AI GUIDEПартнёрский материал

Gemini Decision 1: задачи, цена и результаты сравнительных тестов

Gemini Decision 1 — мультимодальная модель Google для классификации, выбора из заданных вариантов и оценки по шкале. Разбираем официально заявленные форматы, цену и задержку, а также отдельно отмечаем ограничения приведённых в обзоре бенчмарков.

Ссылка партнёрская: цена для вас не меняется, проект получает вознаграждение.

Gemini Decision 1 — мультимодальная модель Google для ограниченных решений: она выбирает вариант, оценивает условие или выставляет балл по заданной шкале, а не пишет развёрнутый ответ. Google представила модель вместе с Decisions API 11 ноября 2026 года. Ниже отдельно рассмотрены характеристики из материалов Google и результаты сравнений, пересказанные автором обзора, но не подтверждённые приведёнными документами.

Как Gemini Decision 1 принимает решения

В запрос передают общий материал и набор вопросов с заданными условиями. Модель оценивает варианты за один проход и возвращает вероятности. Генерировать ответ токен за токеном ей не нужно. Такой формат рассчитан на задачи с заранее определёнными исходами: например, проверить правило, назначить обращение в очередь поддержки или выбрать подходящий инструмент.

Decisions API поддерживает три типа вопросов. В формате «да/нет» модель оценивает вероятность истинности условия. В режиме выбора она находит один вариант из набора. Рубричная оценка присваивает входным данным балл по упорядоченной шкале. В одном запросе разные типы вопросов можно применить к общему содержимому.

Выбор ограничен заданными вариантами. Если верное решение отсутствует в списке, модель не сможет предложить его как новый пункт, поэтому такой формат удобен для маршрутизации, но не заменяет свободный ответ. Качество классификации зависит и от формулировок критериев. Их стоит проверять на примерах из реальных данных.

Мультимодальный ввод и пакетные вопросы

Google указывает поддержку текста, изображений, аудио, видео и PDF. Один материал может включать несколько типов данных, а к нему можно задать до 1 000 независимых вопросов. Документация модели указывает максимальный объём входа 262 144 токена. Это лимит на входные данные, а не обещание одинаковой скорости для запросов любой длины.

В демонстрационном сценарии Google модель проверяет фотографию кухонной стойки и текстовую заметку. Она определяет, есть ли разлитая жидкость, выбирает действие по ситуации и оценивает серьёзность загрязнения. Пример показывает принцип работы, но не подтверждает безошибочное распознавание опасных условий.

Каждый ответ сопровождается оценкой уверенности от 0 до 1. Это числовой сигнал для логики приложения, а не гарантия правильности. Команда может задать порог: неоднозначные случаи отправлять человеку или более мощной модели. Такой резервный маршрут особенно важен, когда ошибочная классификация влияет на безопасность, деньги или доступ пользователя к услуге.

Цена и задержка: что заявляет Google

В опубликованном Google описании указана цена 0,10 доллара за миллион входных токенов. Выходные токены не тарифицируются, поскольку модель не генерирует обычный текстовый ответ. Общий вход, согласно описанию API, учитывается один раз на запрос, а инструкции и критерии для каждого вопроса добавляют собственные входные токены. Итоговый счёт зависит от объёма общего материала, описаний вариантов и числа проверок.

Google сообщает задержку 150–250 миллисекунд от начала до конца. Время вычисления модели в том же описании составляет 50–100 миллисекунд. Эти значения относятся к условиям, приведённым компанией; фактическое время в приложении также зависит от сети, передачи файлов, очередей и инфраструктуры.

Google сравнивает цену с Gemini 3.5 Flash-Lite при выполнении общего набора тестов и заявляет преимущество почти в пять раз. Это сравнение относится к указанным настройкам и задачам, а не ко всем вариантам использования. Перед расчётом бюджета стоит сверить действующий прайс, доступные квоты и условия API: тарифы и ограничения сервиса могут меняться.

Что показывают приведённые бенчмарки

По пересказу автора обзора, Gemini Decision 1 заняла первое место в семи из девяти сравнительных испытаний. Там же приводятся результаты Jeff Bench: 92,2% у Gemini Decision 1 и 90,9% у названной в пересказе модели GPT-6 Llama. В тесте выбора подписей к карикатурам The New Yorker указаны 79,7% и 68,4% соответственно. Эти цифры относятся к конкретным тестам, а не к универсальному рейтингу качества.

В том же пересказе указаны результаты проверки того, нужен ли агенту внешний инструмент: 82% у модели GEF от Typesave и 79,9% у Gemini Decision 1.

Модель не выигрывает каждое сравнение.

Оценки зависят от состава набора, способа подсчёта, версии модели и условий запуска. Доступные материалы не содержат подробностей, достаточных для независимого воспроизведения всех этих результатов.

Google заявляет, что Gemini Decision 1 показывает самую низкую ошибку калибровки среди моделей в проведённых компанией бенчмарках. Доступные материалы не подтверждают приведённые в исходном варианте статьи цифры о снижении ошибки примерно на 65% относительно GPT-6 L и на 88% относительно Gemini 3.5 Flash-Lite. Перед внедрением калибровку стоит проверить на собственных данных: результат на опубликованном наборе не гарантирует тех же свойств на обращениях конкретного сервиса.

Где модель может пригодиться

Наиболее естественный сценарий — маршрутизация запросов. Небольшая модель может определить тип обращения и направить простой вопрос в быстрый поток, а сложный передать модели с более глубоким анализом. Google сообщает, что Gemini Notebook использует Decisions API для выбора уровня модели и режима рассуждения; компания заявляет сокращение задержки при обработке повседневных вопросов до 40%. Это описание конкретного продукта Google, а не гарантия такого же ускорения в сторонней системе.

Другой сценарий — классификация мультимодальных данных. Например, служба поддержки может проверять текст обращения вместе с фотографией повреждённого товара, а внутренний контроль — оценивать изображение помещения по нескольким правилам. До автоматического действия команда должна определить, какие ошибки допустимы, какие случаи требуют ручной проверки и что происходит при низкой уверенности.

Google также упоминает использование Decisions API в Stitch для быстрого создания и редактирования интерактивных прототипов, а в поиске Google — для дополнительной проверки безопасности инструментов. Эти примеры описывают применение внутри сервисов Google. Они не доказывают, что модель самостоятельно выполняет любые действия: её роль в таких схемах состоит в оценке вариантов и выборе по заданным критериям.

Как оценить модель перед внедрением

Начните с набора размеченных примеров из своей задачи. Зафиксируйте правильную категорию, допустимые альтернативы и случаи, в которых система обязана передать решение человеку. Затем сравните Gemini Decision 1 с текущим способом обработки по точности, доле отказов от автоматического решения, задержке и стоимости на реальном объёме запросов.

  • Проверьте каждую категорию отдельно: общий процент точности может скрыть ошибки в редких, но важных случаях.
  • Настройте порог уверенности по последствиям ошибки, а не только по удобству автоматизации.
  • Протестируйте длинные входы, неоднозначные изображения и сочетания нескольких типов данных.
  • Сверьте фактическую задержку и стоимость полного запроса, включая инструкции и критерии.
  • Предусмотрите журналирование решений и ручную проверку выборки результатов после запуска.

Gemini Decision 1 подходит для задач, где системе нужно быстро выбрать из ограниченного набора вариантов и вернуть оценку уверенности. Для генерации объяснений, свободного ответа или сложного рассуждения это не прямая замена обычной языковой модели. Решение о внедрении стоит принимать по собственному тесту: заявленные цена и скорость привлекательны, но качество на конкретных данных определяет только проверка целевого сценария.

Частые вопросы о Gemini Decision 1

Может ли Gemini Decision 1 выбрать один вариант из 255?

Да. Документация Google описывает выбор от 2 до 255 вариантов, а для каждого кандидата модель возвращает вероятность. Критерии вариантов нужно задать в запросе.

Модель генерирует текстовый ответ?

Её основное назначение — оценивать заранее определённые исходы. API возвращает типизированные результаты и вероятности, а не развёрнутый текст; выходные токены не тарифицируются.

Можно ли считать оценку уверенности гарантией правильности?

Нет. Это сигнал для приложения, который помогает выделять неоднозначные случаи. Порог передачи человеку или другой модели команда выбирает и проверяет сама.

Подтверждены ли все приведённые результаты бенчмарков Google?

Нет. Результаты Jeff Bench, теста The New Yorker и сравнения с GEF приведены в пересказе автора обзора. Материалы Google подтверждают описание модели и её собственные заявления о производительности и калибровке, но не содержат полного набора деталей для независимой проверки всех перечисленных сравнений.

Сравните модели перед запуском

Тарифы, лимиты и список моделей — на стороне сервиса. Если что-то разойдётся с описанным здесь, напишите: поправим материал и проставим новую дату проверки.

Открыть каталог моделей

Ссылка партнёрская: цена для вас не меняется, проект получает вознаграждение.

Gemini Decision 1 Decisions API цена Gemini Decision 1 бенчмарки Gemini мультимодальная модель классификация ИИ маршрутизация запросов

Редакция «SEO Разум»

Разбираем SEO и нейросети на практике: проверяем сервисы на своих проектах, сверяем цены и лимиты с первоисточниками и пишем то, что можно применить в тот же день.

📚 Справочник по SEO и ИИ 🔄 Материалы обновляются 🕐 Обновлено: 17 ноября 2026

Читать по теме

Весь раздел →