谷歌推 Gemini Decision 1：单次判 1000 问，成本仅 Flash-Lite 五分之一

据 Woofun AI 消息，谷歌正式推出专用决策模型 及配套的 ，标志着 AI 交互范式从通用文本生成向高效结构化决策的重大转变。该模型不再依赖传统的逐字解码流程，而是通过单次前向传播直接输出判断结果，旨在解决传统大模型在分类、评分等确定性任务中存在的延迟高与成本冗余问题，重新定义了 AI 系统底层决策组件的技术标准。

谷歌 CEO 在 X 平台发文详细阐述了 Gemini Decision 1 的核心技术突破，强调该模型在 中的正式上线代表了决策型 AI 的新里程碑。与传统生成式模型逐个 Token 构建文本的逻辑截然不同，Gemini Decision 1 专为封闭选项集中的决策任务量身定制，其底层架构允许模型在单次处理过程中，对涵盖文本、图像、音频、视频以及 PDF 文档等多模态输入中的最多 1000 个独立问题进行并行评分。

这种设计彻底省去了中间文本生成的冗余步骤，使得开发者只需提供输入内容、待决问题及候选选项，即可直接获取包含概率分布与置信度等级的结构化结果，极大简化了从非结构化数据到确定性决策的转化路径。

在具体功能实现上，Gemini Decision 1 提供了三类核心决策能力，并支持在一次请求中进行混合执行。首先是二元判断（Yes/No），用于快速识别如安全隐患或规则违规等明确的是非问题，并返回条件成立的概率；其次是多项选择（Multiple Choice），允许开发者预设 2 至 255 个候选选项，模型不仅选出最优解，还提供归一化后的各选项概率；最后是有序标准评分（Ordered Rubric），支持自定义评分等级，返回连续加权分数及各等级概率。以办公室茶水间台面为例，模型可依据一张照片和文字说明，同时判断是否存在液体洒漏、确定清理措施并评估严重程度，这种多任务并行处理能力避免了传统方式中需设计多个分类器或多次调用大模型的繁琐流程。

针对企业级复杂应用场景，该模型支持高达 256K Token 的多模态输入上下文窗口，这一容量使得开发者能够将通话录音、客户资料与保险索赔文件及现场照片等异构数据整合分析，从而在更广阔的信息维度上作出精准判断。

此外，每项决策结果均附带 0～1 的置信度评分，这一机制为系统提供了关键的决策边界控制能力，使系统能够根据置信度高低自动将不确定结果分流至其他模型进行二次验证或转交人工审核，从而在自动化效率与风险控制之间建立动态平衡，为金融、医疗等高容错率敏感领域的应用奠定了坚实基础。

Woofun AI 整理数据显示，Gemini Decision 1 在性能与成本方面展现出极具竞争力的优势。在不超过 16K Token 的测试上下文中，其模型计算阶段的中位延迟仅为 50～100 毫秒，端到端延迟控制在 150～250 毫秒之间，且即使单次请求包含的问题数量从 1 个激增至 100 个，延迟表现依然保持平稳，未出现显著波动。在定价策略上，该模型每百万输入 Token 的成本仅为 0.10 美元，且输出 Token 完全免费，这一成本结构使得其在同一组基准测试中的调用成本较 低近 5 倍，为大规模部署高频决策任务提供了显著的经济可行性。

在基准测试对比中，Gemini Decision 1 的表现尤为突出，谷歌选取了 的 、专用分类决策模型 以及自家的 Gemini 3.5 Flash-Lite 作为主要竞争对手进行横向评测。结果显示，Gemini Decision 1 在 9 项基准测试中斩获 7 项第一。