Gemini Decision 1: Googles första beslutsmodell leder där det spelar minst roll

Sextiosex är en respektabel poäng och en missvisande rubrik. Gemini Decision 1, som Google släppte den 11 november 2026 bakom ett nytt Decisions API, landar på 66 i Artificial Analysis Decision Index v2.1 – nionde av de arton beslutsmodeller som listan rankar, strax över fältets median på 64. Den andra hälften av lanseringspåståendet är också sann: modellen är ohotad etta på indexets komponenter för kunskap och resonemang. Båda meningarna håller vid granskning, och de känns motsägelsefulla av en anledning som är värd att förstå. Dessa två komponenter utgör 15 % av poängen vardera. Komponenten som utgör 30 % är den där Gemini Decision 1 är svagast jämfört med sina konkurrenter.

Den distinktionen är inte något hårklyveri kring resultattavle-aritmetik. Den talar om vad den här modellen byggdes för att göra, och det är inte vad de flesta kommer att anta utifrån frasen "beslutsmodell från Google DeepMind".

Vad Google faktiskt släppte

Gemini Decision 1 skriver inte. Det är inte en chattmodell med JSON-läge och kan inte anropas via den vanliga generate-content-sökvägen. Den körs på en separat slutpunkt, POST /v1beta/decisions, tar ett block med delad indata plus en karta över typade frågor och returnerar ett kalibrerat svar per fråga med noll utdatatokens. Varje fråga utvärderas oberoende mot samma indata i en enda omgång, och modellen ser aldrig dina frågenycklar – bara den instruktionstext du skriver.

Tre frågetyper täcker hela ytan:

• Ja/nej (noul) – returnerar en sannolikhet mellan 0,01 och 0,99 plus en konfidenspoäng. Gränsen är avsiktlig, och det innebär att ett tröskelvärde som ställs in över 0,99 aldrig kommer att utlösas.

• Val — två till 255 namngivna alternativ, som returnerar det alternativ som hamnar högst, en sannolikhet för varje alternativ som summerar till ett och en konfidens. Innan poängsättningen sorterar API:et dina alternativnycklar alfabetiskt i UTF-8-byteordning, så ordningen mellan JSON-nycklar ändrar ingenting, och vid exakt lika resultat avgörs det till förmån för den alfabetiskt första nyckeln. Det är därför Googles egen vägledning säger att man ska namnge ett uppsamlingsalternativ other i stället för none_of_the_above, som sorteras före de flesta verkliga kategorier i stället för efter dem.

• Poäng — två till 255 ordnade rubriknivåer, två till tio rekommenderas, vilket returnerar en sannolikhetsviktad förväntad nivå. Eftersom det förväntade värdet medelvärdesberäknar arrayindex, snedvrider en skala på 1/10/100/1000 det, och Google säger det i dokumentationen.

Resten av specifikationen är ovanligt konkret för en modellsida från lanseringsdagen:

• Indata — text, bild, video, ljud och PDF i en enda förfrågan, med en kontext på 262 144 token som täcker den gemensamma indatan och alla frågor tillsammans.

• Skala — upp till 1 000 frågor per begäran, vilket är siffran som skiljer detta från en klassificerare. Ett supportärende kan kontrolleras mot fyrtio policyregler i ett enda anrop, faktureras en gång för den gemensamma indatan.

• Media — upp till 100 MB inline base64 per begäran, 50 MB för PDF:er, 15 MB per extern HTTPS-URL. Inga YouTube-länkar och inga gs://-URI:er; du skickar en Files API-referens, en signerad URL eller byte.

• Fakturering — $0.10 per miljon indatatoken, utdata ej tillämplig. Ingen kontextcachning, inget Batch API, ingen Flex- eller Priority-inferens. Upprepad indata över förfrågningar debiteras fullt ut varje gång.

• Hastighetsgränser – en gratisnivå på 200 förfrågningar per minut och 10 000 per dag, Tier 1 på 1 500 per minut och 50 000 per dag, samt obegränsade dagliga förfrågningar från och med Tier 2.

Två detaljer i den listan spelar större roll än de ser ut att göra. Den kostnadsfria nivån är gratis men anges användas för att förbättra Googles produkter, vilket utesluter den för känsliga saker. Och modellen är endast tillgänglig via Gemini Developer API, i API-version v1beta – det finns ingen Vertex AI-post i dokumentationen som Google har släppt.

Aritmetiken bakom 66

Decision Index är inte en träffsäkerhetstabell. Det är ett viktat medelvärde av sex utvärderingar, och var och en poängsätts som träffsäkerhet minus Brier-poängen för den sannolikhet som modellen kopplade till sitt svar. En modell som svarar fel men anger det med låg säkerhet bestraffas mindre än en som svarar fel och är säker. Den konstruktionen belönar att avstå från att svara, och det är det enskilt viktigaste att ha i åtanke när man läser vilket tal som helst på den här resultattavlan.

Så här ligger Gemini Decision 1 till på varje komponent, med sin placering bland de arton modellerna:

• AA-Paperclip, 30 % vikt — 56,8, plats 9. Detta är dokumentbeslutstestet: 1 500 privata cv:n, kvitton, fakturor och papper, som vart och ett innehåller fem beslut och tio fakta, poängsätts som ett dokument som bara räknas när alla femton svar är rätt. Gemini Decision 1 klarar 33 % av dokumenten direkt. Drex Max v1.1 klarar 63 %.

• EvalSafe-O*NET-AA, 15 % — 87,1, rank 8. Bedömning av arbetsplatsdokument. Detta är ett starkt resultat, och det är den komponent där hela fältet ligger tätast.

• When2Call, 10 % — 80.5, plats 14. NVIDIAs utvärdering av verktygsanrop, och den svagaste placeringen av de sex. Drex Max v1.1 får 95.3 här.

• AA-Omniscience-Decision v1.1, 15% — 66,3, rang 1. Kunskap och hallucination, där alternativet "jag vet inte" formuleras på tio olika sätt.

• HLE-MultiChoice v1.1, 15 % — 48,7, plats 1. Humanity's Last Exam, flerval, med ett alternativ att avstå.

• AA-Symmetry v1.1, 15 % — 70,5, rang 9. Huruvida ett svar står sig när samma fråga ordnas om, märks om och negeras. Gemini Decision 1 behåller sitt svar i 38,3 % av frågefamiljerna; Mammoth 27B behåller 88,2 på samma instrument.

Vikta dessa och du får 65,98. Den första och fjärde raden gör merparten av arbetet i motsatta riktningar, och anledningen är strukturell: Paperclip är värt dubbelt så mycket som något av kunskapstesterna, och det är utvärderingen som kräver att modellen läser femton fakta från ett dokument korrekt och samtidigt.

De två förstagångshändelserna är verkliga, och snävare än de låter.

Att vara först på AA-Omniscience-Decision är ett genuint resultat. Gemini Decision 1 får 66,3 mot 64,4 för d1-ultra och 60,9 för GLiDE v1.2, och dess råa noggrannhet på 44,8 % är högst bland de arton beslutsmodellerna i det testet. På HLE-MultiChoice ligger den återigen först på 48,7, före Mammoth 27B och d1-ultra på 47,4. Det är vad ”ledande inom kunskap och resonemang” syftar på, och påståendet håller.

Det som påståendet utelämnar är den absoluta nivån. Gemini Decision 1 får 13,2 % av frågorna i Humanity's Last Exam rätt. Anledningen till att den ändå toppar den komponenten är att den avstår i stället för att gissa: dess icke-hallucinationsfrekvens på samma test är 35,7 %, och poängformeln belönar ett svar med låg sannolikhet som visar sig vara fel. Att ligga i topp inom kalibrering är inte samma sak som att ligga i topp inom kunskap, och 13 % träffsäkerhet är siffran att ta med in i en kapacitetsplan.

Google har inte publicerat någon egen benchmarktabell för den här modellen – versionsinformationen tillkännager modellen och API:et, och dokumentationen förklarar förfrågans utformning och begränsningarna. Varje prestandasiffra ovan kommer från Artificial Analysis, uppmätt i utvärderarnas egen testmiljö, och det finns ingen leverantörssiffra som kan säga emot den. Det är renare än de flesta lanseringar och värt att säga rakt ut, eftersom alternativet – en leverantörstabell utan extern kontroll – är det vanliga fallet i den här kategorin.

Vad priset köper, och vad det inte köper

Med 345 dollar per miljon uppgifter i indexet är Gemini Decision 1 den dyraste modellen i den övre halvan av listan. Drex Max v1.1 utför samma miljon uppgifter för 103 dollar, Jev 1.14 för 156 dollar och Microsoft-Decision-1 för 143 dollar. Inputpriset förklarar det: 0,10 dollar per miljon token mot 0,03 dollar för Drex Max v1.1, och en beslutsuppgift läser ett långt dokument utan att någonsin generera en token som kan väga upp kostnaden. Artificial Analysis rankar den som femtonde av arton vad gäller kostnad och noterar att den är "särskilt dyr".

Latensen är intetsägande. Vid 211 millisekunder per uppgift är den en hårsmån långsammare än medianen i fältet på 209 och långsammare än Jev 1.14 på 92. För ett routingbeslut bakom ett kundmeddelande är det okej. För en bildruta-för-bildruta-loop över livevideo, som dokumentationen uttryckligen listar som ett användningsfall, är det ett argument för en mindre modell snarare än mot den här.

Kapacitetsluckorna är de som prissättningssidan listar som otillgängliga snarare än de som ett benchmark kan visa: ingen Batch API innebär ingen genomsökning över natten till halva priset av en miljon historiska ärenden, och ingen context caching innebär att samma policydokument på 40 000 token faktureras igen vid varje begäran. Om din beslutspipeline läser in en stor delad kontext i volym kostar dessa två utelämnanden mer än det annonserade priset antyder, och ingen av dem finns på en färdplan som Google har publicerat.

Var detta passar in om du redan dirigerar modeller

OrcaRouter tillhandahåller inte gemini-decision-1. En endpoint som bara ger sannolikheter är inte ett chat-completions-mål, så det är inget som en router av vår typ kan lägga bakom en enda nyckel – och att säga något annat vore den typ av tillgänglighetspåstående som låter bra men fallerar vid första förfrågan. Det vi däremot tillhandahåller är TypeSafe:s typesafe/jev-1.14, en beslutsmodell på samma 18-modellstavla med 66,23, så att bedömningshalvan av en pipeline kan ligga på samma nyckel som skrivhalvan, om det är den beslutsmodellen du väljer.

Skrivhalvan är den del vi faktiskt är till för. En beslutsprocess består nästan alltid av två anrop: något tar fram ett utkast till kandidatsvaret eller bedömningsmatrisen, och något poängsätter det. Utkastsanropet är där modellvalet är omtvistat och där ett andra leverantörsavtal gör ont, och det är anropet som körs via en enda slutpunkt med fler än 200 modeller på den till leverantörens listpris som vidarebefordras med 0 % påslag, så en leverantörsprisändring slår igenom hos oss samma dag. Att dirigera utkastsanropet genom oss och rikta poängsättningsanropet mot Googles egen slutpunkt är en ändring på två rader, inte en arkitektur.

Vad skulle ändra den här avläsningen?

Tre saker, i sannolikhetsordning. En revidering som höjer AA-Paperclips 33-procentiga allt-eller-inget-godkännandegrad skulle flytta kompositen längre än något annat den här modellen kan göra, eftersom den komponenten bär 30 % av poängen och ett underskott på sexton punkter mot ledaren. En listning på Vertex AI skulle förändra upphandlingssamtalet helt — i dag är det enda sättet att anropa den en Gemini API-nyckel, och företag som köper via Google Cloud-avtal kommer att märka det. Och en andra oberoende panel som reproducerar 66 skulle förvandla en siffra från ett enskilt företag till en konsensussiffra.

Tills ett av dem landar är den korrekta beskrivningen av Gemini Decision 1 snäv och användbar: en multimodell poängsättare med 262 000 token och 1 000 frågor som är den bäst kalibrerade beslutsmodellen på resultattavlan på de två områden där förmågan att veta när man ska hålla tyst är det som testas, och en som ligger i mitten av tabellen där uppgiften är att läsa ett tätt dokument och få femton svar rätt på en gång. Om dina beslut liknar den första sorten underskattar 66 det. Om de liknar den andra räddar ingen mängd ledarskap i kunskapsbenchmarker godkännandegraden.