Drex for Finance vs Gemini 决策 1：购买概率的两种方式

把规格表并排放在一起看，Drex for Finance 和 G​emini Decision 1 看起来就像是两家公司做出的同一款产品。两者都接收一段输入和一组带类型的问题，都会针对每个问题返回一个带评分的答案，而不生成文本；两者都能处理 262,144 个 token 的请求，而且两者的费用都是每百万输入 token 几美分，而非几美元。相似之处到了你真正会为它们买单的用途上便戛然而止。G​emini Decision 1 于 2026 年 11 月 11 日在 G​oogle 的 Developer API 上发布，是一款通用决策模型，其突出能力是知道何时拒绝；Drex for Finance 自 2026 年 11 月 2 日起正式可用，价格为每百万输入 token 0.03 美元，是一款领域微调模型，其突出能力是阅读一份财务文件并一次性答对十五个问题。相隔九天，请求形态相同，押注却相反——而且从未有任何已发布的评测将它们放在同一尺度上比较。

无人进行过的比较

这是首先要理解的一点，因为它决定了这篇文章其余部分中有多少是你可以付诸行动的。

Gemini Decision 1 的数字来自 Artificial Analysis 的 Decision Index v2.1——共对 18 个模型进行排名，该指数是六项评估的加权综合，每项评估的得分为准确率减去模型为其答案所赋予概率的 Brier 惩罚。它的得分为 66.0，在 18 个模型中排名第九，略高于榜单中位数 64。

Drex for Finance 的分数来自 Nace，依据一个由 48 个留出金融测试集构建的 Drex Finance Index。它的得分是 77.3。Drex for Finance 根本不在 Artificial Analysis 榜单上。

因此，两个主要数字是 66 和 77.3，它们来自不同的评测工具，衡量的是不同任务总体，把它们相减得到的是一个毫无意义的数字。任何这样做的人——网上已有的该比较版本正是如此——都是在把一个通用榜单分数与厂商自家的领域分数相比较，并把差值称为赢家。诚实的说法是，唯一重叠的证据还隔了一层：Drex Max v1.1，即 Drex for Finance 微调所基于的父检查点，确实位于 Artificial Analysis 榜单上，并以 73.4 直接位居榜首——在十八个中排名第一，领先 G​emini Decision 1 的 66.0 达 7.4 分。这对基础模型是一个强信号，而对微调模型则完全不是信号，因为领域训练可能在文档测试上大幅提升，却在知识测试上略有下降，而且没有任何已发表内容能针对该检查点区分这两种效应。这也是为什么 66 和 77.3 绝不能解读为任一方向上的差距。

每一个实际上是为了做什么而构建的

这些架构比任何分数都更能解释这种分歧。

• 形态——Drex for Finance 是 Drex Max 的微调版本，后者是一种带有视觉编码器的决策模型。G​emini Decision 1 是 G​oogle DeepMind 推出的该系列首款决策模型，位于其独立的 POST /v1beta/decisions 端点上，与生成内容路径分开。

• 训练重点——Nace 的九个具名金融领域：银行与支付、会计与审计、信贷与借贷、保险、合规与风险、申报与报告、市场与投资、ESG、资金管理与运营。除模型和 API 外，G​oogle 未发布任何训练说明。

• 请求规模——两者都允许在一次请求中处理约 1,000 个问题，但形态不同。G​emini Decision 1 每个请求最多支持 1,000 个问题，并对共享输入仅计费一次。Drex for Finance 在整个请求中提供 262,144 个 token，且文档中问题数量不设上限，因此相比一份长文档，它更有利于包含许多短问题。

• 弃答——G​emini Decision 1 的是/否类型会返回一个限制在 0.01–0.99 的概率，因此设在 0.99 以上的阈值永远无法触发；它在 AA-Omniscience 和 HLE-MultiChoice 上的排行榜领先，实质上是在弃答而非猜测方面的领先。Drex for Finance 返回 [0,1] 内的 P(true)，没有记录在案的界限，也完全没有公布非幻觉率。

• 选项处理 — Gemini Decision 1 在评分前会按 UTF-8 字节顺序对你的选项键进行字母排序，因此平局会倾向于字母序最靠前的键，而 Google 自己的指导原则是将兜底项命名为 other，而不是 none_of_the_above。Nace 没有记录这种规范化，这并不等于说它不会发生——这等于说无论它是否发生，你都不能依赖它。

• 价格 — Drex for Finance 每百万输入 token 收费 $0.03，输出不收费。Gemini Decision 1 每百万输入 token 收费 $0.10，输出不适用。按 Artificial Analysis 的任务完成率指标计算，Gemini Decision 1 每百万次决策的成本为 $345；Nace 模型的同类数据并未以该口径公布。

• 访问 — 通过供应商的 API、其 SDK、CLI 以及远程 MCP 服务器访问 Drex for Finance，免费层级为每天 100 次决策，每次最多 32 KB。G​emini Decision 1 仅在 v1beta 的 G​emini Developer API 上提供——未在 Vertex AI 上架，不支持 Batch API，也不支持上下文缓存。

通用模型胜出的地方，而且这绝非少数情况

其中三行是否起决定性作用取决于你的工作负载。

校准。决策指数对自信但错误的答案的惩罚比对不确定答案更重，正是这一设计决定了 G​emini Decision 1 所处的位置。如果你的流水线依据概率进行路由——高于 0.95 批准，低于 0.6 升级——那么这个数值的价值完全取决于 0.95 是否真的意味着 95%。G​oogle 的有界输出，加上其在两个知识组件上取得的头名成绩，都是支持这一点的证据；Nace 公布了准确率和类别细分，但没有校准曲线，因此 Drex 的概率是一个你在将其用作门控依据之前必须自行验证的分数。

一次处理，多条规则。每次请求针对同一份共享输入提出上千个问题，这与一个超长的单一上下文相比，是一种真正不同的能力。一次调用就用四十条政策规则核查一张支持工单，输入只计费一次——在这类任务中，G​emini Decision 1 的形态优于 262K 的上下文窗口，因为成本随问题数量增长，而不是随你重复的文本增长。

模态覆盖范围。Drex for Finance 可读取文本以及 PNG、JPEG 和 WebP 图像，每次请求最多八张。Gemini Decision 1 可在一次请求中处理文本、图像、视频、音频和 PDF，内联 base64 最多 100 MB，PDF 最多 50 MB。如果某项决策依赖一段电话录音或一帧视频画面，那么这两者中只有一个能“看到”它。

专家制胜之处

反例的范围更窄，但它确实存在，归根结底取决于这样一类文档：它们需要同时让多个答案全都正确。

在 AA-Paperclip 上——占 Gemini Decision 1 综合得分的 30%，也是权重最大的单一组成部分——Gemini Decision 1 有 33% 的文档直接通过，而 Drex Max v1.1 为 63%。该测试包含 1,500 份私人简历、收据、发票和文件，每份都带有五项决策和十个事实，并按每份文档全有或全无评分。Drex for Finance 正是在这类材料上微调的：发票和收据字段、GL 科目分类、重复发票、对账异常、审计抽样、10-K 与 XBRL 标签。Nace 在 Documents & extraction 上报告 92.3，在 Financial QA & filings 上报告 96.7，两项均由供应商运行。

如果你的决定是“读这张发票，告诉我它是否重复了已经付过的那一张”，那么通用榜单的综合评分几乎无关紧要，而领域微调模型几乎就是全部答案。这正是为专用模型支付专用费率的理由——也正是为什么 77.3 和 66 不应拿来比较：它们是两个模型在各自被选中要擅长的两个任务群体上所得的分数。

Nace 这边有两个坦承的弱点，因为这张表是厂商提供的：信用与风险得分为 48.3，是金融表中最低的绝对数值；市场与推理得分为 41.5，是唯一一个模型未能排名第一的类别——pplx-decider v1.2 为 43.1。这两点都在 Nace 自己的发布帖中披露，这比大多数厂商做得更多，而且两者都界定了该金融检查点可被信任的边界。

成本——在决策流水线实际运行的规模下

一个 4,000 token 的案例评分一次，在 Drex for Finance 上大约花费 $0.00012，在 G​emini Decision 1 上大约花费 $0.0004。两者都不是能决定任何事的数字；在每月一百万次决策时，差距约为 $280，这还少于迁移所花费的一个工程师周。

真正起决定作用的是周边架构。G​emini Decision 1 没有上下文缓存，也没有 Batch API，因此同一份 40,000 token 的政策文档在每次请求时都会按全量计费，而且不存在对历史工单进行半价隔夜批处理这回事。Drex for Finance 也两项功能都不具备，并且它按请求而不是按问题计费，这意味着围绕一份文档问四十件事的成本，就是该文档的 token 数量，且只计一次。在问题多、输入短的工作负载上，这会彻底逆转按 token 的排名：G​emini Decision 1 的 0.10 美元能让你问一千个问题，而针对一个短案例问同样一千个问题，只是一次 Drex 请求，价格为每百万 token 0.03 美元。

说实话，怎么才能联系上其中任何一个？

我们不提供 gemini-decision-1，也不提供 drex-max-finance。仅提供概率的端点不是聊天补全目标，因此像我们这样的路由器没有诚实的方式把二者放在一个密钥后面，声称可以做到只会在第一个请求时就失败。我们确实提供的是 TypeSafe 的 typesafe/jev-1.14，在 systemone 上每百万输入和输出 token 收费 $0.042——与 Nace 的 API 在传输层面兼容的相同请求结构，并且是与 G​emini Decision 1 同处十八模型榜单的模型，得分 66.2 对 66.0。

这使其成为本次比较中实用的第三选项，而不是一个脚注。如果决策本身没有争议，而你需要的是为整个流水线提供一个端点——决策调用、撰写分析师笔记的起草调用、审查被标记案例的升级调用——那么，与其他 200 多个模型（按提供商目录价传递，且不按 token 加价）运行在同一密钥上的决策环节，其价值就高于综合评分上两个百分点的优势。如果决策就是整个产品，那就从供应商处购买专业方案，并将其余部分路由出去。

怎样才能了结此事？

有一个实验，却没有人做过。取几百份真实的金融文件——具有已知重复状态的发票、带有已知标签的申报文件——并用同一套评分标准让两个模型给它们打分。仅这一次运行，就会把本文中的每一个数字替换为可比的数字，并告诉你领域微调的优势在与独立测试框架接触后是否仍然存在。

在它出现之前，正确的解读是：它们并不是竞争对手。当概率必须可信、问题数量众多，或者输入不是文本时，G​emini Decision 1 是更好的选择。当输入是财务文档、答案必须一次性全部正确，且案件量使得每百万 token 0.03 美元成为关键门槛时，Drex for Finance 是更好的选择。这两种说法都能依据已公布的数据站得住脚。但把它们放进同一张排行榜进行比较的说法则站不住脚，而要等到这样一张排行榜出现，还需要一段时间。