Gemini Decision 1: โมเดลการตัดสินใจตัวแรกของ Google ขึ้นนำในจุดที่สำคัญน้อยที่สุด
- Googleใหม่Google: Gemini 4 Carbon2026-11-10$2.00 / $10.00 ต่อ 1 ล้านโทเค็น · 202 tok/s
- Anthropicใหม่Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 ต่อ 1 ล้านโทเค็น · 99 tok/s
- orcaใหม่Orca: OrcaC2 1.02026-11-0727 tok/s
- Orcaใหม่OrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 ต่อ 1 ล้านโทเค็น · 120 tok/s
- Orcaใหม่OrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 229 tok/s
- Orcaใหม่OrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 ต่อ 1 ล้านโทเค็น · 42 tok/s
- Orcaใหม่OrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 128 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 58 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 98 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 40 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447ความฉลาด
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 127 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929ความฉลาด
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 ต่อ 1 ล้านโทเค็น · 106 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733ความฉลาด
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740ความฉลาด
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 ต่อ 1 ล้านโทเค็น · 65 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955ความฉลาด
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855ความฉลาด
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 ต่อ 1 ล้านโทเค็น · 392 tok/s
หกสิบหกเป็นคะแนนที่น่านับถือและเป็นพาดหัวข่าวที่ทำให้เข้าใจผิด Gemini Decision 1 ซึ่ง Google เปิดตัวเมื่อวันที่ 11 พฤศจิกายน 2026 ผ่าน Decisions API ใหม่ อยู่ที่ 66 บน Artificial Analysis Decision Index v2.1 — เป็นอันดับเก้าจากโมเดลการตัดสินใจสิบแปดรุ่นที่บอร์ดจัดอันดับ สูงกว่าค่ามัธยฐานของกลุ่มที่ 64 เพียงเล็กน้อย อีกครึ่งหนึ่งของคำกล่าวอ้างตอนเปิดตัวก็เป็นจริงเช่นกัน: โมเดลนี้เป็นที่หนึ่งอย่างชัดเจนในองค์ประกอบด้านความรู้และการให้เหตุผลของดัชนี ทั้งสองประโยคผ่านการตรวจสอบ และรู้สึกขัดแย้งกันด้วยเหตุผลที่ควรค่าแก่การทำความเข้าใจ องค์ประกอบทั้งสองมีน้ำหนัก 15% ของคะแนนแต่ละรายการ องค์ประกอบที่มีน้ำหนัก 30% คือส่วนที่ Gemini Decision 1 อ่อนแอที่สุดเมื่อเทียบกับคู่แข่ง
ความแตกต่างนี้ไม่ใช่การถกเถียงเล็ก ๆ น้อย ๆ เกี่ยวกับการคำนวณบนตารางอันดับคะแนน มันบอกคุณว่าโมเดลนี้ถูกสร้างขึ้นมาเพื่อทำอะไร และสิ่งนั้นไม่ใช่สิ่งที่คนส่วนใหญ่จะเข้าใจไปเองจากวลี "decision model จาก Google DeepMind"
สิ่งที่ Google เปิดตัวจริง
Gemini Decision 1 ไม่ได้เขียนข้อความ มันไม่ใช่โมเดลแชตที่มีโหมด JSON และไม่สามารถเรียกผ่านเส้นทาง generate-content ทั่วไปได้ มันทำงานบนเอนด์พอยต์แยกต่างหาก คือ POST /v1beta/decisions รับอินพุตที่ใช้ร่วมกันหนึ่งบล็อกพร้อมแมปของคำถามที่มีชนิดข้อมูล และส่งคืนคำตอบที่ปรับเทียบแล้วหนึ่งคำตอบต่อคำถามหนึ่งข้อโดยใช้โทเค็นเอาต์พุตเป็นศูนย์ ทุกคำถามจะถูกประเมินอย่างเป็นอิสระจากอินพุตเดียวกันในการเรียกครั้งเดียว และโมเดลจะไม่เห็นคีย์คำถามของคุณเลย มีเพียงข้อความคำสั่งที่คุณเขียนเท่านั้น
คำถามสามประเภทครอบคลุมทุกส่วน:
• ใช่/ไม่ใช่ (noul) — ส่งคืนค่าความน่าจะเป็นระหว่าง 0.01 ถึง 0.99 พร้อมคะแนนความมั่นใจ ขอบเขตนี้กำหนดไว้อย่างตั้งใจ และหมายความว่าเกณฑ์ที่ตั้งไว้สูงกว่า 0.99 จะไม่มีทางทำงาน
• ตัวเลือก — ตัวเลือกที่มีชื่อตั้งแต่สองถึง 255 รายการ โดยคืนค่าตัวเลือกที่ได้คะแนนสูงสุด ความน่าจะเป็นของทุกตัวเลือกที่รวมกันได้หนึ่ง และค่าความเชื่อมั่น ก่อนการให้คะแนน API จะเรียงลำดับคีย์ตัวเลือกของคุณตามตัวอักษรในลำดับไบต์ UTF-8 ดังนั้นลำดับคีย์ใน JSON จึงไม่เปลี่ยนอะไร และเมื่อคะแนนเท่ากันทุกประการ จะเลือกคีย์ที่มาก่อนตามลำดับตัวอักษร นี่คือเหตุผลที่คำแนะนำของ Google เองระบุให้ตั้งชื่อตัวเลือกแบบครอบคลุมทุกกรณีว่า other แทน none_of_the_above ซึ่งจะถูกจัดลำดับอยู่ก่อนหมวดหมู่จริงส่วนใหญ่ ไม่ใช่ตามหลังหมวดหมู่เหล่านั้น
• Score — ระดับรูบริกแบบเรียงลำดับตั้งแต่สองถึง 255 ระดับ แนะนำให้ใช้สองถึงสิบระดับ โดยจะคืนค่าระดับที่คาดหวังแบบถ่วงน้ำหนักด้วยความน่าจะเป็น เนื่องจากค่าคาดหวังจะเฉลี่ยดัชนีของอาร์เรย์ สเกลแบบ 1/10/100/1000 จึงทำให้ค่านี้เบี่ยงเบน และ Google ก็ระบุไว้เช่นนั้นในเอกสาร
ส่วนที่เหลือของข้อมูลจำเพาะนั้นมีความเป็นรูปธรรมอย่างผิดปกติสำหรับหน้ารุ่นในวันเปิดตัว:
• อินพุต — ข้อความ รูปภาพ วิดีโอ เสียง และ PDF ในคำขอเดียว พร้อมบริบท 262,144 โทเคนที่ครอบคลุมทั้งอินพุตร่วมและทุกคำถามรวมกัน
• ขยายขนาด — สูงสุด 1,000 คำถามต่อคำขอ ซึ่งเป็นตัวเลขที่ทำให้สิ่งนี้แตกต่างจากตัวจำแนกประเภท ตั๋วสนับสนุนหนึ่งรายการสามารถตรวจสอบกับกฎนโยบายสี่สิบข้อได้ในการเรียกครั้งเดียว โดยคิดค่าบริการครั้งเดียวสำหรับอินพุตที่ใช้ร่วมกัน
• สื่อ — สูงสุด 100 MB สำหรับ base64 แบบอินไลน์ต่อคำขอ, 50 MB สำหรับ PDF, 15 MB ต่อ URL HTTPS ภายนอก ไม่รองรับลิงก์ YouTube และ URI แบบ gs://; คุณส่งข้อมูลอ้างอิง Files API, URL ที่ลงนามแล้ว หรือไบต์
• การเรียกเก็บเงิน — $0.10 ต่ออินพุตหนึ่งล้านโทเค็น เอาต์พุตไม่เกี่ยวข้อง ไม่มีการแคชบริบท ไม่มี Batch API ไม่มีการอนุมานแบบ Flex หรือ Priority อินพุตที่ซ้ำกันในแต่ละคำขอจะถูกเรียกเก็บเงินเต็มจำนวนทุกครั้ง
• ขีดจำกัดอัตราการเรียกใช้งาน — แพ็กเกจฟรีที่ 200 คำขอต่อนาที และ 10,000 คำขอต่อวัน, Tier 1 ที่ 1,500 คำขอต่อนาที และ 50,000 คำขอต่อวัน และคำขอรายวันแบบไม่จำกัดตั้งแต่ Tier 2 ขึ้นไป
รายละเอียดสองอย่างในรายการนั้นสำคัญกว่าที่เห็น ระดับฟรีนั้นไม่มีค่าใช้จ่าย แต่ระบุว่าใช้เพื่อปรับปรุงผลิตภัณฑ์ของ Google ซึ่งทำให้ไม่เหมาะกับสิ่งใดที่มีความละเอียดอ่อน และโมเดลนี้มีให้ใช้งานบน Gemini Developer API เท่านั้น ที่ API เวอร์ชัน v1beta — ไม่มีรายการใน Vertex AI ในเอกสารที่ Google เผยแพร่
การคำนวณเบื้องหลัง 66
Decision Index ไม่ใช่ตารางความแม่นยำ แต่เป็นค่าเฉลี่ยถ่วงน้ำหนักของการประเมินหกรายการ โดยแต่ละรายการให้คะแนนเป็นความแม่นยำลบด้วย Brier score ของความน่าจะเป็นที่โมเดลกำหนดให้กับคำตอบของตน โมเดลที่ตอบผิดแต่แสดงความมั่นใจต่ำจะถูกลงโทษน้อยกว่าโมเดลที่ตอบผิดและมั่นใจเต็มที่ การออกแบบนี้ให้รางวัลกับการละเว้นการตอบ และเป็นสิ่งสำคัญที่สุดเพียงสิ่งเดียวที่ต้องจำไว้เมื่ออ่านตัวเลขใด ๆ บนกระดานนี้
นี่คือตำแหน่งของ Gemini Decision 1 ในแต่ละองค์ประกอบ พร้อมอันดับของโมเดลนี้ในบรรดาโมเดลทั้งสิบแปด:
• AA-Paperclip น้ำหนัก 30% — 56.8 อันดับ 9 นี่คือการทดสอบการตัดสินใจจากเอกสาร: เรซูเม่ส่วนตัว 1,500 ฉบับ ใบเสร็จรับเงิน ใบแจ้งหนี้ และเอกสารต่าง ๆ ซึ่งแต่ละฉบับมีคำตัดสินห้าข้อและข้อเท็จจริงสิบข้อ โดยให้คะแนนเป็นเอกสารเดียวที่จะนับว่าผ่านก็ต่อเมื่อตอบถูกครบทั้งสิบห้าข้อ Gemini Decision 1 ผ่าน 33% ของเอกสารทั้งหมดในทันที ส่วน Drex Max v1.1 ผ่าน 63%
• EvalSafe-O*NET-AA, 15% — 87.1, อันดับ 8 การตัดสินใจเกี่ยวกับเอกสารในที่ทำงาน นี่เป็นผลลัพธ์ที่แข็งแกร่ง และเป็นองค์ประกอบที่ทั้งวงการกระจุกตัวกันแน่นที่สุด
• When2Call, 10% — 80.5 อันดับ 14 การประเมินการเรียกใช้เครื่องมือของ NVIDIA และเป็นอันดับที่อ่อนที่สุดในหกรายการ Drex Max v1.1 ทำคะแนนได้ 95.3 ในส่วนนี้
• AA-Omniscience-Decision v1.1, 15% — 66.3 อันดับ 1 ความรู้และการหลอน โดยตัวเลือก "ฉันไม่รู้" ถูกเขียนไว้สิบแบบที่แตกต่างกัน
• HLE-MultiChoice v1.1, 15% — 48.7 อันดับ 1 Humanity's Last Exam แบบปรนัย พร้อมตัวเลือกในการปฏิเสธ
• AA-Symmetry v1.1, 15% — 70.5, อันดับ 9 วัดว่าคำตอบหนึ่งจะคงอยู่ได้หรือไม่เมื่อคำถามเดียวกันถูกสลับลำดับ เปลี่ยนป้ายกำกับ และใส่เป็นรูปปฏิเสธ Gemini Decision 1 คงคำตอบไว้ได้ใน 38.3% ของกลุ่มคำถาม ส่วน Mammoth 27B คงไว้ได้ 88.2 บนเครื่องมือเดียวกัน
ถ่วงน้ำหนักค่าเหล่านั้นแล้วคุณจะได้ 65.98 แถวแรกและแถวที่สี่เป็นตัวขับเคลื่อนหลักในทิศทางตรงกันข้าม และเหตุผลเป็นเชิงโครงสร้าง: Paperclip มีค่าเป็นสองเท่าของแบบทดสอบความรู้แต่ละแบบ และเป็นการประเมินที่ต้องการให้โมเดลอ่านข้อเท็จจริง 15 ข้อจากเอกสารฉบับเดียวได้อย่างถูกต้องและพร้อมกัน
สองครั้งแรกนั้นมีอยู่จริง และแคบกว่าที่ฟังดู
การเป็นที่หนึ่งใน AA-Omniscience-Decision ถือเป็นผลลัพธ์ที่แท้จริง โดย Gemini Decision 1 ได้คะแนน 66.3 เทียบกับ 64.4 ของ d1-ultra และ 60.9 ของ GLiDE v1.2 และความแม่นยำดิบที่ 44.8% ของมันสูงที่สุดในบรรดาโมเดลการตัดสินใจทั้งสิบแปดโมเดลในการทดสอบนั้น ใน HLE-MultiChoice ก็เป็นที่หนึ่งอีกครั้งด้วย 48.7 นำหน้า Mammoth 27B และ d1-ultra ที่ 47.4 นี่คือสิ่งที่ “การเป็นผู้นำด้านความรู้และการให้เหตุผล” หมายถึง และข้อกล่าวอ้างนั้นเป็นจริง
สิ่งที่ข้อกล่าวอ้างนี้ละเว้นไปคือระดับสัมบูรณ์ Gemini Decision 1 ตอบคำถามใน Humanity's Last Exam ได้ถูกต้อง 13.2% เหตุผลที่ยังครองอันดับหนึ่งในองค์ประกอบนั้นคือมันเลือกที่จะไม่ตอบแทนการเดา: อัตราการไม่สร้างข้อมูลเท็จ (non-hallucination) ในการทดสอบเดียวกันอยู่ที่ 35.7% และสูตรการให้คะแนนลงโทษคำตอบที่มีความน่าจะเป็นต่ำซึ่งกลายเป็นคำตอบผิด การเป็นอันดับหนึ่งด้านการปรับเทียบ (calibration) ไม่เหมือนกับการเป็นอันดับหนึ่งด้านความรู้ และความแม่นยำ 13% คือตัวเลขที่ต้องนำไปใช้ในการวางแผนขีดความสามารถ
กูเกิลไม่ได้เผยแพร่ตาราง benchmark ของตัวเองสำหรับโมเดลนี้เลย — release notes ประกาศเพียงตัวโมเดลและ API ส่วนเอกสารก็อธิบายรูปแบบคำขอและข้อจำกัด ตัวเลขประสิทธิภาพทั้งหมดข้างต้นมาจาก Artificial Analysis ซึ่งวัดบน harness ของผู้ประเมินเอง และไม่มีตัวเลขจากผู้ขายใดให้ขัดแย้งได้ นั่นเรียบร้อยกว่าการเปิดตัวส่วนใหญ่และควรพูดให้ตรง ๆ เพราะทางเลือกอีกทาง — ตารางจากผู้ขายโดยไม่มีการตรวจสอบจากภายนอก — คือกรณีที่พบได้ทั่วไปในหมวดนี้
สิ่งที่ราคาซื้อได้ และสิ่งที่ราคาซื้อไม่ได้
ในดัชนีที่ราคา 345 ดอลลาร์ต่อล้านงาน Gemini Decision 1 เป็นโมเดลที่แพงที่สุดในครึ่งบนของกระดานจัดอันดับ Drex Max v1.1 รันล้านงานเดียวกันในราคา 103 ดอลลาร์ Jev 1.14 ในราคา 156 ดอลลาร์ และ Microsoft-Decision-1 ในราคา 143 ดอลลาร์ อัตราอินพุตอธิบายเรื่องนี้ได้: 0.10 ดอลลาร์ต่อล้านโทเค็น เทียบกับ 0.03 ดอลลาร์สำหรับ Drex Max v1.1 และงานตัดสินใจต้องอ่านเอกสารยาวโดยไม่มีการสร้างโทเค็นเลยเพื่อชดเชยต้นทุน Artificial Analysis จัดให้อยู่ในอันดับที่ 15 จาก 18 ด้านต้นทุน และระบุว่า "แพงเป็นพิเศษ"
ความหน่วงอยู่ในระดับธรรมดา ที่ 211 มิลลิวินาทีต่องาน ช้ากว่าค่ามัธยฐานในกลุ่มที่ 209 มิลลิวินาทีเล็กน้อย และช้ากว่า Jev 1.14 ที่ 92 มิลลิวินาที สำหรับการตัดสินใจจัดเส้นทางที่อยู่เบื้องหลังข้อความของลูกค้า ถือว่าใช้ได้ สำหรับลูปทีละเฟรมกับวิดีโอสด ซึ่งเอกสารระบุไว้อย่างชัดเจนว่าเป็นกรณีการใช้งาน นี่คือเหตุผลสนับสนุนให้ใช้โมเดลที่เล็กกว่า ไม่ใช่เหตุผลคัดค้านโมเดลนี้
ช่องว่างด้านความสามารถคือสิ่งที่หน้าราคาระบุว่าไม่พร้อมใช้งาน มากกว่าสิ่งที่ benchmark จะแสดงให้เห็น: การไม่มี Batch API หมายถึงไม่มีการประมวลผลทิกเก็ตย้อนหลังหนึ่งล้านรายการข้ามคืนในราคาครึ่งเดียว และการไม่มี context caching หมายความว่าเอกสารนโยบายขนาด 40,000 โทเคนฉบับเดิมจะถูกคิดเงินซ้ำในทุกคำขอ หากไปป์ไลน์การตัดสินใจของคุณอ่านบริบทที่แชร์ร่วมกันขนาดใหญ่ซ้ำในปริมาณมาก การละเว้นสองอย่างนี้มีต้นทุนสูงกว่าที่อัตราซึ่งประกาศไว้บ่งชี้ และทั้งสองอย่างไม่มีอยู่ในโรดแมปที่ Google เผยแพร่
ส่วนนี้อยู่ตรงไหนหากคุณกำหนดเส้นทางโมเดลอยู่แล้ว
OrcaRouter ไม่ได้ให้บริการ gemini-decision-1 เอนด์พอยต์ที่ให้เฉพาะความน่าจะเป็นไม่ใช่เป้าหมายแบบ chat-completions จึงไม่ใช่สิ่งที่เราเตอร์ในรูปแบบของเราจะให้บริการผ่านคีย์เดียวได้ และการพูดเป็นอย่างอื่นก็จะเป็นการอ้างความพร้อมใช้งานแบบที่อ่านดูดีแต่ล้มเหลวตั้งแต่คำขอแรก สิ่งที่เราให้บริการคือ typesafe/jev-1.14 ของ TypeSafe ซึ่งเป็นโมเดลตัดสินใจบนบอร์ด 18 โมเดลเดียวกันที่ 66.23 ดังนั้นครึ่งที่ทำหน้าที่ให้คะแนนของไปป์ไลน์จึงสามารถใช้คีย์เดียวกับครึ่งที่ทำหน้าที่เขียนได้ หากนี่คือโมเดลตัดสินใจที่คุณเลือก
ครึ่งงานเขียนคือส่วนที่เรามีอยู่เพื่อรองรับจริง ๆ ไปป์ไลน์การตัดสินใจแทบทุกครั้งคือการเรียกสองครั้ง: ตัวหนึ่งร่างคำตอบที่เสนอหรือเกณฑ์การให้คะแนน และอีกตัวให้คะแนนคำตอบนั้น การเรียกเพื่อร่างคือจุดที่การเลือกโมเดลเป็นที่โต้แย้ง และเป็นจุดที่สัญญากับผู้ขายรายที่สองสร้างภาระ และนั่นคือการเรียกที่ทำงานผ่านเอนด์พอยต์เดียวโดยมี โมเดลมากกว่า 200 รายการอยู่บนนั้นในราคาตามรายการของผู้ให้บริการที่ส่งผ่านโดยคิดมาร์กอัป 0% ดังนั้นการเปลี่ยนแปลงราคาของผู้ขายจึงมีผลฝั่งเราในวันเดียวกัน การกำหนดเส้นทางการเรียกเพื่อร่างให้ผ่านเราและการชี้การเรียกเพื่อให้คะแนนไปที่เอนด์พอยต์ของ Google เองเป็นการแก้ไขสองบรรทัด ไม่ใช่การออกแบบสถาปัตยกรรมใหม่
อะไรจะทำให้การอ่านนี้เปลี่ยนไป
สามเรื่อง เรียงตามความเป็นไปได้ การปรับปรุงที่ยกระดับอัตราการผ่านแบบได้ทั้งหมดหรือไม่ได้เลย 33% ของ AA-Paperclip จะขับเคลื่อนคะแนนรวมได้ไกลกว่าสิ่งอื่นใดที่โมเดลนี้ทำได้ เพราะองค์ประกอบนั้นเพียงอย่างเดียวมีน้ำหนัก 30% ของคะแนน และตามหลังผู้นำอยู่ 16 คะแนน การมีรายการใน Vertex AI จะเปลี่ยนบทสนทนาเรื่องการจัดซื้อทั้งหมด — วันนี้วิธีเดียวที่จะเรียกใช้คือใช้คีย์ Gemini API และองค์กรที่ซื้อผ่านสัญญา Google Cloud จะสังเกตเห็น และคณะกรรมการอิสระชุดที่สองที่จำลองผล 66 ได้จะเปลี่ยนตัวเลขจากบริษัทเดียวให้เป็นตัวเลขฉันทามติ
จนกว่าหนึ่งในนั้นจะเปิดตัวจริง คำอธิบายที่แม่นยำของ Gemini Decision 1 ก็ยังแคบแต่มีประโยชน์: ตัวให้คะแนนแบบมัลติโมดัล ขนาด 262,000 โทเคน จำนวน 1,000 คำถาม ที่เป็นโมเดลตัดสินใจซึ่งปรับเทียบได้ดีที่สุดบนกระดานในสองจุดที่ทักษะซึ่งถูกทดสอบคือการรู้ว่าควรหุบปากเมื่อไร และเป็นโมเดลระดับกลางตารางในอีกจุดหนึ่งที่ภารกิจคือการอ่านเอกสารที่แน่นขนัดและตอบให้ถูกสิบห้าข้อพร้อมกัน ถ้าการตัดสินใจของคุณเป็นแบบแรก 66 ก็ประเมินต่ำไป ถ้าเป็นแบบที่สอง การเป็นผู้นำด้าน benchmark ความรู้มากแค่ไหนก็ไม่ช่วยให้อัตราการผ่านรอด
