Drex for Finance so với Gemini Decision 1: Hai cách để mua một xác suất

Đặt các bảng thông số kỹ thuật cạnh nhau và Drex for Finance và G​emini Decision 1 trông như cùng một sản phẩm đến từ hai công ty. Cả hai đều nhận một khối đầu vào và một tập câu hỏi có kiểu, cả hai đều trả về một câu trả lời có điểm số cho mỗi câu hỏi mà không có văn bản được tạo ra, cả hai đều đáp ứng yêu cầu 262,144 token, và cả hai đều có giá vài xu trên mỗi triệu token đầu vào thay vì vài đô la. Điểm giống nhau dừng lại ở chính thứ mà bạn thực sự mua chúng để làm. G​emini Decision 1, ra mắt ngày 11 tháng 11 năm 2026 trên Developer API của G​oogle, là một mô hình quyết định tổng quát có kỹ năng đặc trưng là biết khi nào nên từ chối; Drex for Finance, được cung cấp rộng rãi từ ngày 2 tháng 11 năm 2026 với giá $0.03 mỗi triệu token đầu vào, là một bản tinh chỉnh theo lĩnh vực có kỹ năng đặc trưng là đọc một tài liệu tài chính và trả lời đúng mười lăm câu hỏi cùng lúc. Cách nhau chín ngày, cùng dạng yêu cầu, đặt cược trái ngược — và chưa có lần chạy công bố nào từng đặt chúng trên cùng một thang đo.

Cuộc so sánh mà chưa ai từng thực hiện

Đây là điều đầu tiên cần hiểu, vì nó quyết định bạn có thể tận dụng được bao nhiêu phần còn lại của bài viết này.

Các con số của Gemini Decision 1 đến từ Artificial Analysis, trên Decision Index v2.1 của nó — mười tám mô hình được xếp hạng, một tổ hợp có trọng số gồm sáu đánh giá, mỗi đánh giá được tính điểm bằng độ chính xác trừ đi hình phạt Brier đối với xác suất mà mô hình gán cho câu trả lời của mình. Nó đạt 66,0, tức đứng thứ chín trong số mười tám, chỉ cao hơn trung vị của bảng xếp hạng là 64.

Số liệu của {{1}}Drex for Finance{{/1}} đến từ {{2}}Nace{{/2}}, trên một {{3}}Drex Finance Index{{/3}} được xây dựng từ 48 tập kiểm thử tài chính giữ kín. Nó đạt 77,3 điểm. {{4}}Drex for Finance{{/4}} hoàn toàn không có trên bảng {{5}}Artificial Analysis{{/5}}.

Vậy hai con số nổi bật là 66 và 77.3, chúng nằm trên các công cụ khác nhau, đo các tập hợp tác vụ khác nhau, và việc trừ chúng đi tạo ra một con số vô nghĩa. Bất kỳ ai làm vậy — và các phiên bản của phép so sánh này đã có trên mạng cũng làm vậy — đều đang so sánh điểm của một bảng tổng quát với điểm miền riêng của nhà cung cấp và gọi khoảng chênh lệch là bằng chứng thắng. Phát biểu trung thực là bằng chứng duy nhất chồng lấn chỉ gián tiếp một bước: Drex Max v1.1, checkpoint gốc mà Drex for Finance được tinh chỉnh từ đó, thực sự nằm trên bảng Artificial Analysis, và nó dẫn đầu bảng một cách dứt khoát ở 73.4 — thứ nhất trong mười tám, hơn 7.4 điểm so với 66.0 của G​emini Decision 1. Đó là một tín hiệu mạnh về mô hình nền và không phải tín hiệu nào về bản tinh chỉnh, bởi huấn luyện theo miền có thể tăng nhiều điểm ở một bài kiểm tra tài liệu và giảm một chút ở một bài kiểm tra kiến thức, và không có gì được công bố tách riêng hai hiệu ứng đó cho checkpoint này. Đây cũng là lý do không được đọc 66 và 77.3 như một khoảng cách theo bất kỳ hướng nào.

Mỗi thứ thực sự được tạo ra để làm gì

Các kiến trúc lý giải sự phân kỳ tốt hơn bất kỳ điểm số nào.

• Hình dạng — Drex for Finance là bản tinh chỉnh của Drex Max, một mô hình ra quyết định có bộ mã hóa thị giác. Gemini Decision 1 là mô hình ra quyết định đầu tiên thuộc dòng này từ Google DeepMind, nằm trên endpoint POST /v1beta/decisions riêng, tách biệt với đường dẫn generate-content.

• Trọng tâm huấn luyện — chín lĩnh vực tài chính được nêu tên tại Nace: ngân hàng và thanh toán, kế toán và kiểm toán, tín dụng và cho vay, bảo hiểm, tuân thủ và rủi ro, hồ sơ nộp và báo cáo, thị trường và đầu tư, ESG, ngân quỹ và vận hành. Google không công bố mô tả huấn luyện nào ngoài mô hình và API.

• Quy mô của một yêu cầu — cả hai đều cho phép khoảng 1.000 câu hỏi trong một lần xử lý, nhưng hình dạng thì khác nhau. G​emini Decision 1 giới hạn ở 1.000 câu hỏi mỗi yêu cầu và chỉ tính phí phần đầu vào dùng chung một lần. Drex for Finance cung cấp 262.144 token cho toàn bộ yêu cầu với số lượng câu hỏi không bị giới hạn trong tài liệu, điều này có lợi cho nhiều câu hỏi ngắn hơn là một tài liệu dài.

• Không trả lời — Kiểu có/không của G​emini Decision 1 trả về một xác suất bị giới hạn trong khoảng 0,01–0,99, nên một ngưỡng đặt trên 0,99 không bao giờ có thể kích hoạt; vị trí dẫn đầu trên bảng xếp hạng của nó ở AA-Omniscience và HLE-MultiChoice về cơ bản là dẫn đầu về việc từ chối trả lời thay vì đoán. Drex for Finance trả về P(true) trong [0,1] mà không có giới hạn được ghi nhận, và hoàn toàn không có tỷ lệ không ảo giác nào được công bố.

• Xử lý tùy chọn — G​emini Decision 1 sắp xếp các khóa tùy chọn của bạn theo thứ tự bảng chữ cái dựa trên thứ tự byte UTF-8 trước khi chấm điểm, vì vậy khi hòa sẽ nghiêng về khóa đứng đầu theo bảng chữ cái, và hướng dẫn của chính G​oogle là đặt tên cho lựa chọn bao quát là other thay vì none_of_the_above. Nace không ghi nhận việc chuẩn hóa như vậy, điều đó không đồng nghĩa với việc nó không xảy ra — mà đồng nghĩa với việc bạn không thể trông cậy vào nó theo cách nào.

• Giá — Drex for Finance 0,03 USD mỗi triệu token đầu vào, đầu ra không tính phí. G​emini Decision 1 0,10 USD mỗi triệu token đầu vào, đầu ra không áp dụng. Theo thước đo tỷ lệ tác vụ của Artificial Analysis, G​emini Decision 1 tương đương 345 USD mỗi triệu quyết định; con số tương đương cho mô hình Nace không được công bố theo cơ sở đó.

• Truy cập — Drex for Finance thông qua API của nhà cung cấp, các SDK, CLI và một máy chủ MCP từ xa, với gói miễn phí 100 quyết định mỗi ngày, mỗi quyết định tối đa 32 KB. Gemini Decision 1 trên Gemini Developer API chỉ ở v1beta — không có trong danh mục Vertex AI, không có Batch API, không có bộ nhớ đệm ngữ cảnh.

Nơi mô hình tổng quát chiếm ưu thế, và đó không phải là một tập nhỏ

Ba trong số các hàng đó mang tính quyết định tùy thuộc vào khối lượng công việc của bạn.

Hiệu chuẩn. Chỉ số Decision trừng phạt một câu trả lời sai đầy tự tin nặng hơn một câu trả lời không chắc chắn, và chính thiết kế đó là lý do G​emini Decision 1 nằm ở vị trí hiện tại. Nếu pipeline của bạn định tuyến dựa trên xác suất — phê duyệt khi trên 0.95, chuyển lên xử lý khi dưới 0.6 — thì giá trị của con số nằm hoàn toàn ở việc liệu 0.95 có nghĩa là 95% hay không. Đầu ra có giới hạn của G​oogle cùng vị trí nhất trên hai thành phần kiến thức là bằng chứng cho điều đó; Nace công bố độ chính xác và phân tích theo danh mục nhưng không có đường cong hiệu chuẩn, nên xác suất của Drex là một điểm số mà bạn phải tự kiểm chứng trước khi dùng nó làm ngưỡng.

Một lượt, nhiều quy tắc. Một nghìn câu hỏi mỗi yêu cầu dựa trên một đầu vào dùng chung là một năng lực thực sự khác biệt so với một ngữ cảnh đơn rất dài. Một phiếu hỗ trợ được kiểm tra với bốn mươi quy tắc chính sách trong một lần gọi, chỉ tính phí một lần cho đầu vào, là kiểu công việc mà hình thái của Gemini Decision 1 tốt hơn cửa sổ ngữ cảnh 262K, vì chi phí tăng theo số câu hỏi chứ không theo lượng văn bản bạn lặp lại.

Độ rộng phương thức. Drex for Finance đọc văn bản cùng với hình ảnh PNG, JPEG và WebP, tối đa tám hình ảnh mỗi yêu cầu. G​emini Decision 1 nhận văn bản, hình ảnh, video, âm thanh và PDF trong một yêu cầu, tối đa 100 MB base64 nội tuyến, 50 MB đối với PDF. Nếu một quyết định phụ thuộc vào bản ghi cuộc gọi điện thoại hoặc một khung hình video, chỉ một trong hai công cụ này có thể nhìn thấy nó.

Nơi chuyên gia giành chiến thắng

Trường hợp ngược lại thì hẹp hơn, nhưng nó có thật, và nó xoay quanh chuyện điều gì xảy ra với những tài liệu cần nhiều câu trả lời cùng lúc đều phải đúng.

Trên AA-Paperclip — chiếm 30% điểm tổng hợp của Gemini Decision 1 và là thành phần đơn lẻ có trọng số lớn nhất — Gemini Decision 1 đạt trọn vẹn 33% số tài liệu, so với 63% của Drex Max v1.1. Bài kiểm tra gồm 1.500 sơ yếu lý lịch, biên lai, hóa đơn và giấy tờ riêng tư, mỗi tài liệu mang năm quyết định và mười dữ kiện, được chấm theo kiểu đạt tất cả hoặc không đạt gì cho mỗi tài liệu. Drex for Finance được tinh chỉnh trên chính chất liệu đó: các trường hóa đơn và biên lai, phân loại tài khoản GL, hóa đơn trùng lặp, ngoại lệ đối soát, lấy mẫu kiểm toán, gắn thẻ 10-K và XBRL. Nace báo cáo 92,3 ở Documents & extraction và 96,7 ở Financial QA & filings, cả hai đều do nhà cung cấp tự thực hiện.

Nếu quyết định của bạn là “đọc hóa đơn này và cho tôi biết liệu nó có trùng với một hóa đơn đã thanh toán hay không”, thì điểm tổng hợp của bảng đánh giá tổng quát gần như không liên quan, còn bản tinh chỉnh theo lĩnh vực gần như là toàn bộ câu trả lời. Đó là lý do để trả mức giá chuyên biệt cho một mô hình chuyên biệt — và cũng là lý do vì sao không nên so sánh 77,3 với 66: đó là điểm số của hai mô hình trên hai nhóm nhiệm vụ mà mỗi mô hình được chọn để làm tốt.

Hai điểm yếu được thừa nhận một cách trung thực ở phía Nace, vì bảng này là của nhà cung cấp: Credit & risk đạt 48,3, con số tuyệt đối thấp nhất trong bảng tài chính, và Markets & reasoning đạt 41,5, hạng mục duy nhất mà mô hình không đứng đầu — pplx-decider v1.2 đạt 43,1. Cả hai đều được công bố trong bài đăng ra mắt của chính Nace, điều mà hầu hết nhà cung cấp không làm, và cả hai đều giới hạn những gì nên được tin cậy ở checkpoint tài chính.

Chi phí, ở quy mô mà một pipeline ra quyết định thực sự vận hành

Một hồ sơ 4.000 token được chấm điểm một lần tốn khoảng $0,00012 trên Drex for Finance và khoảng $0,0004 trên G​emini Decision 1. Cả hai đều không phải con số quyết định bất cứ điều gì; ở một triệu quyết định mỗi tháng, chênh lệch là khoảng $280, ít hơn một tuần công kỹ sư dành cho việc di chuyển.

Điều quyết định là kiến trúc xung quanh. G​emini Decision 1 không có context caching và không có Batch API, nên cùng một tài liệu chính sách 40.000 token vẫn bị tính phí đầy đủ ở mỗi yêu cầu, và không có đợt quét phiếu yêu cầu lịch sử qua đêm với giá bằng nửa. Drex for Finance cũng không có cả hai tính năng này, và cách tính phí của nó là theo yêu cầu chứ không phải theo câu hỏi, nghĩa là chi phí khi hỏi bốn mươi thứ về một tài liệu là số token của tài liệu đó, một lần. Trên khối lượng công việc nhiều câu hỏi, đầu vào ngắn, điều đó đảo ngược hoàn toàn thứ hạng theo token: $0.10 của G​emini Decision 1 mua được một nghìn câu hỏi, trong khi cùng một nghìn câu hỏi đó với một ca ngắn lại là một yêu cầu Drex ở mức $0.03 mỗi triệu token.

Nói thật thì làm sao để liên lạc được với một trong hai người đây

Chúng tôi không cung cấp gemini-decision-1 và cũng không cung cấp drex-max-finance. Một endpoint chỉ xác suất không phải là mục tiêu chat-completions, nên một router theo hình thức của chúng tôi không có cách trung thực nào để đặt một trong hai phía sau một khóa, và tuyên bố khác đi sẽ thất bại ngay ở yêu cầu đầu tiên.Thứ chúng tôi cung cấp là sản phẩm của TypeSafe: typesafe/jev-1.14 với giá $0.042 mỗi triệu token đầu vào và đầu ra trên systemone — cùng dạng yêu cầu mà API của Nace tương thích ở mức wire và là một mô hình trên cùng bảng mười tám mô hình với G​emini Decision 1, với 66.2 so với 66.0.

Điều này khiến nó trở thành lựa chọn thứ ba thiết thực trong so sánh này chứ không phải chỉ là một chú thích. Nếu bản thân quyết định là điều không cần tranh cãi và điều bạn cần là một endpoint duy nhất cho toàn bộ pipeline — lệnh gọi quyết định, lệnh gọi soạn thảo để viết ghi chú của chuyên viên phân tích, lệnh gọi leo thang để xem xét các trường hợp bị gắn cờ — thì nhánh quyết định chạy trên cùng khóa với hơn 200 mô hình khác, theo giá niêm yết của nhà cung cấp được chuyển thẳng, không có phụ phí trên mỗi token, đáng giá hơn một lợi thế hai điểm trên một chỉ số tổng hợp. Nếu quyết định chính là toàn bộ sản phẩm, hãy mua mô hình chuyên dụng từ nhà cung cấp và định tuyến phần còn lại.

Điều gì sẽ giải quyết được chuyện đó?

Một thử nghiệm, và chưa ai chạy nó. Hãy lấy vài trăm tài liệu tài chính thực — hóa đơn có trạng thái trùng lặp đã biết, hồ sơ có nhãn đã biết — và chấm điểm chúng bằng cả hai mô hình trên cùng một bộ tiêu chí đánh giá. Chỉ một lần chạy đó sẽ thay thế mọi con số trong bài viết này bằng một con số có thể so sánh được và sẽ cho bạn biết liệu lợi thế của việc tinh chỉnh theo miền có còn giữ được khi tiếp xúc với một bộ khung đánh giá độc lập hay không.

Cho đến khi nó tồn tại, cách hiểu đúng là đây không phải là những đối thủ cạnh tranh. G​emini Decision 1 là lựa chọn tốt hơn khi xác suất phải đáng tin cậy, có nhiều câu hỏi, hoặc đầu vào không phải là văn bản. Drex for Finance là lựa chọn tốt hơn khi đầu vào là một tài liệu tài chính, các câu trả lời phải đều đúng cùng một lúc, và khối lượng trường hợp khiến $0.03 mỗi triệu token trở thành con số quan trọng. Cả hai nhận định đều có thể bảo vệ được dựa trên các con số đã công bố. Còn so sánh đặt chúng lên cùng một bảng xếp hạng thì không, và sẽ còn một thời gian nữa mới có một bảng như vậy.