Gemini Decision 1: Mô hình quyết định đầu tiên của Google dẫn đầu ở nơi ít quan trọng nhất

Sáu mươi sáu là một điểm số đáng nể và một tiêu đề gây hiểu lầm. Gemini Decision 1, mà Google phát hành vào ngày 11 tháng 11 năm 2026 đằng sau một Decisions API mới, đạt 66 trên Artificial Analysis Decision Index v2.1 — đứng thứ chín trong mười tám mô hình quyết định được bảng xếp hạng này xếp hạng, chỉ trên mức trung vị 64 của lĩnh vực. Nửa còn lại của tuyên bố ra mắt cũng đúng: mô hình đứng đầu, một cách dứt khoát, ở các thành phần kiến thức và lập luận của chỉ số. Cả hai câu đều đứng vững sau khi kiểm tra, và chúng có cảm giác mâu thuẫn vì một lý do đáng để hiểu. Hai thành phần đó mỗi thành phần chiếm 15% điểm số. Thành phần chiếm 30% là thành phần mà Gemini Decision 1 yếu nhất so với các mô hình cùng loại.

Sự phân biệt đó không phải là chuyện vặt về phép tính trên bảng xếp hạng. Nó cho bạn biết mô hình này được xây dựng để làm gì, và đó không phải điều mà hầu hết mọi người sẽ mặc định từ cụm từ “decision model from Google DeepMind”.

Google thực sự đã phát hành những gì

Gemini Decision 1 không viết. Đây không phải mô hình trò chuyện có chế độ JSON và không thể gọi qua đường dẫn generate-content thông thường. Nó chạy trên một endpoint riêng, POST /v1beta/decisions, nhận một khối đầu vào dùng chung cùng một map các câu hỏi có kiểu, và trả về một câu trả lời đã hiệu chỉnh cho mỗi câu hỏi với không token đầu ra. Mọi câu hỏi được đánh giá độc lập dựa trên cùng một đầu vào trong một lượt duy nhất và mô hình không bao giờ thấy các khóa câu hỏi của bạn — chỉ thấy văn bản hướng dẫn mà bạn viết.

Ba loại câu hỏi bao quát toàn bộ phạm vi:

• Có/không (mới) — trả về một xác suất từ 0,01 đến 0,99 cùng với điểm tin cậy. Giới hạn này là có chủ đích, và điều đó có nghĩa là ngưỡng được đặt trên 0,99 sẽ không bao giờ kích hoạt.

• Lựa chọn — từ hai đến 255 tùy chọn có tên, trả về tùy chọn hàng đầu, xác suất cho mỗi tùy chọn với tổng bằng một, và độ tin cậy. Trước khi tính điểm, API sắp xếp các khóa tùy chọn của bạn theo thứ tự bảng chữ cái theo thứ tự byte UTF-8, vì vậy thứ tự khóa JSON không thay đổi gì và một trường hợp hòa chính xác sẽ nghiêng về khóa đầu tiên theo bảng chữ cái. Đó là lý do hướng dẫn của chính Google nói rằng nên đặt tên tùy chọn bao quát là other thay vì none_of_the_above, vốn được sắp xếp trước hầu hết các danh mục thực thay vì sau chúng.

• Điểm — từ hai đến 255 mức rubric có thứ tự, khuyến nghị từ hai đến mười, trả về một mức kỳ vọng được gia trọng theo xác suất. Vì giá trị kỳ vọng lấy trung bình các chỉ số mảng, thang điểm 1/10/100/1000 sẽ làm lệch kết quả, và Google nói điều đó trong tài liệu.

Phần còn lại của thông số kỹ thuật lại cụ thể một cách bất thường đối với một trang mẫu ngày ra mắt:

• Đầu vào — văn bản, hình ảnh, video, âm thanh và PDF trong một yêu cầu, với ngữ cảnh 262.144 token bao quát phần đầu vào được chia sẻ và mọi câu hỏi cùng nhau.

• Quy mô — lên đến 1.000 câu hỏi mỗi yêu cầu, con số này phân biệt công cụ với một bộ phân loại. Có thể đối chiếu một phiếu hỗ trợ với bốn mươi quy tắc chính sách chỉ trong một lần gọi, và chỉ tính phí một lần cho phần đầu vào dùng chung.

• Phương tiện — tối đa 100 MB base64 nội tuyến mỗi yêu cầu, 50 MB cho PDF, 15 MB mỗi URL HTTPS bên ngoài. Không có liên kết YouTube và không có URI gs://; bạn truyền tham chiếu Files API, URL đã ký hoặc byte.

• Tính phí — $0.10 mỗi triệu token đầu vào, không áp dụng cho đầu ra. Không có bộ nhớ đệm ngữ cảnh, không có Batch API, không có suy luận Flex hoặc Priority. Đầu vào lặp lại giữa các yêu cầu được tính phí đầy đủ mỗi lần.

• Giới hạn tốc độ — gói miễn phí ở mức 200 yêu cầu mỗi phút và 10.000 mỗi ngày, Tier 1 ở mức 1.500 mỗi phút và 50.000 mỗi ngày, và không giới hạn yêu cầu hằng ngày từ Tier 2 trở lên.

Hai chi tiết trong danh sách đó quan trọng hơn vẻ ngoài của chúng. Bậc miễn phí là miễn phí nhưng được ghi là được dùng để cải thiện các sản phẩm của Google, điều này khiến nó không phù hợp cho bất kỳ thứ gì nhạy cảm. Và mô hình chỉ có trên Gemini Developer API, ở phiên bản API v1beta — không có mục nào về Vertex AI trong tài liệu mà Google phát hành.

Phép tính đằng sau con số 66

Decision Index không phải là một bảng độ chính xác. Đây là trung bình có trọng số của sáu đánh giá, và mỗi đánh giá được tính điểm bằng độ chính xác trừ điểm Brier của xác suất mà mô hình gán cho câu trả lời của mình. Một mô hình trả lời sai nhưng thể hiện điều đó với độ tin cậy thấp bị phạt ít hơn một mô hình trả lời sai và chắc chắn. Thiết kế đó thưởng cho việc không trả lời, và đó là điều quan trọng nhất cần ghi nhớ khi đọc bất kỳ con số nào trên bảng này.

Đây là vị trí của Gemini Decision 1 trên từng thành phần, cùng với thứ hạng của nó trong số mười tám mô hình:

• AA-Paperclip, trọng số 30% — 56.8, hạng 9. Đây là bài kiểm tra ra quyết định trên tài liệu: 1,500 sơ yếu lý lịch riêng tư, biên lai, hóa đơn và giấy tờ, mỗi tài liệu mang năm quyết định và mười dữ kiện, được tính điểm như một tài liệu chỉ được tính khi cả mười lăm câu trả lời đều đúng. Gemini Decision 1 vượt qua 33% tài liệu ngay lập tức. Drex Max v1.1 vượt qua 63%.

• EvalSafe-O*NET-AA, 15% — 87.1, hạng 8. Đánh giá tài liệu công sở. Đây là một kết quả mạnh, và đây là thành phần mà toàn bộ nhóm bám sát nhau nhất.

• When2Call, 10% — 80.5, xếp hạng 14. Đánh giá gọi công cụ của NVIDIA, và là thứ hạng yếu nhất trong sáu. Drex Max v1.1 đạt 95.3 ở đây.

• AA-Omniscience-Decision v1.1, 15% — 66.3, hạng 1. Kiến thức và ảo giác, trong đó tùy chọn "Tôi không biết" được diễn đạt theo mười cách khác nhau.

• HLE-MultiChoice v1.1, 15% — 48.7, hạng 1. Humanity's Last Exam, trắc nghiệm, có tùy chọn từ chối.

• AA-Symmetry v1.1, 15% — 70.5, hạng 9. Liệu một câu trả lời có giữ nguyên khi cùng một câu hỏi được sắp xếp lại, dán nhãn lại và phủ định hay không. Gemini Decision 1 giữ nguyên câu trả lời của mình trên 38.3% các họ câu hỏi; Mammoth 27B giữ 88.2 trên cùng một công cụ đo.

Tính theo trọng số những mục đó thì bạn được 65,98. Hàng thứ nhất và hàng thứ tư đảm nhận phần lớn công việc theo hai hướng ngược nhau, và lý do mang tính cấu trúc: Paperclip có giá trị gấp đôi so với bất kỳ bài kiểm tra kiến thức nào, và chính bài đánh giá này là bài đòi hỏi mô hình phải đọc đúng và đồng thời mười lăm dữ kiện từ một tài liệu.

Hai "lần đầu tiên" ấy là thật, và hẹp hơn vẻ ngoài mà chúng gợi ra.

Việc đứng đầu trên AA-Omniscience-Decision là một kết quả thực chất. Gemini Decision 1 đạt 66,3 điểm so với 64,4 của d1-ultra và 60,9 của GLiDE v1.2, và độ chính xác thô 44,8% của nó là cao nhất trong số mười tám mô hình quyết định trong bài kiểm tra đó. Trên HLE-MultiChoice, nó lại đứng đầu với 48,7, trước Mammoth 27B và d1-ultra ở 47,4. Đó là điều mà “dẫn đầu về kiến thức và lập luận” ám chỉ, và tuyên bố đó là đúng.

Điều mà tuyên bố bỏ qua là mức tuyệt đối. Gemini Decision 1 trả lời đúng 13,2% câu hỏi trong Humanity's Last Exam. Lý do nó vẫn đứng đầu thành phần đó là nó từ chối trả lời thay vì đoán: tỷ lệ không ảo giác của nó trên cùng bài kiểm tra là 35,7%, và công thức tính điểm khiến phải trả giá cho một câu trả lời có xác suất thấp mà hóa ra sai. Đứng đầu về hiệu chuẩn không đồng nghĩa với đứng đầu về kiến thức, và độ chính xác 13% là con số cần đưa vào kế hoạch năng lực.

Google chưa công bố bảng benchmark nào của riêng mình cho mô hình này — ghi chú phát hành chỉ công bố mô hình và API, còn tài liệu giải thích cấu trúc yêu cầu và các giới hạn. Mọi con số hiệu năng ở trên đều là của Artificial Analysis, được đo trên bộ công cụ đánh giá của chính các đơn vị đánh giá, và không tồn tại con số nào từ nhà cung cấp để mâu thuẫn với nó. Điều đó gọn gàng hơn hầu hết các đợt ra mắt và đáng nói thẳng, bởi vì phương án thay thế — một bảng của nhà cung cấp và không có kiểm chứng bên ngoài — là trường hợp phổ biến trong hạng mục này.

Cái giá mua được gì, và không mua được gì

Với 345 USD cho mỗi triệu tác vụ trên chỉ số, Gemini Decision 1 là mô hình đắt nhất trong nửa trên của bảng xếp hạng. Drex Max v1.1 chạy cùng một triệu tác vụ với giá 103 USD, Jev 1.14 với 156 USD, Microsoft-Decision-1 với 143 USD. Mức giá đầu vào giải thích điều đó: 0,10 USD mỗi triệu token so với 0,03 USD của Drex Max v1.1, và một tác vụ quyết định đọc một tài liệu dài mà không hề tạo ra token nào để bù đắp chi phí. Artificial Analysis xếp nó thứ mười lăm trong số mười tám về chi phí và lưu ý rằng nó "đặc biệt đắt".

Độ trễ không có gì đáng chú ý. Ở mức 211 mili giây mỗi tác vụ, nó chậm hơn một chút so với trung vị của nhóm là 209 và chậm hơn Jev 1.14 ở mức 92. Đối với một quyết định định tuyến đằng sau tin nhắn khách hàng, như vậy là ổn. Đối với một vòng lặp từng khung hình trên video trực tiếp, trường hợp mà tài liệu liệt kê rõ ràng như một use case, đó là lập luận ủng hộ một mô hình nhỏ hơn chứ không phải chống lại mô hình này.

Những khoảng trống về năng lực là những thứ được trang giá liệt kê là không khả dụng, chứ không phải những thứ mà một bài benchmark có thể cho thấy: không có Batch API nghĩa là không có đợt quét qua đêm với giá bằng nửa cho một triệu ticket lịch sử, và không có context caching nghĩa là cùng một tài liệu chính sách 40.000 token lại bị tính phí trong mọi yêu cầu. Nếu pipeline ra quyết định của bạn đọc lại một ngữ cảnh chia sẻ lớn với khối lượng lớn, hai thiếu sót đó tốn kém hơn mức giá niêm yết gợi ý, và cả hai đều không nằm trong lộ trình mà Google đã công bố.

Điều này phù hợp ở đâu nếu bạn đã định tuyến mô hình

OrcaRouter không hỗ trợ gemini-decision-1. Một endpoint chỉ trả xác suất không phải là đích chat-completions, nên đó không phải thứ mà một router như chúng tôi có thể đặt sau một khóa — và nói khác đi sẽ là kiểu tuyên bố về tính sẵn có nghe rất xuôi nhưng hỏng ngay ở yêu cầu đầu tiên. Thứ chúng tôi hỗ trợ là typesafe/jev-1.14 của TypeSafe, một mô hình ra quyết định trên cùng bảng 18 mô hình với điểm 66.23, vì vậy nửa chấm điểm của một pipeline có thể nằm cùng khóa với nửa viết nếu đó là mô hình ra quyết định bạn chọn.

Phần viết là phần mà chúng tôi thực sự hướng tới. Một pipeline ra quyết định gần như luôn gồm hai lệnh gọi: một thành phần soạn thảo câu trả lời ứng viên hoặc rubric, và một thành phần chấm điểm nó. Lệnh gọi soạn thảo là nơi việc chọn mô hình gây tranh cãi và nơi hợp đồng với nhà cung cấp thứ hai trở thành gánh nặng, và đó chính là lệnh gọi chạy qua một endpoint với hơn 200 mô hình trên đó ở mức giá niêm yết của nhà cung cấp được chuyển qua với 0% markup, vì vậy thay đổi giá từ nhà cung cấp có hiệu lực ở phía chúng tôi ngay trong cùng ngày. Định tuyến lệnh gọi soạn thảo qua chúng tôi và trỏ lệnh gọi chấm điểm đến endpoint riêng của Google chỉ là thay đổi hai dòng, không phải là một thay đổi kiến trúc.

Điều gì sẽ thay đổi cách đọc này?

Ba điều, theo thứ tự khả năng xảy ra. Một bản sửa đổi nâng tỷ lệ vượt qua tất-cả-hoặc-không 33% của AA-Paperclip sẽ đẩy điểm tổng hợp tiến xa hơn bất kỳ điều gì khác mà mô hình này có thể làm, vì thành phần đó chiếm 30% điểm số và khoảng cách 16 điểm so với đơn vị dẫn đầu. Việc được đưa lên Vertex AI sẽ thay đổi hoàn toàn câu chuyện mua sắm — hiện nay cách duy nhất để gọi nó là dùng khóa API Gemini, và các doanh nghiệp mua qua hợp đồng Google Cloud sẽ để ý. Và một bảng đánh giá độc lập thứ hai tái lập con số 66 sẽ biến con số của một công ty thành con số đồng thuận.

Cho đến khi một trong những điều đó thành hiện thực, mô tả chính xác về Gemini Decision 1 vẫn hẹp và hữu ích: một bộ chấm điểm đa phương thức, 262.000 token, 1.000 câu hỏi, là mô hình quyết định được hiệu chỉnh tốt nhất trên bảng xếp hạng ở hai nơi mà biết khi nào nên im lặng chính là kỹ năng được kiểm tra, và là một mô hình ở giữa bảng ở nơi nhiệm vụ là đọc một tài liệu dày đặc và trả lời đúng mười lăm câu cùng lúc. Nếu các quyết định của bạn giống loại thứ nhất, con số 66 đánh giá thấp nó. Nếu chúng giống loại thứ hai, không mức độ dẫn đầu nào về benchmark kiến thức có thể cứu được tỷ lệ đạt.