Drex for Finance kontra Gemini, decyzja 1: Dwa sposoby kupowania prawdopodobieństwa

Połóż karty specyfikacji obok siebie, a Drex for Finance i G​emini Decision 1 wyglądają jak ten sam produkt od dwóch firm. Oba przyjmują blok danych wejściowych i zestaw pytań z typami, oba zwracają punktowaną odpowiedź na każde pytanie bez generowanego tekstu, oba obsługują żądanie o długości 262 144 tokenów, a oba kosztują centy za milion tokenów wejściowych, a nie dolary. Podobieństwo kończy się na tym, za co faktycznie by się je kupowało. G​emini Decision 1, udostępniony 11 listopada 2026 r. w G​oogle's Developer API, to ogólny model decyzyjny, którego wyróżniającą umiejętnością jest wiedza o tym, kiedy odmówić; Drex for Finance, ogólnie dostępny od 2 listopada 2026 r. w cenie $0.03 za milion tokenów wejściowych, to model dostrojony do danej dziedziny, którego wyróżniającą umiejętnością jest odczytywanie dokumentu finansowego i udzielenie piętnastu poprawnych odpowiedzi naraz. Dziewięć dni różnicy, ten sam kształt żądania, przeciwne założenia — i żaden opublikowany przebieg nigdy nie zestawił ich na tej samej skali.

Porównanie, którego nikt nie przeprowadził

To pierwsza rzecz, którą trzeba zrozumieć, ponieważ od niej zależy, jak dużą część pozostałej części tego tekstu możesz wykorzystać.

Liczby Gemini Decision 1 pochodzą z Artificial Analysis, z jej Decision Index v2.1 — osiemnaście modeli w rankingu, ważona kombinacja sześciu ocen, z których każda jest punktowana jako dokładność minus kara Brier za prawdopodobieństwo, jakie model przypisał swojej odpowiedzi. Uzyskuje wynik 66,0, co daje dziewiąte miejsce spośród osiemnastu, tuż powyżej mediany rankingu wynoszącej 64.

Liczby Drex for Finance pochodzą od Nace i opierają się na indeksie Drex Finance Index zbudowanym z 48 wyodrębnionych zestawów testowych z dziedziny finansów. Uzyskuje wynik 77,3. Drex for Finance w ogóle nie figuruje w rankingu Artificial Analysis.

Zatem dwie kluczowe liczby to 66 i 77,3. Pochodzą z różnych narzędzi, mierzą różne populacje zadań, a ich odjęcie daje liczbę pozbawioną znaczenia. Każdy, kto to robi — a robią to już dostępne online wersje tego porównania — porównuje wynik ogólnego przeznaczenia z rankingu z własnym wynikiem domenowym dostawcy i uznaje tę różnicę za wyłonienie zwycięzcy. Uczciwe stwierdzenie brzmi: jedyny nakładający się dowód jest o krok dalej — Drex Max v1.1, checkpoint nadrzędny, z którego dostrojono Drex for Finance, faktycznie znajduje się w rankingu Artificial Analysis i prowadzi w nim z wynikiem 73,4: pierwsze miejsce na osiemnaście, o 7,4 punktu przed wynikiem 66,0 Gemini Decision 1. To silny sygnał dotyczący modelu bazowego i żaden sygnał dotyczący dostrojenia, ponieważ trening domenowy może dużo zyskać w teście dokumentowym i trochę stracić w teście wiedzy, a nic opublikowanego nie rozdziela tych dwóch efektów w przypadku tego checkpointu. To także powód, dla którego 66 i 77,3 nie mogą być odczytywane jako luka w żadnym kierunku.

Do czego każdy z nich jest w rzeczywistości stworzony

Architektury wyjaśniają rozbieżność lepiej niż jakikolwiek wynik.

• Kształt — Drex for Finance to dostrojenie modelu Drex Max, modelu decyzyjnego z enkoderem wizyjnym. Gemini Decision 1 to pierwszy w swojej serii model decyzyjny od Google DeepMind, dostępny na własnym punkcie końcowym POST /v1beta/decisions, oddzielonym od ścieżki generate-content.

• Nacisk szkoleniowy — dziewięć nazwanych dziedzin finansów w Nace: bankowość i płatności, księgowość i audyt, kredyty i pożyczki, ubezpieczenia, compliance i ryzyko, sprawozdania i raporty, rynki i inwestowanie, ESG, skarbowość i operacje. Google nie publikuje opisu szkolenia poza modelem i API.

• Skala żądania — oba pozwalają na około 1000 pytań w jednym przebiegu, ale ich kształty się różnią. G​emini Decision 1 ogranicza do 1000 pytań na żądanie i rozlicza wspólne dane wejściowe jednorazowo. Drex for Finance daje 262 144 tokeny na całe żądanie, przy czym liczba pytań jest nieograniczona w dokumentacji, co sprzyja wielu krótkim pytaniom zamiast jednego długiego dokumentu.

• Wstrzymanie się — typ tak/nie w G​emini Decision 1 zwraca prawdopodobieństwo ograniczone do 0,01–0,99, więc próg ustawiony powyżej 0,99 nigdy nie zadziała; jego pozycja lidera na tablicy wyników AA-Omniscience i HLE-MultiChoice to w dużej mierze prowadzenie w odmawianiu odpowiedzi, a nie w zgadywaniu. Drex for Finance zwraca P(true) w [0,1] bez udokumentowanego ograniczenia i bez żadnego opublikowanego wskaźnika braku halucynacji.

• Obsługa opcji — Gemini Decision 1 sortuje klucze opcji alfabetycznie w kolejności bajtów UTF-8 przed ocenianiem, więc remisy rozstrzygają się na korzyść pierwszego alfabetycznie klucza, a samo Google zaleca nazwanie opcji zbiorczej „other”, a nie „none_of_the_above”. Nace nie dokumentuje takiej normalizacji, co nie jest tym samym, co stwierdzenie, że ona nie występuje — oznacza to tyle, że nie można na niej polegać w żadnym wypadku.

• Cena — Drex for Finance 0,03 USD za milion tokenów wejściowych, dane wyjściowe nie są rozliczane. G​emini Decision 1 0,10 USD za milion tokenów wejściowych, dane wyjściowe: nie dotyczy. Według miary task-rate Artificial Analysis G​emini Decision 1 wynosi 345 USD za milion decyzji; porównywalna wartość dla modelu Nace nie jest publikowana na tej podstawie.

• Dostęp — Drex for Finance przez API dostawcy, jego SDK-i, jego CLI oraz zdalny serwer MCP, z bezpłatnym planem obejmującym 100 decyzji dziennie, każda do 32 KB. Gemini Decision 1 w Gemini Developer API tylko w wersji v1beta — brak pozycji w Vertex AI, brak Batch API, brak buforowania kontekstu.

Tam, gdzie wygrywa model ogólny — a nie jest to mały zbiór

Trzy z tych wierszy są decydujące w zależności od twojego obciążenia pracą.

Kalibracja. Decision Index karze pewną siebie błędną odpowiedź surowiej niż odpowiedź niepewną — i właśnie przez taką konstrukcję G​emini Decision 1 zajmuje miejsce, które zajmuje. Jeśli Twój pipeline kieruje ruchem na podstawie prawdopodobieństwa — zatwierdza powyżej 0,95, eskaluje poniżej 0,6 — wartość tej liczby polega wyłącznie na tym, czy 0,95 oznacza 95%. Ograniczony wynik G​oogle'a oraz pierwsze miejsce w dwóch komponentach wiedzy są na to dowodem; Nace publikuje dokładność i rozbicie na kategorie, ale nie publikuje krzywej kalibracji, więc prawdopodobieństwo Drex jest wynikiem, który musisz samodzielnie zweryfikować, zanim ustawisz na nim próg decyzyjny.

Jedno przejście, wiele reguł. Tysiąc pytań na żądanie wobec jednego wspólnego wejścia to naprawdę inna możliwość niż bardzo długi pojedynczy kontekst. Zgłoszenie do pomocy technicznej sprawdzane względem czterdziestu reguł polityki w jednym wywołaniu, rozliczane jednokrotnie za wejście, to rodzaj zadania, w którym forma G​emini Decision 1 jest lepsza niż okno kontekstu 262K, ponieważ koszt skaluje się z liczbą pytań, a nie z tekstem, który powtarzasz.

Szerokość modalności. Drex for Finance odczytuje tekst oraz obrazy PNG, JPEG i WebP, do ośmiu na żądanie. G​emini Decision 1 przyjmuje tekst, obraz, wideo, audio i PDF w jednym żądaniu, do 100 MB wbudowanego base64, 50 MB w przypadku plików PDF. Jeśli decyzja zależy od nagrania rozmowy telefonicznej lub klatki wideo, tylko jeden z tych dwóch może to zobaczyć.

Gdzie specjalista wygrywa

Przypadek przeciwny jest węższy, ale realny, i sprowadza się do tego, co dzieje się w dokumentach, w których kilka odpowiedzi naraz musi być jednocześnie poprawnych.

W AA-Paperclip — 30% wyniku złożonego Gemini Decision 1 i najcięższy pojedynczy składnik — Gemini Decision 1 zalicza od razu 33% dokumentów, wobec 63% dla Drex Max v1.1. Test obejmuje 1500 prywatnych CV, paragonów, faktur i dokumentów, z których każdy zawiera pięć decyzji i dziesięć faktów, ocenianych metodą wszystko albo nic dla każdego dokumentu. Drex for Finance został dostrojony dokładnie na tym materiale: polach faktur i paragonów, klasyfikacji kont księgi głównej, fakturach zduplikowanych, wyjątkach uzgodnień, próbkowaniu audytowym, tagowaniu 10-K i XBRL. Nace podaje 92,3 w kategorii Documents & extraction i 96,7 w kategorii Financial QA & filings, oba przeprowadzone przez dostawcę.

Jeśli Twoja decyzja brzmi „przeczytaj tę fakturę i powiedz mi, czy jest duplikatem już opłaconej”, to wynik złożony ogólnej tablicy jest prawie nieistotny, a dostrojenie dziedzinowe to niemal cała odpowiedź. To jest przypadek, w którym warto płacić stawkę specjalisty za model specjalistyczny — i dlatego nie należy porównywać 77.3 z 66: to są wyniki dwóch modeli na dwóch populacjach zadań, do których każdy z nich został wybrany jako dobry.

Dwa uczciwie ujawnione słabe punkty po stronie Nace — tym bardziej że tabela należy do dostawcy: Credit & risk uzyskuje 48,3, najniższą wartość bezwzględną w tabeli finansowej, a Markets & reasoning — 41,5, czyli jedyna kategoria, w której model nie jest pierwszy: pplx-decider v1.2 zdobywa 43,1. Oba zostały ujawnione we własnym wpisie Nace o premierze, co jest więcej, niż robi większość dostawców, i oba zakreślają granice zaufania do finansowego checkpointu.

Koszt — w skali, w jakiej potok decyzyjny faktycznie działa

Przypadek o rozmiarze 4000 tokenów oceniony jednokrotnie kosztuje około $0.00012 w Drex for Finance i około $0.0004 w G​emini Decision 1. Żadna z tych liczb o niczym nie decyduje; przy milionie decyzji miesięcznie różnica wynosi około $280, czyli mniej niż tydzień pracy inżyniera poświęcony na migrację.

O tym decyduje otaczająca architektura. G​emini Decision 1 nie ma buforowania kontekstu ani Batch API, więc ten sam 40 000-tokenowy dokument polityki jest rozliczany w pełnej wysokości przy każdym żądaniu, a nocne przetwarzanie historycznych zgłoszeń za połowę ceny nie jest możliwe. Drex for Finance również nie ma żadnej z tych funkcji, a jego rozliczanie odbywa się za żądanie, a nie za pytanie, co oznacza, że koszt zadania czterdziestu pytań o jeden dokument to liczba tokenów tego dokumentu, liczona raz. W obciążeniu o dużej liczbie pytań i krótkich danych wejściowych całkowicie odwraca to ranking kosztu na token: za 0,10 USD w G​emini Decision 1 otrzymujesz tysiąc pytań, podczas gdy te same tysiąc pytań dotyczących jednej krótkiej sprawy to jedno żądanie Drex po 0,03 USD za milion tokenów.

Jak dotrzeć do któregokolwiek z nich, szczerze mówiąc

Nie mamy w ofercie gemini-decision-1 ani drex-max-finance. Endpoint udostępniający wyłącznie prawdopodobieństwa nie jest celem chat-completions, więc router w naszej architekturze nie ma uczciwego sposobu, by umieścić którykolwiek z nich za jednym kluczem, a twierdzenie inaczej zawiodłoby już przy pierwszym żądaniu. W naszej ofercie mamy natomiast TypeSafe'a typesafe/jev-1.14 w cenie $0.042 za milion tokenów wejściowych i wyjściowych na systemone — ten sam kształt żądania, z którym API Nace'a jest kompatybilne na poziomie protokołu, oraz model z tej samej tablicy osiemnastu modeli co G​emini Decision 1, z wynikiem 66,2 wobec 66,0.

Co czyni go praktyczną trzecią opcją w tym porównaniu, a nie przypisem. Jeśli sama decyzja jest bezdyskusyjna i potrzebujesz jednego punktu końcowego dla całego potoku — wywołania decyzyjnego, wywołania redakcyjnego, które pisze notatkę analityka, wywołania eskalacyjnego, które przegląda oznaczone przypadki — wtedy część decyzyjna działająca na tym samym kluczu co ponad 200 innych modeli, w cenie katalogowej dostawcy przekazywanej bez narzutu za token, jest warta więcej niż dwupunktowa przewaga w kompozycie. Jeśli decyzja to cały produkt, kup specjalistyczne rozwiązanie od dostawcy, a resztę skieruj gdzie indziej.

Co by to rozstrzygnęło?

{{1}}Jeden eksperyment, a nikt go nie przeprowadził.{{/1}} Weź kilkaset prawdziwych dokumentów finansowych — faktury o znanym statusie duplikatu, dokumenty rejestrowe ze znanymi tagami — i oceń je oboma modelami według tych samych kryteriów. {{2}}Ten pojedynczy przebieg zastąpiłby każdą liczbę w tym artykule porównywalną liczbą i powiedziałby ci, czy przewaga dostrojenia dziedzinowego przetrwa zetknięcie z niezależnym środowiskiem testowym.{{/2}}

Dopóki taki ranking nie istnieje, właściwa interpretacja jest taka, że nie są to konkurenci. G​emini Decision 1 jest lepszym wyborem, gdy prawdopodobieństwo musi być wiarygodne, pytań jest wiele albo dane wejściowe nie są tekstem. Drex for Finance jest lepszym wyborem, gdy dane wejściowe to dokument finansowy, wszystkie odpowiedzi muszą być naraz poprawne, a wolumen przypadków sprawia, że $0,03 za milion tokenów to kryterium, które ma znaczenie. Oba stwierdzenia można obronić na podstawie opublikowanych liczb. Nie można natomiast obronić porównania, które umieszcza je w jednym rankingu, a powstanie takiego rankingu zajmie jeszcze sporo czasu.