谷歌发布 Gemini Decision 1：不逐字写答案，只给候选打分

过去两年，大模型厂商比拼的是谁能生成更多 Token、谁的推理链更长。谷歌这次换了个方向：推出一个不靠逐字写答案的模型——Gemini Decision 1，并同步上线由它驱动的 Gemini Decisions API。它的工作方式很朴素：拿到输入和一组候选答案，直接打分，然后返回选择结果、概率和置信度。

一分钟速览

• Gemini Decision 1 通过单次前向传播对候选答案评分，不做逐 Token 解码。
• 支持三类任务：是/否判断、2～255 个选项的多项选择、按自定义标准打分。
• 一次请求最多处理 1000 个独立问题，上下文最高 256K Token，可混合文本、图像、音频、视频和 PDF。
• 输入每百万 Token 0.10 美元，输出不收费，官方称成本约为 Gemini 3.5 Flash-Lite 的五分之一。
• 谷歌公布 9 项基准中拿下 7 项第一，Top-1 校准误差 0.0250，明显低于对比模型。

为什么要把「生成」和「判断」拆开

很多线上任务根本不需要一段完整的话。判断一封邮件是不是垃圾邮件、决定一条请求该交给哪个 Agent、给一条商品搜索结果打相关性分数，这些场景要的只是一个结论。用生成式模型做这类事，流程会变得很别扭：先让模型写一段解释，再从文本里把答案抠出来，既慢又容易解析出错。

Gemini Decision 1 把这一步省掉了。开发者提供输入、问题和候选选项，模型直接返回结果。谷歌给出的端到端延迟约为 150～250 毫秒，模型计算阶段的中位延迟在 50～100 毫秒；即便一次请求从 1 个问题增加到 100 个，延迟也基本保持平稳。对需要高频判断的 Agent 循环来说，这个特性比多拿几分准确率更实用。

成绩单：7 项第一，也输了两项

谷歌这次没有只跟通用大模型比，而是拉上了三款对照产品：OpenAI 的 GPT-6 Luna、专做分类决策的 TypeSafe Jev 1.14，以及自家的 Gemini 3.5 Flash-Lite。

在 JevBench 上，Gemini Decision 1 拿到 92.2%，高于 GPT-6 Luna 的 90.9%、Jev 1.14 的 90.0% 和 Flash-Lite 的 86.6%。Amazon ESCI 商品搜索相关性测试中，它的 Macro-F1 为 58.7%，比 GPT-6 Luna 高 4 个百分点，比 Flash-Lite 高 11.5 个百分点。New Yorker Caption 测试差距更大：79.7% 对 68.4%。医学问答 PubMedQA 为 79.8%，多语言测试 Global-MMLU-Lite 为 86.0%，均领先。

但它没有全面碾压。Mind2Web Multimodal 上，TypeSafe Jev 1.14 以 86.8% 略胜它的 86.2%；在更贴近 Agent 场景的 When2Call 工具调用时机测试中，Jev 1.14 拿到 82.0%，Gemini Decision 1 是 79.9%。这说明专用决策模型之间的竞争才刚刚开始，谷歌的先发优势并不牢固。

真正被强调的是「校准」

比准确率更值得看的是概率校准。Top-1 ECE 测试里，Gemini Decision 1 的校准误差为 0.0250，GPT-6 Luna 是 0.0721，TypeSafe Jev 1.14 是 0.0494，Flash-Lite 则高达 0.2104。换句话说，它说自己有八成把握时，实际正确率更接近八成。

这对自动化系统意义很大。一个 Agent 判断某段代码有没有安全漏洞，如果模型给出的概率长期虚高，系统就会在该转人工的时候自作主张。校准做得好，企业才敢把「概率低于阈值就交给人」写成规则，而不是靠拍脑袋设一个数字。

谷歌自己已经用上了

谷歌披露了几个内部场景。Gemini Notebook 用它做实时模型路由，按请求复杂度选择模型档位和思考强度，官方称日常查询延迟最多降低 40%。Google Stitch 的 Rapid Canvas 用它把语音或点击指令快速转成可交互的产品流程线框图。Google Labs 的 CC 产品用它从 200 多个 Emoji 里挑反应。Google Search 内部则把它做成 MCP 工具的安全检测层，识别对抗性输入和内容。

这些案例指向同一个趋势：Agent 系统正在分层。复杂推理交给大模型，大量简单、选项明确的判断交给便宜、快、校准好的小模型。谷歌把这类能力单独做成一个 API，等于承认「判断」本身是一门独立的生意。

对开发者来说，最直接的变化是成本结构。过去一次分类任务也要按生成式模型的价格付费，现在输入 0.10 美元每百万 Token、输出免费，批量跑十万条数据的账单会差出一个数量级。真正的门槛变成了：你能不能把业务问题拆成有限选项和清晰标准。拆不出来，再便宜的决策模型也帮不上忙。