Модель Google Gemini Decision 1 оценивает до 1 000 вопросов за один вызов API

Google DeepMind в среду выпустила Gemini Decisions API для разработчиков, которым нужно, чтобы программа быстро выносила серию небольших суждений. Например, система приёма страховых заявлений может отправить в одном запросе отсканированную форму, фотографии повреждений и заметки по итогам звонка клиента. Она может спросить, в какую очередь направить заявление, не хватает ли доказательств и насколько срочно его должен рассмотреть сотрудник. API возвращает ответы и оценки уверенности, которые приложение может использовать для дальнейшей обработки дела.

Новая модель Google, Gemini Decision 1, способна ответить на 1 000 вопросов об одном и том же материале за один проход. Google берёт 0,10 доллара за миллион входных токенов, а вывод бесплатен. Тем самым Google выходит на рынок, где Jev от TypeSafe уже обеспечивает недорогую классификацию, Decisions API от OpenAI работает на GPT-6 Luna, а Strands Decider от Amazon позволяет разработчикам запускать модель на собственной инфраструктуре.

Аргументы в пользу Gemini для корпоративных клиентов начинаются с того, что входит в запрос. Команда, работающая с аудиозаписями, видео и PDF, может оценивать эти файлы вместе. Для команды, распределяющей короткие текстовые обращения, есть более дешёвые облачные варианты, а Artificial Analysis Decision Index ставит Jev и Gemini близко по общему качеству.

Один запрос может охватить целый чек-лист

Руководство по Decisions API описывает три типа вопросов. Проверка «да или нет» возвращает вероятность того, что условие выполняется.

Вопрос с несколькими вариантами выбирает из 2–255 именованных вариантов и сообщает вероятность каждого. Вопрос по рубрике возвращает взвешенную оценку и вероятности по шкале, которую задаёт разработчик.

Приложение может использовать эти вероятности, чтобы направлять неоднозначные случаи человеку или запрашивать суждение у второй модели.

Модель оценивает доступные варианты за один проход по входным данным.

Она может одновременно читать текст, изображения, аудио, видео и PDF, а разработчики могут настраивать разрешение изображений и видео, контролируя, сколько деталей видит модель и сколько токенов расходуют медиафайлы. Лимит в 262 144 токена распространяется на общие данные, а также на инструкции и варианты ответов для всех вопросов.

Каждый вопрос оценивается независимо. Если второе решение зависит от первого, приложение может обработать эту зависимость в коде или сделать повторный вызов. Для таких задач, как составление пояснения или извлечение произвольного номера счёта из файла, по-прежнему нужен отдельный шаг генерации или извлечения.

По словам Google, Gemini Notebook использует модель для маршрутизации запросов между разными моделями и уровнями глубины рассуждений. Компания сообщает о снижении задержки до 40% для рутинных запросов в этом сценарии, где этап маршрутизации позволяет приберечь более медленные модели для сложных запросов.

Страница цен Google учитывает общие входные данные один раз за запрос и тарифицирует токены, добавляемые каждым вопросом. Возьмём запись на 4 000 токенов и 20 проверок по 50 токенов каждая.

По тарифу Google один запрос на 5 000 токенов обходится примерно в 0,50 доллара за 1 000 записей. Двадцать отдельных вызовов, каждый из которых заново отправляет запись, стоили бы 8,10 доллара за 1 000 записей — без учёта повторных попыток и дополнительных вызовов. В примере предполагается, что указанное количество токенов совпадает с выставленным к оплате. Google снова взимает плату за все входные данные, если они повторно используются в отдельном запросе.

Разработчики могут начать с эндпоинта v1beta в Gemini Developer API и бесплатного уровня в Google AI Studio. Google указывает лимиты бесплатного уровня: 200 запросов и 50 000 входных токенов в минуту. Модель также доступна в OpenRouter и Vercel AI Gateway. Vercel рекомендует разработчикам, работающим с аудио, видео или PDF, использовать интеграцию с AI SDK 7. Google сообщает, что поддержка в Gemini в Google Cloud появится в ближайшее время.

Для команд, тестирующих модель на клиентских данных, условия Gemini API разграничивают платный и бесплатный доступ. Google заявляет, что не использует промпты и ответы платного сервиса для улучшения продуктов и хранит логи ограниченное время для контроля соблюдения правил и обязательного раскрытия информации. Условия бесплатного сервиса допускают использование данных для улучшения продуктов, с региональными исключениями.

Лидерство Google в бенчмарках зависит от задачи

В бенчмарках, опубликованных Google при запуске, Gemini Decision 1 лидировала в пяти из семи тестов, которые прошли все четыре модели. Она набрала 92,2% в JevBench, опередив GPT-6 Luna (90,9%) и Jev 1.14 (90,0%).

Jev лидировала в бенчмарке браузерных задач Mind2Web Multimodal — 86,8% против 86,2% — и в When2Call, проверяющем решения об использовании инструментов, — 82,0% против 79,9%.

В двух медиатестах Google сравнила Decision 1 с Gemini 3.5 Flash-Lite. Decision 1 набрала 71,8% против 67,7% в аудиобенчмарке MMAU и 69,1% против 63,3% в Video-MME.

У Decision 1 оказалась самая низкая ошибка калибровки в сравнении Google — 0,0250, примерно вдвое меньше, чем у Jev (0,0494). Калибровка показывает, насколько уверенность модели соответствует тому, как часто она оказывается права.

Это важно, когда порог уверенности определяет, сколько случаев попадёт к проверяющему. Google также сообщает, что прогон общих тестов обошёлся в 0,88 доллара с Decision 1, 0,68 доллара с Jev и 4,14 доллара с Gemini 3.5 Flash-Lite через Interactions API. На этой нагрузке Flash-Lite оказалась примерно в 4,7 раза дороже Decision 1.

Заявленная Google сквозная задержка в 150–250 миллисекунд относится к входным данным объёмом до 16K токенов и мало меняется при росте числа вопросов в запросе с одного до 100. Медианное время вычислений модели в этих условиях Google оценивает в 50–100 мс. Командам, которые планируют использовать полное контекстное окно или лимит в 1 000 вопросов, стоит самостоятельно измерить время обработки своих файлов и чек-листов, включая время загрузки медиа.

Независимый Artificial Analysis Decision Index v2.1 на момент запуска поставил Gemini на девятое место из 18. Индекс объединяет шесть оценок, включая анализ документов, вызов инструментов, знания и рассуждения. Показатель задержки — взвешенное среднее медиан по тестам, а столбец стоимости оценивает, во сколько обошёлся бы миллион задач из этого набора тестов по опубликованным тарифам моделей.

Gemini лидировала в тестах на знания и рассуждения в независимом наборе. В AA-Paperclip, где задаётся 15 вопросов о каждом резюме, научной статье, счёте или чеке, Gemini ответила правильно на все вопросы по 33% документов против 35,5% у Jev и 63% у Drex Max v1.1.

Для процесса, где каждое поле или проверка должны быть верными, важна именно эта метрика «всё или ничего», даже если отдельные ответы получают высокие оценки. В прогоне When2Call от Artificial Analysis Drex Max показала точность 94,6%, а среди этих трёх моделей за ней следовали Jev с 80,8% и Gemini с 75,2%.

Jev дешевле для маршрутизации текста, а OpenAI может повторно использовать контекст между вызовами

TypeSafe оценивает Jev 1.14 в 0,042 доллара за миллион входных токенов при бесплатном выводе. Как и Gemini, модель может оценивать несколько вопросов об общей записи за один вызов. Стандартные лимиты Jev — 64K токенов на весь запрос и 32K на общие данные плюс любой отдельный вопрос.

Экспериментальная настройка повышает оба лимита до 262K. Jev принимает текст и структурированный JSON, а опциональная поддержка изображений позволяет прикреплять PNG или JPEG к общим данным или к отдельному вопросу. Версия 1.14 также добавляет экспериментальный ответ в виде ограничивающей рамки для определения положения объекта на изображении. Для коротких обращений в поддержку или рутинного выбора инструментов цена Jev и её результат в 92 мс в независимом наборе тестов делают её хорошей отправной точкой.

OpenAI открыла общий доступ к своему Decisions API 22 октября. GPT-6 Luna — единственная поддерживаемая модель на этом эндпоинте. Запрос может содержать до 400 вопросов и использовать в качестве данных текст, изображения, нативный JSON или записи предыдущих вызовов инструментов. Изображения можно добавлять и в отдельные вопросы.

Разработчик, сравнивающий фотографии товаров с общим эталоном, может прикрепить к каждому вопросу своё изображение. Для голосовых приложений интеграция с GPT-Live от OpenAI позволяет запускать решения по частичным транскриптам.

OpenAI берёт 0,10 доллара за миллион некэшированных входных токенов и 0 долларов за вывод, что совпадает с базовым тарифом Google. Чтение из кэша стоит 0,01 доллара за миллион токенов, запись в кэш оплачивается отдельно. Это даёт командам вариант экономии, когда они многократно отправляют одно и то же руководство по политикам, каталог товаров или эталонное изображение в разных запросах. Повторно используемый префикс должен содержать не менее 1 024 совпадающих токенов, а содержимое конкретного вопроса находится вне этого префикса. На итоговый счёт также могут влиять региональная обработка и тарифы для длинного контекста. OpenAI предусматривает Zero Data Retention для соответствующих клиентов и региональную обработку в США, Европейской экономической зоне и Швейцарии.

Ещё двух претендентов стоит рассмотреть, если они подходят по типам входных данных. Drex Max v1.1 от Nace AI стоит 0,03 доллара за миллион входных токенов и принимает текст, JSON и изображения, поэтому результаты независимых тестов по документам и использованию инструментов стоит сверить с собственными задачами компании.

Для аудио и видео Clef-Omni от Cloudflare поддерживает оба формата, предлагает окно в 64 000 токенов на Workers AI и стоит там 0,15 доллара за миллион входных токенов. Cloudflare также публикует веса модели, что даёт командам второй вариант, если оценку медиа нужно выполнять в собственной среде.

Strands от Amazon делает самостоятельный хостинг реальной альтернативой

Amazon выпустила Strands Decider 2B в октябре, о чём VentureBeat сообщал в момент запуска. Её текущий чекпоинт 2B на базе Qwen3.5 поддерживает вопросы «да или нет», с несколькими вариантами и по рубрике для текста.

Модель распространяется по лицензии Apache 2.0 вместе с кодом для развёртывания и рецептом обучения. Команды могут запускать её на CPU или GPU, оплачивая собственные вычисления и эксплуатацию. Это актуально для компаний, которые хотят, чтобы этап принятия решений оставался внутри их собственной сети.

Amazon сообщает о точности 77,9% для чекпоинта 2B на 231 публичной задаче JevBench v1 при окне в 4 096 токенов. Её более ранний чекпоинт v19 отвечал на один вопрос за 115 мс по медиане и 299 мс на 95-м процентиле на локальной RTX 3090. Более поздние варианты Amazon на базе Gemma 4 показывают точность от 77,9% до 89,6% на том же публичном наборе тестов.

Google и Amazon приводят результаты JevBench из разных прогонов. Покупателю, выбирающему между этими вариантами, следует протестировать одни и те же вопросы на обоих развёртываниях и измерить полное время от запроса до ответа.

Внутреннее развёртывание Amazon для маршрутизации тикетов нагляднее показывает, как может окупиться самостоятельный хостинг. Инженеры запускали Strands Decider E4B параллельно с Claude Sonnet 4.6, прежде чем сменить модель, присваивающую метки. Они сократили критерии для 20 меток и обрезали самые старые комментарии в длинных тикетах, чтобы уложиться в возможности модели.

По данным Amazon, среднее время на вызов сократилось примерно с 4,2 до 0,9 секунды. По опубликованным ценам AWS и с учётом наблюдаемой загрузки инстансов команда оценила стоимость примерно в 500 долларов за миллион тикетов против 22 200 долларов в процессе на Sonnet. Покупателю, рассматривающему такой подход, придётся рассчитать стоимость собственных мощностей и рабочего времени персонала на их поддержку.

Где разместить модель принятия решений в продакшене

Gemini хорошо подходит для первого пилота, когда один объект поступает в нескольких форматах и запускает чек-лист. Контакт-центр может отправить запись разговора с метаданными заказа и попросить модель определить проблему, выбрать очередь для проверки и отметить, прозвучало ли в звонке обязательное уведомление.

В процессе оценки повреждений по фотографиям тот же запрос может сверить данные из формы с несколькими снимками. В обоих случаях проверяйте решения по отдельности. Хороший результат в маршрутизации по очередям мало говорит о том, как часто модель будет пропускать редкое уведомление.

Разработчики агентов могут разместить модель принятия решений непосредственно перед вызовом инструмента. Спросите, уместен ли предлагаемый инструмент, присутствует ли в разговоре нужная деталь и должен ли человек проверить действие. Предусмотрите явный вариант эскалации для случаев, не охваченных доступными вариантами.

Контроль доступа, требования к согласованию и лимиты транзакций держите в коде приложения. В одном тесте на промпт-инъекции, описанном VentureBeat, одно подброшенное поле снизило вероятность того, что Jev заблокирует действие, с 0,76 до 0,48.

Прежде чем позволить модели изменять клиентские записи, запустите её параллельно с существующим процессом. Используйте размеченные примеры из реального трафика, включая редкие случаи и некачественно снятые медиа. Задайте пороги уверенности для каждого решения и каждой модели.

В вопросе с несколькими вариантами Google использует вероятность выбранного варианта как оценку уверенности. В примере TypeSafe Jev присваивает варианту вероятность 0,61 и возвращает оценку уверенности 0,42.

Отслеживайте долю случаев, уходящих на проверку, ошибки среди случаев, обрабатываемых моделью автоматически, и сквозную задержку на 95-м процентиле. Для короткого текста прогоните Jev или Drex на том же наборе.

Для записей и видео сравните Gemini и Clef-Omni на одних и тех же фрагментах и измерьте, сколько токенов тарифицирует каждый сервис. Добавьте Luna, если приложение может повторно использовать длинный эталон в разных запросах, и Strands, если вы можете развернуть её в собственной среде.

Сравнивайте стоимость и время на каждый правильно обработанный случай, включая случаи, которые всё равно требуют участия человека.