Drex for Finance vs Gemini. Решение 1: Два способа купить вероятность

Положите спецификации рядом, и Drex for Finance и G​emini Decision 1 выглядят как один и тот же продукт от двух компаний. Оба принимают блок входных данных и набор типизированных вопросов, оба возвращают оценённый ответ на каждый вопрос без сгенерированного текста, оба поддерживают запрос объёмом 262 144 токена, и оба стоят центы за миллион входных токенов, а не доллары. Сходство заканчивается на том, ради чего вы бы их на самом деле покупали. G​emini Decision 1, выпущенная 11 ноября 2026 года в Developer API G​oogle, — это универсальная модель принятия решений, чей отличительный навык — понимать, когда следует отказаться; Drex for Finance, общедоступная с 2 ноября 2026 года по цене $0,03 за миллион входных токенов, — это доменный файнтюн, чей отличительный навык — читать финансовый документ и сразу давать пятнадцать верных ответов. С разницей в девять дней, одинаковая форма запроса, противоположные ставки — и ни один опубликованный прогон ещё не ставил их на одну шкалу.

Сравнение, которое никто не проводил

Это первое, что нужно понять, потому что от этого зависит, насколько вы сможете действовать на основе остальной части этого текста.

Числа Gemini Decision 1 взяты из Artificial Analysis, из его Decision Index v2.1 — восемнадцать моделей в рейтинге, взвешенная композитная оценка шести тестов, каждый из которых оценивается как точность минус штраф Брайера за вероятность, которую модель приписала своему ответу. Он набирает 66,0 балла, что является девятым результатом из восемнадцати, чуть выше медианы по таблице, равной 64.

Показатели Drex for Finance взяты из Nace, по индексу Drex Finance Index, построенному на 48 отложенных наборах финансовых тестов. Он набирает 77,3. Drex for Finance вообще отсутствует в рейтинге Artificial Analysis.

Итак, две ключевые цифры — 66 и 77.3. Они получены на разных инструментах, измеряют разные совокупности задач, и их вычитание даёт число, не имеющее смысла. Кто бы это ни делал — а уже опубликованные в сети версии этого сравнения делают именно так — сравнивает оценку в универсальном рейтинге с собственной доменной оценкой вендора и выдаёт разницу за победителя. Честная формулировка такова: единственные пересекающиеся данные получены опосредованно. Drex Max v1.1 — родительский чекпоинт, от которого был дообучен Drex for Finance, — действительно присутствует в рейтинге Artificial Analysis и безоговорочно лидирует в нём с результатом 73.4: первый из восемнадцати, на 7.4 балла опережает 66.0 у G​emini Decision 1. Это сильный сигнал о базовой модели и вовсе никакого сигнала о дообученной версии, потому что доменное обучение может многое выиграть на тесте по документам и немного потерять на тесте на знания, а ничего опубликованного не разделяет эти два эффекта для данного чекпоинта. Это также причина, по которой 66 и 77.3 нельзя читать как разрыв ни в ту, ни в другую сторону.

Для чего на самом деле создан каждый из них

Архитектуры объясняют расхождение лучше, чем любой балл.

• Форма — Drex for Finance — это дообученная версия Drex Max, модели принятия решений с визуальным энкодером. G​emini Decision 1 — это первая в линейке модель принятия решений от G​oogle DeepMind, доступная на отдельном эндпоинте POST /v1beta/decisions, отдельном от пути generate-content.

• Акцент в обучении — девять названных финансовых доменов в Nace: банковское дело и платежи, бухгалтерский учёт и аудит, кредитование и займы, страхование, комплаенс и управление рисками, отчётность и документы, рынки и инвестиции, ESG, казначейство и операционная деятельность. G​oogle не публикует описания обучения, кроме модели и API.

• Масштаб запроса — оба позволяют около 1 000 вопросов за один проход, но формы различаются. G​emini Decision 1 ограничивает 1 000 вопросов на запрос и тарифицирует общий вход один раз. Drex for Finance предоставляет 262 144 токена на весь запрос, при этом количество вопросов в документации не ограничено, что поощряет множество коротких вопросов вместо одного длинного документа.

• Воздержание — тип «да/нет» в G​emini Decision 1 возвращает вероятность, ограниченную диапазоном 0,01–0,99, поэтому порог, установленный выше 0,99, никогда не сработает; его лидерство в рейтингах AA-Omniscience и HLE-MultiChoice по сути является лидерством в отказе от ответа, а не в угадывании. Drex for Finance возвращает P(true) в [0,1] без документированного ограничения и вообще без опубликованного показателя отсутствия галлюцинаций.

• Обработка опций — G​emini Decision 1 сортирует ваши ключи опций в алфавитном порядке в порядке байтов UTF-8 перед оценкой, поэтому при равенстве выбор склоняется к первому по алфавиту ключу, и собственная рекомендация G​oogle — называть универсальный вариант other, а не none_of_the_above. Nace не документирует такую нормализацию, что не равнозначно утверждению, что она не происходит — это равнозначно утверждению, что вы не можете полагаться на неё ни в ту, ни в другую сторону.

• Цена — Drex for Finance: $0,03 за миллион входных токенов, выходные токены не тарифицируются. G​emini Decision 1: $0,10 за миллион входных токенов, выходные токены не применимы. По показателю доли выполненных задач Artificial Analysis стоимость G​emini Decision 1 составляет $345 за миллион решений; сопоставимый показатель для модели Nace на этой основе не публикуется.

• Доступ — Drex for Finance через API поставщика, его SDK, его CLI и удалённый MCP-сервер, с бесплатным тарифом на 100 решений в день размером до 32 КБ каждое. Gemini Decision 1 в Gemini Developer API только на v1beta — без представления в Vertex AI, без Batch API, без кэширования контекста.

Где выигрывает общая модель — и это не маленький набор

Три из этих строк оказываются решающими в зависимости от вашей рабочей нагрузки.

Калибровка. Decision Index штрафует уверенный неправильный ответ строже, чем неуверенный, и именно из-за этого дизайна G​emini Decision 1 находится там, где находится. Если ваш конвейер маршрутизирует по вероятности — одобрять выше 0,95, эскалировать ниже 0,6 — ценность этого числа полностью зависит от того, означает ли 0,95 95%. Ограниченный выход Google плюс его первое место по двум компонентам знаний служат тому доказательством; Nace публикует точность и разбивку по категориям, но не кривую калибровки, поэтому вероятность Drex — это оценка, которую вам нужно проверить самостоятельно, прежде чем ставить на неё порог.

Один проход — множество правил. Тысяча вопросов на запрос к одному общему входу — это принципиально иная возможность по сравнению с очень длинным единым контекстом. Заявка в поддержку, проверяемая по сорока правилам политики за один вызов, с однократной оплатой входных данных — это тот тип задачи, где схема G​emini Decision 1 лучше, чем окно контекста на 262K, потому что затраты масштабируются от количества вопросов, а не от повторяемого вами текста.

Широта модальностей. Drex for Finance читает текст, а также изображения PNG, JPEG и WebP — до восьми за запрос. Gemini Decision 1 принимает текст, изображения, видео, аудио и PDF в одном запросе — до 100 МБ встроенного base64, 50 МБ для PDF. Если решение зависит от записи телефонного звонка или видеокадра, увидеть это может только один из этих двух.

Где побеждает специалист

Контрслучай более узок, но он реален, и всё сводится к тому, что происходит с документами, в которых нужно, чтобы несколько ответов одновременно были верными.

На AA-Paperclip приходится 30% композитного показателя G​emini Decision 1, и это самый весомый отдельный компонент: G​emini Decision 1 безоговорочно проходит 33% документов против 63% у Drex Max v1.1. Тест включает 1 500 частных резюме, квитанций, счетов и документов, каждый из которых содержит пять решений и десять фактов; оценка по каждому документу — «всё или ничего». Drex for Finance дообучили именно на этом материале: поля счетов и квитанций, классификация счетов главной книги, дубликаты счетов, исключения при сверке, аудиторская выборка, разметка 10-K и XBRL. Nace сообщает о 92,3 балла в категории «Documents & extraction» и 96,7 в категории «Financial QA & filings»; оба теста проведены поставщиком.

Если ваше решение звучит как «прочитай этот счёт и скажи, дублирует ли он уже оплаченный», то сводный показатель общей таблицы лидеров почти не имеет значения, а модель, дообученная под конкретную предметную область, — это почти весь ответ. Именно поэтому стоит платить по специальному тарифу за специализированную модель — и именно поэтому 77,3 и 66 не следует сравнивать: это оценки двух моделей на двух совокупностях задач, для каждой из которых соответствующую модель выбирали как сильную.

Два честных слабых места на стороне Nace, поскольку таблицу составил сам поставщик: Credit & risk набирает 48,3 — самый низкий абсолютный показатель в финансовой таблице, а Markets & reasoning — 41,5, единственная категория, где модель не первая: pplx-decider v1.2 получает 43,1. Оба раскрыты в собственном анонсе Nace, что делают немногие поставщики, и оба ограничивают, насколько можно доверять финансовому чекпоинту.

Стоимость — в том масштабе, в котором конвейер принятия решений действительно работает.

Скоринг кейса на 4 000 токенов один раз стоит около $0.00012 в Drex for Finance и около $0.0004 в G​emini Decision 1. Ни то, ни другое не является числом, которое что-либо решает; при миллионе решений в месяц разница составляет примерно $280 — меньше, чем инженерная неделя, потраченная на миграцию.

Что действительно решает дело, так это окружающая архитектура. У G​emini Decision 1 нет кэширования контекста и нет Batch API, поэтому один и тот же документ политики на 40 000 токенов оплачивается полностью при каждом запросе, а ночного прогона исторических тикетов за половинную цену не существует. У Drex for Finance также нет ни одной из этих функций, а оплата у него считается за запрос, а не за вопрос, что означает: стоимость того, чтобы задать сорок вопросов по одному документу, равна количеству токенов документа, уплаченному один раз. На нагрузке с большим числом вопросов и коротким вводом это полностью переворачивает рейтинг по цене за токен: за $0.10 у G​emini Decision 1 можно задать тысячу вопросов, тогда как те же тысяча вопросов по одному короткому кейсу — это один запрос Drex по $0.03 за миллион токенов.

Как достучаться до любого из них, если честно

Мы не предоставляем gemini-decision-1 и не предоставляем drex-max-finance. Эндпоинт, отдающий только вероятности, не является целью chat-completions, поэтому роутер в нашей конфигурации не имеет честного способа объединить любой из них под одним ключом, и заявление об обратном провалилось бы на первом же запросе. А мы предоставляем продукт TypeSafe — typesafe/jev-1.14 по цене $0,042 за миллион входных и выходных токенов на systemone — та же форма запроса, с которой API Nace совместим на уровне протокола, и модель в том же рейтинге из восемнадцати моделей, что и G​emini Decision 1, с показателем 66,2 против 66,0.

Что делает его практичным третьим вариантом в этом сравнении, а не сноской. Если само решение не вызывает споров и вам нужна одна конечная точка для всего конвейера — вызов решения, вызов составления черновика, который пишет заметку аналитика, вызов эскалации, который проверяет отмеченные случаи, — тогда ветвь решения, работающая на том же ключе, что и более 200 других моделей, по прейскурантной цене провайдера, передаваемой без наценки за токен, стоит большего, чем двухпунктовое преимущество в композитной оценке. Если решение — это весь продукт, купите специализированную модель у поставщика, а остальное маршрутизируйте.

Что бы это решило?

Один эксперимент — и никто его не провёл. Возьмите несколько сотен реальных финансовых документов — счетов-фактур с известным статусом дубликата, отчётностей с известными тегами — и оцените их обеими моделями по одной и той же рубрике. Этот единственный прогон заменил бы каждое число в этой статье на сопоставимое и показал бы, сохраняется ли преимущество дообучения на предметной области при столкновении с независимым стендом.

Пока его не существует, правильная интерпретация такова: это не конкуренты. G​emini Decision 1 — лучший выбор, когда вероятность должна быть достоверной, вопросов много или входные данные не являются текстом. Drex for Finance — лучший выбор, когда входные данные — финансовый документ, все ответы должны быть верны одновременно, а объём обращений делает $0.03 за миллион токенов тем показателем, который имеет решающее значение. Оба утверждения подкрепляются опубликованными цифрами. А вот сравнение, которое ставит их в один рейтинг, — нет, и до его появления ещё далеко.