Gemini Decision 1: O primeiro modelo de decisão do Google lidera onde menos importa

Sessenta e seis é uma pontuação respeitável e uma manchete enganosa. Gemini Decision 1, que o Google lançou em 11 de novembro de 2026 por meio de uma nova Decisions API, fica em 66 no Artificial Analysis Decision Index v2.1 — nono entre os dezoito modelos de decisão classificados pelo ranking, logo acima da mediana do setor, de 64. A outra metade da alegação de lançamento também é verdadeira: o modelo é o primeiro, sem empate, nos componentes de conhecimento e raciocínio do índice. Ambas as frases passam pela verificação, e soam contraditórias por um motivo que vale a pena entender. Esses dois componentes valem 15% da pontuação cada. O componente que vale 30% é aquele em que o Gemini Decision 1 é mais fraco em relação aos seus pares.

Essa distinção não é uma questão mesquinha sobre aritmética de tabelas de classificação. Ela revela para que este modelo foi criado, e não é o que a maioria das pessoas vai supor a partir da expressão “modelo de decisão do Google DeepMind”.

O que o Google realmente lançou

Gemini Decision 1 não escreve. Não é um modelo de chat com modo JSON e não pode ser chamado pelo caminho comum de geração de conteúdo. Ele é executado em um endpoint separado, POST /v1beta/decisions, recebe um bloco de entrada compartilhada mais um mapa de perguntas tipadas e retorna uma resposta calibrada por pergunta com zero tokens de saída. Cada pergunta é avaliada de forma independente em relação à mesma entrada em uma única passagem, e o modelo nunca vê as chaves das suas perguntas — apenas o texto de instruções que você escreve.

Três tipos de perguntas cobrem toda a superfície:

• Sim/não (novo) — retorna uma probabilidade entre 0,01 e 0,99, além de uma pontuação de confiança. O limite é intencional, e isso significa que um limiar definido acima de 0,99 nunca disparará.

• Escolha — de duas a 255 opções nomeadas, retornando a opção principal, uma probabilidade para cada opção que soma um e um nível de confiança. Antes da pontuação, a API ordena as chaves das suas opções alfabeticamente na ordem de bytes UTF-8, então a ordem das chaves JSON não muda nada e um empate exato é resolvido em favor da chave que vem primeiro em ordem alfabética. É por isso que a própria orientação do Google diz para nomear uma opção catch-all como other em vez de none_of_the_above, que fica antes da maioria das categorias reais, e não depois delas.

• Pontuação — de dois a 255 níveis ordenados de rubrica, com recomendação de dois a dez, retornando um nível esperado ponderado por probabilidade. Como o valor esperado faz a média dos índices do array, uma escala de 1/10/100/1000 o distorce, e o Google diz isso na documentação.

O restante da especificação é incomumente concreto para uma página de modelo no dia do lançamento:

• Entrada — texto, imagem, vídeo, áudio e PDF em uma única solicitação, com um contexto de 262.144 tokens que abrange a entrada compartilhada e todas as perguntas em conjunto.

• Escala — até 1.000 perguntas por solicitação, que é o número que separa isto de um classificador. Um ticket de suporte pode ser verificado em relação a quarenta regras de política em uma única chamada, cobrado uma vez pela entrada compartilhada.

• Mídia — até 100 MB de base64 inline por solicitação, 50 MB para PDFs, 15 MB por URL HTTPS externa. Sem links do YouTube e sem URIs gs://; você passa uma referência da API de Arquivos, uma URL assinada ou bytes.

• Faturamento — US$ 0,10 por milhão de tokens de entrada; saída não se aplica. Sem cache de contexto, sem Batch API, sem inferência Flex ou Priority. A entrada repetida entre solicitações é cobrada integralmente todas as vezes.

• Limites de taxa — um nível gratuito com 200 solicitações por minuto e 10.000 por dia, Nível 1 com 1.500 por minuto e 50.000 por dia, e solicitações diárias ilimitadas a partir do Nível 2.

Dois detalhes nessa lista importam mais do que parecem. O nível gratuito é isento de custos, mas está listado como usado para melhorar os produtos do Google, o que o desqualifica para qualquer coisa sensível. E o modelo está disponível apenas na Gemini Developer API, na versão v1beta da API — não há listagem no Vertex AI na documentação fornecida pelo Google.

A aritmética por trás do 66

O Decision Index não é uma tabela de acurácia. É uma média ponderada de seis avaliações, e cada uma é pontuada como acurácia menos o Brier score da probabilidade que o modelo atribuiu à sua resposta. Um modelo que responde errado, mas sinaliza isso com baixa confiança, é penalizado menos do que um que responde errado e tem certeza. Esse design recompensa a abstenção, e é a coisa mais importante a ter em mente ao ler qualquer número neste painel.

Aqui está onde o Gemini Decision 1 se posiciona em cada componente, com sua classificação entre os dezoito modelos:

• AA-Paperclip, peso 30% — 56,8, classificação 9. Este é o teste de decisão documental: 1.500 currículos privados, recibos, faturas e documentos, cada um contendo cinco decisões e dez fatos, pontuado como um único documento que só conta quando todas as quinze respostas estão corretas. O Gemini Decision 1 passa em 33% dos documentos de imediato. O Drex Max v1.1 passa em 63%.

• EvalSafe-O*NET-AA, 15% — 87,1, posição 8. Julgamento de documentos do local de trabalho. Este é um resultado forte, e é o componente em que todo o campo se concentra mais.

• Quando2Chamar, 10% — 80,5, posição 14. A avaliação de chamada de ferramentas da NVIDIA, e a posição mais fraca entre as seis. O Drex Max v1.1 obtém 95,3 aqui.

• AA-Omniscience-Decision v1.1, 15% — 66,3, posição 1. Conhecimento e alucinação, em que a opção "não sei" é formulada de dez maneiras diferentes.

• HLE-MultiChoice v1.1, 15% — 48,7, posição 1. Humanity's Last Exam, escolha múltipla, com opção de recusa.

• AA-Symmetry v1.1, 15% — 70,5, 9.º lugar. Se uma resposta sobrevive à mesma pergunta reordenada, com rótulos alterados e negada. O Gemini Decision 1 mantém a sua resposta em 38,3% das famílias de perguntas; o Mammoth 27B mantém 88,2 no mesmo instrumento.

Pondere esses valores e você obtém 65,98. A primeira e a quarta linhas fazem a maior parte do trabalho em direções opostas, e o motivo é estrutural: Paperclip vale o dobro de qualquer um dos testes de conhecimento, e é a avaliação que exige que o modelo leia quinze fatos de um único documento corretamente e simultaneamente.

Os dois feitos inéditos são reais e mais estreitos do que soam.

Ser o primeiro no AA-Omniscience-Decision é um resultado genuíno. O Gemini Decision 1 pontua 66,3 contra 64,4 do d1-ultra e 60,9 do GLiDE v1.2, e sua precisão bruta de 44,8% é a mais alta entre os dezoito modelos de decisão nesse teste. No HLE-MultiChoice, ele é novamente o primeiro, com 48,7, à frente do Mammoth 27B e do d1-ultra, com 47,4. É a isso que se refere “liderança em conhecimento e raciocínio”, e a afirmação se sustenta.

O que a alegação omite é o nível absoluto. O Gemini Decision 1 acerta 13,2% das questões do Humanity's Last Exam. O motivo pelo qual ele ainda lidera esse componente é que recusa em vez de chutar: sua taxa de não alucinação no mesmo teste é de 35,7%, e a fórmula de pontuação dá crédito por uma resposta de baixa probabilidade que se revela errada. Estar no topo do campo em calibração não é o mesmo que estar no topo do campo em conhecimento, e 13% de acurácia é o número a levar para um plano de capacidade.

A Google não publicou nenhuma tabela de benchmark própria para este modelo — as notas de lançamento anunciam o modelo e a API, e a documentação explica o formato da requisição e os limites. Todos os números de desempenho acima são da Artificial Analysis, medidos no próprio harness dos avaliadores, e não existe nenhum número do fornecedor que possa contradizê-los. Isso é mais limpo do que a maioria dos lançamentos e vale dizer com clareza, porque a alternativa — uma tabela do fornecedor e nenhuma verificação externa — é o caso comum nesta categoria.

O que o preço compra, e o que não compra

A US$ 345 por milhão de tarefas no índice, o Gemini Decision 1 é o modelo mais caro na metade superior do ranking. O Drex Max v1.1 executa o mesmo milhão de tarefas por US$ 103, o Jev 1.14 por US$ 156, o Microsoft-Decision-1 por US$ 143. A tarifa de entrada explica isso: US$ 0,10 por milhão de tokens contra US$ 0,03 do Drex Max v1.1, e uma tarefa de decisão lê um documento longo sem nunca gerar um token para compensar o custo. O Artificial Analysis o classifica em décimo quinto entre dezoito em custo e observa que ele é "particularmente caro".

A latência não tem nada de extraordinário. A 211 milissegundos por tarefa, é um pouco mais lenta que a mediana do segmento, de 209, e mais lenta que o Jev 1.14, com 92. Para uma decisão de roteamento por trás de uma mensagem de cliente, isso é aceitável. Para um loop quadro a quadro em vídeo ao vivo, que a documentação lista explicitamente como caso de uso, isso é um argumento a favor de um modelo menor, e não contra este.

As lacunas de capacidade são as que a página de preços lista como indisponíveis, e não as que um benchmark consegue mostrar: não ter a Batch API significa não ter uma varredura noturna pela metade do preço de um milhão de tickets históricos, e não ter cache de contexto significa que o mesmo documento de políticas de 40.000 tokens é cobrado novamente a cada solicitação. Se o seu pipeline de decisão relê um grande contexto compartilhado em volume, essas duas omissões custam mais do que a taxa anunciada sugere, e nenhuma delas está em um roadmap que o Google tenha publicado.

Onde isto se encaixa se você já faz roteamento de modelos

A OrcaRouter não oferece gemini-decision-1. Um endpoint apenas de probabilidades não é um alvo de chat-completions, portanto não é algo que um roteador no nosso formato possa colocar atrás de uma única chave — e dizer o contrário seria o tipo de alegação de disponibilidade que soa bem e falha na primeira requisição. O que oferecemos é o typesafe/jev-1.14 da TypeSafe, um modelo de decisão no mesmo ranking de 18 modelos, com 66,23, então a metade de pontuação de um pipeline pode ficar na mesma chave que a metade de escrita, se esse for o modelo de decisão que você escolher.

A metade da escrita é a parte para a qual realmente existimos. Um pipeline de decisão quase sempre envolve duas chamadas: algo redige a resposta candidata ou a rubrica, e algo a pontua. A chamada de redação é onde a escolha do modelo é disputada e onde um segundo contrato com fornecedor pesa, e é essa a chamada que é executada em um único endpoint com mais de 200 modelos nele a preço de tabela do fornecedor repassado com 0% de margem, então uma mudança de preço do fornecedor entra em vigor do nosso lado no mesmo dia. Encaminhar a chamada de redação por nós e apontar a chamada de pontuação para o endpoint do próprio Google é uma mudança de duas linhas, não uma arquitetura.

O que mudaria essa leitura?

Três coisas, em ordem de probabilidade. Uma revisão que eleve a taxa de aprovação tudo-ou-nada de 33% do AA-Paperclip moveria o composto mais do que qualquer outra coisa que este modelo poderia fazer, porque esse único componente carrega 30% da pontuação e um déficit de dezesseis pontos para o líder. Uma listagem no Vertex AI mudaria completamente a conversa de compras — hoje a única forma de chamá-lo é com uma chave de API do Gemini, e empresas que compram por contratos do Google Cloud vão notar. E um segundo conselho independente reproduzindo o 66 transformaria um número de uma única empresa em um número de consenso.

Até que um desses se concretize, a descrição precisa do Gemini Decision 1 é restrita e útil: um avaliador multimodal de 262.000 tokens e 1.000 perguntas que é o modelo de decisão mais bem calibrado do quadro nos dois pontos em que saber quando ficar calado é a habilidade testada, e um modelo de meio de tabela nos casos em que a tarefa é ler um documento denso e acertar quinze respostas de uma vez. Se suas decisões se parecem com o primeiro tipo, 66 subestima o resultado. Se se parecem com o segundo, nenhuma liderança em benchmark de conhecimento salvará a taxa de aprovação.