Gemini Decision 1: Pierwszy model decyzyjny Google'a wiedzie tam, gdzie liczy się najmniej

Sześćdziesiąt sześć to przyzwoity wynik i mylący nagłówek. Gemini Decision 1, który Google udostępnił 11 listopada 2026 r. w ramach nowego Decisions API, osiąga 66 punktów w Artificial Analysis Decision Index v2.1 — dziewiąte miejsce wśród osiemnastu modeli decyzyjnych uwzględnionych w rankingu, tuż powyżej mediany wynoszącej 64. Druga połowa twierdzenia z premiery również się potwierdza: model zajmuje pierwsze miejsce, bezdyskusyjnie, w komponentach indeksu dotyczących wiedzy i rozumowania. Oba zdania przechodzą weryfikację, a wydają się sprzeczne z powodu, który warto zrozumieć. Te dwa komponenty odpowiadają za 15% wyniku każdy. Komponent odpowiadający za 30% to ten, w którym Gemini Decision 1 wypada najsłabiej na tle konkurencji.

To rozróżnienie nie jest czepianiem się arytmetyki rankingów. Mówi ono, do czego ten model został stworzony, a nie jest to, co większość ludzi założy, słysząc sformułowanie „model decyzyjny od Google DeepMind”.

Co Google faktycznie wypuściło

Gemini Decision 1 nie pisze. Nie jest modelem czatu z trybem JSON i nie można go wywołać przez zwykłą ścieżkę generate-content. Działa na osobnym punkcie końcowym POST /v1beta/decisions, przyjmuje jeden blok wspólnego wejścia oraz mapę typowanych pytań i zwraca po jednej skalibrowanej odpowiedzi na pytanie przy zerowej liczbie tokenów wyjściowych. Każde pytanie jest oceniane niezależnie względem tego samego wejścia w jednym przebiegu, a model nigdy nie widzi kluczy pytań — tylko tekst instrukcji, który napiszesz.

Trzy typy pytań obejmują cały zakres:

• Tak/nie (noul) — zwraca prawdopodobieństwo między 0,01 a 0,99 oraz ocenę pewności. Ten zakres jest celowy i oznacza, że próg ustawiony powyżej 0,99 nigdy nie zadziała.

• Wybór — od dwóch do 255 nazwanych opcji, zwracając opcję z najwyższym wynikiem, prawdopodobieństwo dla każdej opcji sumujące się do jedności oraz poziom pewności. Przed ocenianiem API sortuje klucze opcji alfabetycznie w kolejności bajtów UTF-8, więc kolejność kluczy w JSON nic nie zmienia, a dokładny remis rozstrzyga się na korzyść alfabetycznie pierwszego klucza. Dlatego własne wytyczne Google mówią, aby opcję zbiorczą nazwać other, a nie none_of_the_above, które sortuje się przed większością rzeczywistych kategorii, zamiast po nich.

• Ocena — od dwóch do 255 uporządkowanych poziomów rubryki, zalecane od dwóch do dziesięciu, zwracająca ważony prawdopodobieństwem oczekiwany poziom. Ponieważ wartość oczekiwana uśrednia indeksy tablicy, skala 1/10/100/1000 ją zniekształca, a Google mówi o tym w dokumentacji.

Pozostała część specyfikacji jest niezwykle konkretna jak na stronę modelu z dnia premiery:

• Wejście — tekst, obraz, wideo, audio i PDF w jednym żądaniu, z kontekstem 262 144 tokenów obejmującym wspólne wejście i wszystkie pytania razem.

• Skala — do 1000 pytań na żądanie, czyli liczba, która odróżnia to od klasyfikatora. Zgłoszenie do pomocy technicznej można sprawdzić względem czterdziestu reguł polityki w jednym wywołaniu, płacąc raz za wspólne dane wejściowe.

• Media — do 100 MB wbudowanego base64 na żądanie, 50 MB dla plików PDF, 15 MB na zewnętrzny adres URL HTTPS. Bez linków do YouTube i URI gs://; przekazujesz odwołanie do Files API, podpisany adres URL lub bajty.

• Rozliczanie — 0,10 USD za milion tokenów wejściowych; tokeny wyjściowe nie mają zastosowania. Brak buforowania kontekstu, brak Batch API, brak wnioskowania Flex ani Priority. Powtarzające się dane wejściowe w kolejnych żądaniach są rozliczane w pełnej wysokości za każdym razem.

• Limity szybkości — darmowy plan: 200 żądań na minutę i 10 000 dziennie, Tier 1: 1500 na minutę i 50 000 dziennie, a od Tier 2 wzwyż nieograniczona liczba żądań dziennie.

Dwa szczegóły na tej liście mają większe znaczenie, niż się wydaje. Bezpłatny poziom jest darmowy, ale wymieniono go jako wykorzystywany do ulepszania produktów Google, co wyklucza go w przypadku jakichkolwiek wrażliwych zastosowań. A model jest dostępny wyłącznie w Gemini Developer API, w wersji API v1beta — w dokumentacji udostępnionej przez Google nie ma wpisu dotyczącego Vertex AI.

Arytmetyka stojąca za 66

Decision Index nie jest tabelą dokładności. To średnia ważona sześciu ocen, a każda z nich jest liczona jako dokładność minus Brier score prawdopodobieństwa, jakie model przypisał swojej odpowiedzi. Model, który odpowiada błędnie, ale sygnalizuje to niską pewnością, jest karany mniej niż model, który odpowiada błędnie i jest pewny. Taka konstrukcja premiuje wstrzymanie się od odpowiedzi i jest to najważniejsza rzecz, o której należy pamiętać, czytając jakąkolwiek liczbę na tej tablicy.

Oto jak Gemini Decision 1 wypada w każdym komponencie, wraz z jego miejscem w rankingu pośród osiemnastu modeli:

• AA-Paperclip, waga 30% — 56,8, pozycja 9. To test podejmowania decyzji na dokumentach: 1500 prywatnych CV, paragonów, faktur i dokumentów, z których każdy zawiera pięć decyzji i dziesięć faktów, ocenianych jako jeden dokument, który liczy się tylko wtedy, gdy wszystkie piętnaście odpowiedzi są poprawne. Gemini Decision 1 zalicza 33% dokumentów od razu. Drex Max v1.1 zalicza 63%.

• EvalSafe-O*NET-AA, 15% — 87,1, pozycja 8. Ocena dokumentów służbowych. To mocny wynik i komponent, w którym cała stawka jest najciaśniej skupiona.

• When2Call, 10% — 80,5, 14. miejsce. To ocena NVIDIA dotycząca wywoływania narzędzi i najsłabsze miejsce spośród sześciu. Drex Max v1.1 uzyskuje tutaj 95,3.

• AA-Omniscience-Decision v1.1, 15% — 66,3, pozycja 1. Wiedza i halucynacje, gdzie opcja „nie wiem” jest sformułowana na dziesięć różnych sposobów.

• HLE-MultiChoice v1.1, 15% — 48,7, miejsce 1. Humanity's Last Exam, wielokrotny wybór, z opcją odmowy.

• AA-Symmetry v1.1, 15% — 70,5, miejsce 9. Czy odpowiedź przetrwa to samo pytanie przestawione, opatrzone innymi etykietami i zanegowane. Gemini Decision 1 utrzymuje swoją odpowiedź w 38,3% rodzin pytań; Mammoth 27B utrzymuje 88,2 w tym samym narzędziu.

Zważ je, a otrzymasz 65,98. Pierwszy i czwarty wiersz odpowiadają za większość pracy w przeciwnych kierunkach, a powód jest strukturalny: Paperclip jest wart dwa razy tyle co którykolwiek test wiedzy, i to właśnie ta ewaluacja wymaga, aby model poprawnie i jednocześnie odczytał piętnaście faktów z jednego dokumentu.

Te dwa pierwsze osiągnięcia są prawdziwe i węższe, niż to brzmi.

Pierwsze miejsce w AA-Omniscience-Decision to rzeczywisty wynik. Gemini Decision 1 uzyskuje 66,3 pkt wobec 64,4 dla d1-ultra i 60,9 dla GLiDE v1.2, a jego surowa dokładność na poziomie 44,8% jest najwyższa wśród osiemnastu modeli decyzyjnych w tym teście. W HLE-MultiChoice ponownie zajmuje pierwsze miejsce z wynikiem 48,7, wyprzedzając Mammoth 27B i d1-ultra z 47,4. To właśnie oznacza „wiodąca pozycja w wiedzy i rozumowaniu”, i to twierdzenie się broni.

Czego twierdzenie nie mówi, to poziom bezwzględny. Gemini Decision 1 odpowiada poprawnie na 13,2% pytań Humanity's Last Exam. Powód, dla którego nadal zajmuje pierwsze miejsce w tym komponencie, jest taki, że odmawia odpowiedzi, zamiast zgadywać: jego odsetek odpowiedzi bez halucynacji w tym samym teście wynosi 35,7%, a formuła punktacji karze za odpowiedź o niskim prawdopodobieństwie, która okaże się błędna. Czołówka pod względem kalibracji to nie to samo co czołówka pod względem wiedzy, a dokładność na poziomie 13% to liczba, którą należy uwzględnić w planie przepustowości.

Google nie opublikowało własnej tabeli benchmarków dla tego modelu — informacje o wydaniu ogłaszają model i API, a dokumentacja objaśnia strukturę żądania i limity. Każdy podany powyżej wynik wydajności pochodzi z Artificial Analysis, zmierzony we własnym środowisku testowym ewaluatorów, i nie istnieje żadna liczba od dostawcy, która mogłaby się z nim nie zgadzać. To jest bardziej przejrzyste niż w przypadku większości premier i warte powiedzenia wprost, ponieważ alternatywa — tabela dostawcy i brak zewnętrznej weryfikacji — jest w tej kategorii normą.

Co można kupić za daną cenę, a czego nie

Przy $345 za milion zadań w indeksie Gemini Decision 1 jest najdroższym modelem w górnej połowie rankingu. Drex Max v1.1 wykonuje ten sam milion zadań za $103, Jev 1.14 za $156, Microsoft-Decision-1 za $143. Wyjaśnia to stawka za dane wejściowe: $0.10 za milion tokenów w porównaniu z $0.03 dla Drex Max v1.1, a zadanie decyzyjne odczytuje długi dokument, nigdy nie generując tokenu, który zrównoważyłby koszt. Artificial Analysis plasuje go na piętnastym miejscu na osiemnaście pod względem kosztu i zauważa, że jest „szczególnie drogi”.

Opóźnienie nie wyróżnia się na tle innych. Przy 211 milisekundach na zadanie jest odrobinę wolniejsze od mediany w tej dziedzinie wynoszącej 209 ms i wolniejsze od Jev 1.14 z wynikiem 92 ms. W przypadku decyzji o trasowaniu podejmowanej przy wiadomości od klienta to w porządku. W przypadku pętli przetwarzającej klatka po klatce wideo na żywo, którą dokumentacja wyraźnie wymienia jako przypadek użycia, jest to argument za mniejszym modelem, a nie przeciwko temu.

Luki w możliwościach to te, które strona cennika wymienia jako niedostępne, a nie te, które może pokazać benchmark: brak Batch API oznacza brak nocnego przetwarzania miliona historycznych zgłoszeń za pół ceny, a brak buforowania kontekstu oznacza, że ten sam dokument polityki o długości 40 000 tokenów jest rozliczany ponownie przy każdym żądaniu. Jeśli Twój potok decyzyjny wielokrotnie odczytuje duży współdzielony kontekst na dużą skalę, te dwa braki kosztują więcej, niż sugeruje stawka podana w nagłówku, i żaden z nich nie znajduje się na opublikowanej przez Google mapie drogowej.

Gdzie to pasuje, jeśli już kierujesz ruchem modeli

OrcaRouter nie obsługuje gemini-decision-1. Punkt końcowy zwracający wyłącznie prawdopodobieństwa nie jest celem typu chat-completions, więc nie jest czymś, co router w naszej architekturze może udostępnić pod jednym kluczem — a twierdzenie inaczej byłoby rodzajem deklaracji dostępności, która dobrze brzmi, ale zawodzi przy pierwszym żądaniu. To, co obsługujemy, to typesafe/jev-1.14 od TypeSafe — model decyzyjny na tej samej tablicy 18 modeli z wynikiem 66.23, dzięki czemu połowa pipeline'u odpowiedzialna za scoring może działać na tym samym kluczu co połowa odpowiedzialna za pisanie, jeśli wybierzesz właśnie ten model decyzyjny.

Połowa związana z pisaniem to ta część, dla której właściwie istniejemy. Potok decyzyjny to niemal zawsze dwa wywołania: coś przygotowuje wstępną wersję odpowiedzi kandydującej lub kryteriów oceny, a coś ją ocenia. Wywołanie przygotowujące wstępną wersję to miejsce, w którym wybór modelu budzi spory i w którym druga umowa z dostawcą daje się we znaki, i to właśnie to wywołanie przechodzi przez jeden punkt końcowy z ponad 200 modelami w cenie katalogowej dostawcy przekazywanej dalej z 0% marży, więc zmiana ceny dostawcy obowiązuje u nas tego samego dnia. Przepuszczenie wywołania tworzącego wstępną wersję przez nas i skierowanie wywołania oceniającego do własnego punktu końcowego Google to zmiana na dwie linijki, a nie przebudowa architektury.

Co zmieniłoby ten odczyt?

Trzy rzeczy, w kolejności od najbardziej prawdopodobnej. Rewizja, która podniosłaby 33-procentowy wskaźnik zaliczeń „wszystko albo nic” modelu AA-Paperclip, przesunęłaby wynik złożony bardziej niż cokolwiek innego, co ten model mógłby zrobić, ponieważ ten jeden komponent odpowiada za 30% punktacji i szesnastopunktową stratę do lidera. Wpis w Vertex AI całkowicie zmieniłby rozmowę o zakupach — dziś jedynym sposobem, by go wywołać, jest klucz API Gemini, a przedsiębiorstwa kupujące w ramach umów Google Cloud to zauważą. A drugi niezależny panel, który odtworzyłby wynik 66, zamieniłby liczbę pochodzącą od jednej firmy w liczbę będącą konsensusem.

Dopóki któreś z nich nie zostanie udostępnione, trafny opis Gemini Decision 1 jest wąski i użyteczny: to multimodalny model oceniający z 262 000 tokenów i 1000 pytań, który jest najlepiej skalibrowanym modelem decyzyjnym w zestawieniu w dwóch miejscach, gdzie testowaną umiejętnością jest wiedza, kiedy zamilknąć, a w trzecim plasuje się w środku tabeli, gdzie zadaniem jest przeczytanie gęstego dokumentu i udzielenie piętnastu poprawnych odpowiedzi naraz. Jeśli twoje decyzje wyglądają jak te pierwszego rodzaju, 66 zaniża tę wartość. Jeśli wyglądają jak te drugiego rodzaju, żadna pozycja lidera w benchmarkach wiedzy nie uratuje współczynnika zdawalności.