AI News

Google 发布多模态决策模型 Gemini Decision 1 及 Gemini Decisions API

gihyo.jp更新于 11月12日 18:34

Google、新しい意思決定モデル「Gemini Decision 1」を搭載、最大1,000問を一度に高速判定する「Gemini Decisions API」を発表 | gihyo.jp

AI 导读

Google 于 2026 年 11 月 11 日发布多模态决策模型 Gemini Decision 1,并推出可通过 Google AI Studio 使用的 Gemini Decisions API。该 API 支持最多 256K token 的多模态输入和最多 1,000 个独立问题,单次请求 1 至 100 个问题时延迟基本恒定,模型计算延迟中位数为 50 至 100 毫秒。定价为输入每百万 token 0.10 美元,输出 token 不计费;在 9 项基准中 7 项领先,校准误差小于 Gemini 3.5 Flash-Lite 等对比方案。

推荐理由

AI 评分 75

原文给出延迟、定价和校准误差等具体指标,读者可据此判断这类决策模型适合放在哪些流程里。

主题

标签

正文 · AI 翻译

Google于2026年11月11日发布了高精度、高速的多模态决策模型“Gemini Decision 1”,以及可通过Google AI Studio使用该模型的新API“Gemini Decisions API”。

Gemini Decisions API: Fast, calibrated multimodal decisions

请查看API文档以了解更多入门信息!https://t.co/T0Zylzg6xf— Logan Kilpatrick (@OfficialLoganK) 2026年11月11日

Gemini Decision 1是一款类似于“TypeSafe Jev”等的专用于决策的多模态模型。它不逐token生成回答,而是对选项进行评估。据该公司测量,在最多16K token的多模态输入与上下文下,模型计算的延迟中位数为50至100毫秒,端到端为150至250毫秒。此外,当每个请求的问题数在1至100个范围内时,延迟基本保持恒定。

使用该模型的Gemini Decisions API可以接收一个包含文本、图像、音频、视频、PDF的多模态输入(最多256K token),以及关于该输入的最多1,000个独立问题。Gemini Decision 1能够通过单次前向传播直接处理文本、图像、音频、视频、PDF,还可以将多种模态组合到一个共享输入中,例如通话录音与账户元数据、从PDF扫描的保险理赔内容与损失照片等。

在该公司进行的智能体路由、推理、排序、多模态理解等基准测试中,Gemini Decision 1与Gemini Decisions API的组合在9项基准中的7项取得了最佳性能,例如表示预测概率与实际正确率偏差的校准误差,与使用Interactions API的Gemini 3.5 Flash-Lite和TypeSafe Jev 1.14等相比最小。

Gemini Decisions API的定价为每100万输入token 0.10美元,输出token不计费。

Gemini Decisions API可以组合以下3种问题进行检查。

yes/no判定(noul) 估计并返回指定条件成立的概率。可选指定真假的说明标准。 多选(choice) 从2至255种选项中选出结果,并返回各候选归一化后的概率。 分级评分(score) 按照带顺序的评分标准(Rubric)打分,返回连续值分数及各等级的概率。

这些结果会与概率一同输出“置信度分数”。置信度分数(0至1)表示模型估计“最顶层回答正确”的概率,可用于在代码中将模糊情况转交替代处理,或让人工审核人员确认。

Gemini Decisions API的使用示例:将柜台照片与说明情况的文本作为共享输入,可同时评估“是否有液体洒出”“哪种清洁方法合适”“污渍程度如何”。每个问题独立评估共享输入,不参照其他问题或回答。如何组合结果并决定下一步操作,由应用程序侧的代码决定。

关于Gemini Decision 1及Gemini Decisions API的详细用法,请分别参阅各自的文档。

来源

gihyo.jp