit: $0,10 per miljoen tokens tegenover $0,03 voor Drex Max v1.1, en een beslissingstaak leest een lang document zonder ooit een token te genereren om de kosten te compenseren. Artificial Analysis rangschikt het als vijftiende van achttien qua kosten en merkt op dat het "bijzonder duur" is.

De latentie is niets bijzonders. Met 211 milliseconden per taak is die een fractie trager dan de mediaan van 209 in het veld en trager dan Jev 1.14 op 92. Voor een routeringsbeslissing achter een klantbericht is dat prima. Voor een frame-voor-frame-lus over live video, die de documentatie expliciet als gebruiksscenario noemt, is het juist een argument voor een kleiner model in plaats van tegen dit model.

De ontbrekende functionaliteiten zijn de functionaliteiten die de prijspagina als niet beschikbaar vermeldt, niet de functionaliteiten die een benchmark kan aantonen: geen Batch API betekent geen nachtelijke sweep tegen halve prijs van een miljoen historische tickets, en geen contextcaching betekent dat hetzelfde beleidsdocument van 40.000 tokens bij elk verzoek opnieuw wordt gefactureerd. Als je beslissingspipeline een grote gedeelde context op grote schaal opnieuw leest, kosten die twee omissies meer dan het headline-tarief doet vermoeden, en geen van beide staat op een roadmap die Google heeft gepubliceerd.

Waar dit past als je al modellen routeert

OrcaRouter biedt gemini-decision-1 niet aan. Een endpoint dat alleen waarschijnlijkheden levert, is geen chat-completions-target, dus het is niets wat een router zoals de onze achter één sleutel kan zetten — en iets anders beweren zou het soort beschikbaarheidsclaim zijn dat goed klinkt en bij het eerste verzoek faalt. Wat we wel aanbieden is TypeSafe's typesafe/jev-1.14, een beslissingsmodel op hetzelfde 18-modelboard met 66.23, zodat het scorende deel van een pipeline op dezelfde sleutel kan draaien als het schrijvende deel, als dat het beslissingsmodel is dat je kiest.

De schrijvende helft is het onderdeel waarvoor wij eigenlijk bedoeld zijn. Een beslissingspijplijn bestaat bijna altijd uit twee aanroepen: iets stelt het kandidaatantwoord of de rubric op, en iets beoordeelt het. De opstelaanroep is waar de modelkeuze wordt betwist en waar een tweede leverancierscontract pijn doet, en dat is de aanroep die via één endpoint loopt met meer dan 200 modellen erop tegen de lijstprijs van de leverancier, met 0% markup doorgegeven, zodat een prijswijziging van een leverancier dezelfde dag bij ons live is. De opstelaanroep via ons laten lopen en de score-aanroep naar het eigen endpoint van Google laten wijzen is een tweeregelige wijziging, geen architectuur.

Wat zou deze interpretatie veranderen?

Drie dingen, in volgorde van waarschijnlijkheid. Een herziening die het alles-of-niets-slaagpercentage van 33% van AA-Paperclip verhoogt, zou de samengestelde score verder vooruitbrengen dan wat dit model ook maar zou kunnen doen, omdat die ene component 30% van de score draagt en een achterstand van zestien punten op de koploper. Een vermelding op Vertex AI zou het inkoopgesprek volledig veranderen — vandaag de dag is de enige manier om het aan te roepen een Gemini API-sleutel, en ondernemingen die via Google Cloud-contracten inkopen, zullen dat merken. En een tweede onafhankelijke board die de 66 reproduceert, zou van een cijfer van één bedrijf een consensuscijfer maken.

Totdat een van die dingen er komt, is de accurate beschrijving van Gemini Decision 1 beperkt en nuttig: een multimodale scorer met 262.000 tokens en 1.000 vragen die het best gekalibreerde beslissingsmodel op de lijst is op de twee plekken waar weten wanneer je je mond moet houden de vaardigheid is die wordt getest, en een middenmoter waar de taak is een dicht document te lezen en in één keer vijftien antwoorden goed te hebben. Als je beslissingen op de eerste soort lijken, is 66 een onderschatting. Als ze op de tweede lijken, zal geen enkele mate van leiderschap in kennisbenchmarks het slagingspercentage redden.