Gemini Decision 1: первая модель принятия решений от Google лидирует там, где это меньше всего важно

Шестьдесят шесть — достойный балл и вводящий в заблуждение заголовок. Gemini Decision 1, который Google выпустила 11 ноября 2026 года через новый Decisions API, набирает 66 баллов в Artificial Analysis Decision Index v2.1 — девятое место среди восемнадцати моделей принятия решений, которые ранжирует совет, чуть выше медианы по выборке в 64. Вторая половина заявления о запуске тоже верна: модель безусловно первая по компонентам индекса «знания» и «рассуждения». Оба утверждения выдерживают проверку, и они кажутся противоречивыми по причине, которую стоит понять. Каждый из этих двух компонентов имеет вес 15% итогового балла. Компонент с весом 30% — тот, в котором Gemini Decision 1 слабее всего по сравнению с конкурентами.

Это различие — не придирка к арифметике рейтинговых таблиц. Оно говорит о том, для чего создавалась эта модель, и это не то, что большинство людей предположит, услышав фразу «модель принятия решений от Google DeepMind».

Что Google на самом деле выпустила

Gemini Decision 1 не пишет текст. Это не чат-модель с режимом JSON, и её нельзя вызвать через обычный путь generate-content. Она работает на отдельной конечной точке POST /v1beta/decisions, принимает один блок общего ввода плюс карту типизированных вопросов и возвращает один калиброванный ответ на каждый вопрос без выходных токенов. Каждый вопрос оценивается независимо на основе одних и тех же входных данных за один проход, и модель никогда не видит ключи ваших вопросов — только написанный вами текст инструкций.

Три типа вопросов охватывают всю поверхность:

• Да/нет (noul) — возвращает вероятность от 0.01 до 0.99 плюс оценку уверенности. Граница задана намеренно, и это означает, что порог, установленный выше 0.99, никогда не сработает.

• Выбор — от двух до 255 именованных вариантов; возвращает лучший вариант, вероятность для каждого варианта, в сумме равную единице, и оценку уверенности. Перед оценкой API сортирует ключи вариантов в алфавитном порядке в байтовом порядке UTF-8, поэтому порядок ключей JSON ничего не меняет, а при точном равенстве выбирается ключ, идущий первым по алфавиту. Поэтому в собственных рекомендациях Google говорится, что универсальный вариант следует называть other, а не none_of_the_above: он сортируется перед большинством реальных категорий, а не после них.

• Оценка — от двух до 255 упорядоченных уровней рубрики, рекомендуется от двух до десяти; возвращает ожидаемый уровень, взвешенный по вероятностям. Поскольку ожидаемое значение усредняет индексы массива, шкала 1/10/100/1000 искажает его, и Google говорит об этом в документации.

Остальная часть спецификации на удивление конкретна для страницы модели в день запуска:

• Ввод — текст, изображение, видео, аудио и PDF в одном запросе, с контекстом в 262 144 токена, охватывающим общий ввод и все вопросы вместе.

• Масштаб — до 1 000 вопросов на запрос; именно это число отличает его от классификатора. Обращение в службу поддержки можно проверить на соответствие сорока правилам политики за один вызов, оплачиваемый один раз за общий ввод.

• Медиа — до 100 МБ встроенного base64 на запрос, 50 МБ для PDF, 15 МБ на внешний HTTPS-URL. Ссылки YouTube и URI gs:// не поддерживаются; вы передаёте ссылку на Files API, подписанный URL или байты.

• Биллинг — 0,10 $ за миллион входных токенов; выходные токены не применимы. Кэширование контекста, Batch API, Flex и Priority inference не поддерживаются. Повторяющийся ввод в запросах оплачивается полностью каждый раз.

• Ограничения частоты запросов — бесплатный тариф: 200 запросов в минуту и 10 000 в день, тариф 1: 1 500 в минуту и 50 000 в день, а начиная с тарифа 2 — неограниченное количество запросов в день.

Две детали в этом списке важнее, чем кажутся. Бесплатный уровень бесплатен, но указан как используемый для улучшения продуктов Google, что исключает его применение для чего-либо чувствительного. А модель доступна только через Gemini Developer API, в версии API v1beta — в документации, выпущенной Google, нет упоминания в Vertex AI.

Арифметика, стоящая за 66

Decision Index — это не таблица точности. Это средневзвешенное значение шести оценок, и каждая из них рассчитывается как точность минус оценка Бриера для вероятности, которую модель приписала своему ответу. Модель, ответившая неправильно, но с низкой уверенностью, штрафуется меньше, чем та, что ответила неправильно и была уверена. Такая конструкция поощряет воздержание, и это самое важное, что нужно помнить, читая любое число на этой панели.

Вот где Gemini Decision 1 находится по каждому компоненту, и его место среди восемнадцати моделей:

• AA-Paperclip, вес 30% — 56,8, 9-е место. Это тест на принятие решений по документам: 1500 частных резюме, квитанций, счетов и бумаг, каждый из которых содержит пять решений и десять фактов; оценивается как один документ, который засчитывается, только если все пятнадцать ответов верны. Gemini Decision 1 проходит 33% документов сразу. Drex Max v1.1 проходит 63%.

• EvalSafe-O*NET-AA, 15% — 87.1, 8-е место. Оценка рабочих документов. Это сильный результат, и именно в этом компоненте показатели всех участников группируются наиболее плотно.

• When2Call, 10% — 80,5, 14-е место. Бенчмарк NVIDIA по вызову инструментов и самое низкое место из шести. Drex Max v1.1 набирает здесь 95,3.

• AA-Omniscience-Decision v1.1, 15% — 66.3, 1-е место. Знания и галлюцинации, где вариант «Я не знаю» сформулирован десятью разными способами.

• HLE-MultiChoice v1.1, 15% — 48,7, 1-е место. Humanity's Last Exam, с выбором из нескольких вариантов и возможностью отказаться.

• AA-Symmetry v1.1, 15% — 70,5, 9-е место. Сохраняется ли ответ, если тот же вопрос переставить, переименовать и добавить отрицание. Gemini Decision 1 сохраняет свой ответ в 38,3% семейств вопросов; Mammoth 27B — 88,2 по той же методике.

Взвесьте их — и получите 65,98. Первая и четвёртая строки вносят наибольший вклад, причём в противоположных направлениях, и причина структурная: Paperclip весит вдвое больше любого из тестов знаний, и именно это испытание требует, чтобы модель правильно и одновременно прочитала пятнадцать фактов из одного документа.

Оба этих первых случая реальны — и они не так масштабны, как звучат.

Первое место в AA-Omniscience-Decision — это настоящий результат. Gemini Decision 1 набирает 66,3 против 64,4 у d1-ultra и 60,9 у GLiDE v1.2, а её сырая точность 44,8% — самая высокая среди восемнадцати decision-моделей в этом тесте. В HLE-MultiChoice она снова первая с 48,7, опережая Mammoth 27B и d1-ultra с 47,4. Именно это подразумевается под «лидерством в знаниях и рассуждениях», и это утверждение справедливо.

То, о чём умалчивает это утверждение, — абсолютный уровень. Gemini Decision 1 правильно отвечает на 13,2% вопросов Humanity's Last Exam. Причина, по которой он всё ещё лидирует по этому компоненту, заключается в том, что он отказывается отвечать, а не угадывает: его показатель отсутствия галлюцинаций на том же тесте составляет 35,7%, а формула подсчёта баллов штрафует за маловероятный ответ, который оказывается неверным. Лидерство по калибровке — не то же самое, что лидерство по знаниям, и точность в 13% — это то число, которое нужно учитывать в плане мощностей.

Google не опубликовала собственную таблицу бенчмарков для этой модели — в примечаниях к выпуску объявляются модель и API, а документация объясняет структуру запроса и ограничения. Все приведённые выше показатели производительности взяты из Artificial Analysis, измерены на собственном стенде оценщиков, и не существует ни одной вендорской цифры, которая могла бы с ними расходиться. Это чище, чем при большинстве запусков, и об этом стоит сказать прямо, потому что альтернатива — вендорская таблица без внешней проверки — обычная ситуация в этой категории.

Что даёт цена и чего она не даёт

При цене 345 долларов за миллион задач в индексе Gemini Decision 1 — самая дорогая модель в верхней половине рейтинга. Drex Max v1.1 выполняет тот же миллион задач за 103 доллара, Jev 1.14 — за 156, Microsoft-Decision-1 — за 143. Это объясняется тарифом на входные данные: 0,10 доллара за миллион токенов против 0,03 доллара у Drex Max v1.1, а задача принятия решения читает длинный документ, вообще не генерируя ни одного токена, который мог бы компенсировать затраты. Artificial Analysis ставит её на пятнадцатое место из восемнадцати по стоимости и отмечает, что она «особенно дорогая».

Задержка ничем не примечательна. При 211 миллисекундах на задачу она чуть медленнее медианы по категории в 209 и медленнее Jev 1.14 с показателем 92. Для маршрутизирующего решения, стоящего за сообщением клиента, это нормально. Для покадрового цикла по живому видео, который документация явно указывает как вариант использования, это аргумент в пользу меньшей модели, а не против этой.

Пробелы в возможностях — это те, которые на странице тарифов указаны как недоступные, а не те, которые может показать бенчмарк: отсутствие Batch API означает, что нельзя за ночь обработать миллион исторических тикетов за полцены, а отсутствие кэширования контекста означает, что один и тот же документ с политикой на 40 000 токенов оплачивается заново при каждом запросе. Если ваш конвейер принятия решений в больших объёмах повторно считывает большой общий контекст, эти два упущения обходятся дороже, чем предполагает заявленная ставка, и ни одно из них не значится в опубликованной Google дорожной карте.

Где это вписывается, если вы уже маршрутизируете модели

OrcaRouter не предоставляет gemini-decision-1. Эндпоинт, выдающий только вероятности, не является целью chat-completions, поэтому это не то, что роутер нашей конфигурации может поставить за одним ключом, — а утверждать обратное значило бы делать заявление о доступности, которое хорошо звучит и терпит крах на первом же запросе. Что мы действительно предоставляем, так это typesafe/jev-1.14 от TypeSafe — модель принятия решений в том же рейтинге из 18 моделей с результатом 66.23, так что часть конвейера, отвечающая за оценку, может работать на том же ключе, что и часть, отвечающая за написание, если именно эту модель принятия решений вы выберете.

Пишущая половина — это то, ради чего мы на самом деле существуем. Конвейер принятия решений почти всегда состоит из двух вызовов: что-то готовит черновик ответа-кандидата или рубрики, а что-то оценивает его. Вызов черновика — это место, где идёт спор о выборе модели и где второй контракт с поставщиком вредит, и это тот вызов, который проходит через одну конечную точку с более чем 200 моделями на ней по прайс-листовой цене провайдера, передаваемой с наценкой 0%, поэтому изменение цены поставщиком вступает в силу у нас в тот же день. Направить вызов черновика через нас, а вызов оценки — на собственную конечную точку Google — это изменение в две строки, а не архитектура.

Что могло бы изменить это чтение?

Три вещи, в порядке вероятности. Ревизия, которая поднимет 33%-й показатель прохождения по принципу «всё или ничего» у AA-Paperclip, сдвинет совокупный результат дальше, чем что-либо ещё, что может сделать эта модель, потому что этот один компонент даёт 30% оценки и отставание от лидера в шестнадцать пунктов. Размещение в Vertex AI полностью изменило бы разговор о закупках — сегодня единственный способ обратиться к нему — это ключ Gemini API, и предприятия, закупающие через контракты Google Cloud, это заметят. А вторая независимая комиссия, воспроизведшая 66, превратила бы число одной фирмы в консенсусное.

Пока что-то из этого не появится, точное описание Gemini Decision 1 остаётся узким и полезным: это мультимодальная модель-оценщик с 262 000 токенов и 1 000 вопросов, которая является наиболее хорошо откалиброванной моделью принятия решений на табло в двух местах, где проверяемым навыком является понимание, когда нужно промолчать, и моделью из середины таблицы там, где задача — прочитать плотный документ и дать пятнадцать правильных ответов сразу. Если ваши решения похожи на первый случай, 66 занижает результат. Если они похожи на второй, никакое лидерство в бенчмарках знаний не спасёт процент прохождений.