生成更长的文本、更强的推理能力，是当前大模型竞赛的主旋律。谷歌却在这个方向之外另辟蹊径，推出了一款完全不依赖逐字输出的大模型。
这款名为 Gemini Decision 1 的新模型，与其配套的 Gemini Decisions API 已在 Google AI Studio 上线。它的定位颇为特殊：不做文本生成，专攻决策判断。面对事先给定的候选答案，模型通过一次前向传播直接完成评分，省去了传统大模型逐个 Token 解码的过程。
谷歌 CEO Sundar Pichai 在 X 平台上介绍了这款产品。他表示，与传统模型逐个 Token 生成文本的做法不同，Gemini Decision 1 专为封闭选项集内的决策任务打造，单次处理即可对文本、图像、音频、视频和 PDF 中的上千个问题完成评分。帖子中，他还放出了 Stitch Rapid 的演示视频——几秒钟内设计出完整的产品流程，并注明画面为正常 1 倍速播放。
过去，开发者想让 AI 判断一封邮件是否为垃圾邮件，或者决定任务该分派给哪个 Agent，通常的做法是调用生成式模型，再从生成的文字里提取答案。Gemini Decision 1 改变了这一流程：开发者只需提交输入内容、待判断的问题和候选选项，模型便直接返回判断结果、概率和置信度。
换句话说，那些最终只需要一个分类标签、一个评分或一个选择的任务，如今不必再走完整套文本生成流程。
具体来看，这款模型提供三种决策模式。第一种是二元判断，模型输出某个条件成立的概率，比如图片中是否藏有安全隐患、文本是否越过了规则红线。第二种是多项选择，候选选项可设置 2 到 255 个，模型除了挑出最优答案，还会给出每个选项归一化后的概率分布。第三种是有序标准评分，开发者自定义评价等级，模型据此输出连续加权分数以及各等级的概率。
这三种模式还能在同一请求中混搭使用。谷歌给出的示例是：上传一张办公室茶水间台面的照片，配上文字说明，让模型同时回答三个问题——台面上有没有液体洒漏、该采取哪种清理方式、现场情况有多严重。按照传统做法，这可能需要部署多个分类器，或者让生成式模型跑几轮不同的提示词，而现在一次请求就能解决。
模型支持最高 256K Token 的多模态输入上下文。对企业用户而言，这意味着可以把通话录音和客户档案放在一起分析，也可以将保险理赔文件与事故现场照片结合后再做判断。每项决策都会附带一个 0 到 1 之间的置信度，当系统遇到把握不大的结果时，可以转交给其他模型处理，或者留给人工复核。
吞吐能力同样突出。一次请求最多可容纳 1000 个相互独立的问题，端到端延迟维持在 150 到 250 毫秒之间。官方数据显示，在不超过 16K Token 的测试上下文里，模型计算阶段的中位延迟为 50 到 100 毫秒；即便请求数量从 1 个增加到 100 个，延迟曲线也几乎保持水平。
价格方面，谷歌开出了每百万输入 Token 0.10 美元的报价，输出 Token 完全免费。与 Gemini 3.5 Flash-Lite 相比，在同一组基准测试下，其调用成本少了将近五分之四。
成绩单方面，谷歌这次拿出的对比数据颇有看点。参与比拼的对手包括 OpenAI 的 GPT-6 Luna、专注分类决策的 TypeSafe Jev 1.14，以及谷歌自家的 Gemini 3.5 Flash-Lite。在 9 项基准测试中，Gemini Decision 1 拿下 7 项第一，概率校准同样居首，但在剩余两项测试和总调用成本上，竞争者各有胜出之处。
细分来看，JevBench 测试中 Gemini Decision 1 的准确率达到 92.2%，压过 GPT-6 Luna 的 90.9%、TypeSafe Jev 1.14 的 90.0% 和 Flash-Lite 的 86.6%。Amazon ESCI 商品搜索相关性测试里，其 Macro-F1 分数为 58.7%，领先 GPT-6 Luna 4 个百分点，领先 Flash-Lite 11.5 个百分点。New Yorker Caption 测试的差距更大，Gemini Decision 1 拿到 79.7%，GPT-6 Luna 只有 68.4%——这个考验漫画配文理解与候选判断能力的测试，双方分差达到 11.3 个百分点。医学问答基准 PubMedQA 上，Gemini Decision 1 以 79.8% 排名第一，高于 GPT-6 Luna 的 74.4%。多语言评测 Global-MMLU-Lite 中，双方成绩分别为 86.0% 和 79.6%。
不过，谷歌并非处处占优。Mind2Web Multimodal 测试中，TypeSafe Jev 1.14 以 86.8% 登顶，Gemini Decision 1 以 86.2% 屈居其后。When2Call 测试的差距更明显，TypeSafe Jev 1.14 得分 82.0%，Gemini Decision 1 为 79.9%。这项结果耐人寻味——工具调用时机的判断本是 Gemini Decision 1 主打的 Agent 场景之一，专用决策模型 TypeSafe Jev 却在这一领域守住了领先位置。音频理解测试 MMAU 和视频理解测试 Video-MME 中，Gemini Decision 1 分别收获 71.8% 和 69.1%，均高于 Flash-Lite。
比准确率更受谷歌强调的，是概率校准。Top-1 ECE（预期校准误差）测试中，Gemini Decision 1 的数值只有 0.0250，GPT-6 Luna 为 0.0721，TypeSafe Jev 1.14 为 0.0494，Flash-Lite 则高达 0.2104。换算下来，Gemini Decision 1 的校准误差比 GPT-6 Luna 低了约 65%，比 Flash-Lite 低了约 88%。
这项指标对 Agent 系统的价值在于：当 Agent 判断某段代码是否暗藏安全漏洞时，模型给出的不只是“存在”或“不存在”，还有对应的概率值。系统可以据此衡量概率与实际正确率之间的关系，进而决定是自动执行操作，还是把事情交给人工把关。
谷歌自己的产品已经用上了这套能力。Gemini Notebook 正借助 Decisions API 充当实时模型路由器：系统先评估用户请求的复杂程度，再决定调用哪个档位的模型、开启多大的思考强度。日常简单问题走低成本、快响应的路线，复杂推理任务则交给能力更强的模型。谷歌称，这种动态路由让日常查询的延迟最多下降了 40%。
这种分工思路与 Agent 系统的演进方向高度契合。Agent 执行任务时需要不断做出选择——用哪个工具、调哪个模型、要不要请求人工介入。如果每个简单判断都惊动大型生成式模型，延迟和成本都会被放大。专门的决策模型恰好填补了这个空缺：选项明确的简单判断交给低延迟模型，复杂任务留给通用大模型。
除此之外，还有三个内部应用案例。Google Stitch 新上线的 Rapid Canvas 实验功能借助 Decisions API，几秒钟内就能产出可交互的产品流程线框图，并即时响应用户通过语音或点击发出的修改指令，确认设计方向后可转入完整的 Stitch 工作流继续打磨。Google Labs 的 CC 产品用它从 200 多个 Emoji 选项中挑选合适的表情反应。Google Search 内部则基于该 API 搭建了 MCP 工具的安全检测层，用于识别潜在的对抗性行为和内容。
