Google DeepMind lanza Gemini Decision 1 para la toma de decisiones basada en agentes

Google DeepMind lanza Gemini Decision 1 y una API de Decisiones dedicada, intentando separar del modelo generativo general las numerosas decisiones cerradas del sistema Agent, como “¿qué herramienta llamar?”, “¿cumple con la política?”, “¿a qué tipo de modelo asignar?”, “¿qué nivel de riesgo tiene?”. Los desarrolladores pueden enviar hasta 256.000 tokens de texto, imágenes, audio, video o PDF en una sola solicitud, y plantear hasta 1.000 preguntas independientes sobre el mismo material; el modelo no genera explicaciones palabra por palabra, sino que, en un solo cálculo hacia adelante, proporciona directamente probabilidades y niveles de confianza para las opciones. Google publica una latencia típica de extremo a extremo de 150 a 250 milisegundos, con un precio de 0,10 dólares por millón de tokens de entrada y salida gratuita. Sin embargo, estos datos de latencia provienen principalmente de pruebas con menos de 16.000 tokens y un máximo de 100 preguntas, y no demuestran que se mantenga la misma velocidad con contexto completo y 1.000 preguntas; evaluaciones independientes lo colocan en el puesto 9 de 18 modelos de decisión, lo que indica que sus capacidades de calibración y multimodales son destacadas, pero no lo convierten en el campeón general en todas las tareas de decisión.

Autor del artículo, fuente: Google DeepMind

Actualmente, muchos Agentes, aunque solo necesiten responder con “sí” o “no”, invocan modelos de generación completos. El modelo debe leer el contexto, realizar razonamientos y generar texto token por token, y luego la aplicación debe extraer un valor booleano o una categoría de la respuesta.

Este enfoque es flexible, pero resulta muy ineficiente en flujos de trabajo de alta frecuencia. Un agente de servicio al cliente puede necesitar evaluar secuencialmente la intención del usuario, el riesgo de la cuenta, las políticas aplicables, los permisos de herramientas, la cola de escalación y el modelo de respuesta; cada paso invoca un modelo generativo, lo que acumula latencia, costos y errores de análisis de formato.

Gemini Decision 1 adopta un enfoque diferente: los desarrolladores primero definen un conjunto limitado de respuestas candidatas, y el modelo solo se encarga de puntuar estas opciones. No es un modelo de chat, ni redacta explicaciones, sino que se asemeja más a una capa universal de clasificación, ordenación y evaluación de estrategias capaz de comprender contextos largos e información multimodal.

Google ofrece tres formas de preguntas:

• Sí / No: devuelve la probabilidad de que se cumpla la condición;
• Seleccione entre 2 y 255 opciones y devuelva la probabilidad normalizada de cada opción;
• Evalúe según una escala ordenada predefinida, devolviendo al mismo tiempo las probabilidades de cada nivel y la puntuación ponderada.

Cada resultado también incluye un nivel de confianza entre 0 y 1. La aplicación puede establecer un umbral: cuando el nivel de confianza sea alto, se ejecuta automáticamente; cuando sea insuficiente, se deriva a un modelo más potente o a una revisión humana.blog.google

Una solicitud puede contener hasta 256,000 tokens y plantear 1,000 preguntas independientes sobre la misma entrada.

Por ejemplo, las compañías de seguros pueden presentar simultáneamente un formulario de reclamación escaneado, fotos del daño en el lugar, grabaciones de llamadas con el cliente y datos de la cuenta, y solicitar al modelo que determine si la documentación es completa, qué tipo de incidente es, si hay señales de fraude, a qué cola debe asignarse y con qué nivel de urgencia debe procesarse.

El material compartido se cobra solo una vez, y cada pregunta agrega solo sus propios tokens de instrucción y opciones. Por lo tanto, cuando decenas de verificaciones necesiten leer el mismo archivo largo, resulta más económico que enviar el archivo repetidamente decenas de veces. El precio oficial es de $0.10 por millón de tokens de entrada, sin cargos por tokens de salida ni tarifas separadas para OCR o transcripción de audio.

Pero estas 1000 preguntas deben ser independientes entre sí. El modelo no permitirá que el segundo juicio lea el resultado del primer juicio. Si el flujo de trabajo es "primero determinar el tipo de documento, luego aplicar reglas de revisión diferentes según el tipo", los desarrolladores aún deben conectar manualmente ambos pasos en el código o llamar nuevamente a la API. También se necesitan modelos de generación o extracción de información cuando se requiere generar texto explicativo, extraer campos arbitrarios o redactar respuestas.

Gemini Decision 1 omite la decodificación token por token y califica todos los candidatos en un solo cálculo hacia adelante. Google indica que el tiempo de cálculo mediano del modelo es de 50 a 100 milisegundos, y la latencia de extremo a extremo, incluidos los servicios y la red, es de aproximadamente 150 a 250 milisegundos.

Las pruebas oficiales muestran que, con entradas multimodales de hasta 16,000 tokens, aumentar una sola solicitud de 1 pregunta a 100 preguntas mantiene la latencia基本平坦。En el mismo benchmark, se afirma que su costo es casi cinco veces menor que llamar a Gemini 3.5 Flash-Lite a través de la API de Interactions.

Estos números no se pueden extrapolar directamente a todos los casos. Aunque el modelo permite 256.000 tokens y 1.000 preguntas, Google no ha demostrado que se puedan utilizar simultáneamente ambos límites máximos y aún así completar la tarea en 250 milisegundos; los tiempos de carga de videos, audios y PDF grandes tampoco se incluyen en el tiempo de cálculo del modelo. La implementación real debe volver a medirse utilizando su propia longitud de archivo, cantidad de preguntas y ubicación de red.

Los clasificadores tradicionales suelen estar orientados a un formato de datos predefinido, mientras que Gemini Decision 1 puede leer simultáneamente texto, imágenes, audio, video y PDF en la misma solicitud.

La muestra oficial envió al modelo una foto de la encimera de la sala de descanso junto con una descripción textual, y preguntó tres cosas: si había líquidos sin limpiar, si se debía limpiar con un paño o llamar al personal de limpieza, y cuál era la gravedad de la situación. El modelo determinó que había un pequeño derrame, recomendó limpiar con un paño y proporcionó las probabilidades para cada opción.

Los desarrolladores también pueden reducir la resolución de imágenes o videos, sacrificando ciertos detalles para disminuir los tokens y los costos. Para reclamaciones, moderación de contenido, inspección de productos o reconocimiento de eventos en videos, esto es más fácil de implementar que ejecutar por separado OCR, reconocimiento de voz, modelos visuales y motores de reglas; sin embargo, un modelo unificado significa que, si este interpreta incorrectamente el contenido visual o auditivo, múltiples juicios posteriores podrían verse afectados simultáneamente.

Google afirma que Gemini Decision 1 lidera en benchmarks de enrutamiento, razonamiento, clasificación y comprensión multimodal, logrando el menor error de calibración. En comparaciones oficiales, el modelo alcanza un 92.2% en JevBench, por encima del 90.9% de GPT‑6 Luna y del 90.0% de Jev 1.14; el error de calibración es de 0.0250, aproximadamente la mitad del 0.0494 de Jev.

Pero no se lleva todos los honores. Jev obtuvo un 86.8% en la tarea de decisión de navegador Mind2Web Multimodal, ligeramente por encima del 86.2% de Gemini, y también lideró con un 82.0% frente al 79.9% de Gemini en When2Call, que evalúa cuándo llamar a una herramienta.

El Índice Independiente de Decisión de Análisis Artificial v2.1 otorga al Gemini Decision 1 una puntuación de aproximadamente 66, ocupando el puesto 9 entre 18 modelos de decisión. Encabeza la categoría de proyectos de conocimiento y razonamiento, pero en la prueba AA-Paperclip, que requiere comprender correctamente simultáneamente un currículum, una factura, un recibo o un artículo académico, solo el 33% de los documentos logran responder correctamente todas las preguntas; Drex Max v1.1 alcanza el 63%. En la prueba independiente When2Call, también se encuentra por detrás de Drex Max y Jev.

Esto indica que "calibración de confianza adecuada" y "cada juicio es el más preciso" no son lo mismo. Un modelo bien calibrado tiene una mejor comprensión de cuándo podría cometer errores, lo que facilita establecer umbrales para revisión humana; sin embargo, si la aplicación malinterpreta la alta confianza como una garantía de veracidad, aún podría ejecutar decisiones erróneas de forma automática.

Google ya utiliza esta API en varios productos. Gemini Notebook la usa para determinar qué modelo y qué nivel de intensidad de pensamiento deben procesar una consulta; la empresa afirma que reduce la latencia en hasta un 40% para consultas comunes; Stitch la utiliza para responder rápidamente a modificaciones de diseño generadas por voz o clics; CC de Google Labs selecciona reacciones de más de 200 emojis; y Google Search la coloca antes de invocar herramientas MCP para detectar comportamientos adversos y contenido peligroso.

Estos casos revelan su verdadera ubicación: no es la inteligencia que el usuario ve finalmente, sino el plano de control detrás del Agente. Los modelos generativos se encargan de escribir código, organizar lenguaje y resolver problemas abiertos; los modelos de decisión determinan qué llamar a continuación, si permitir la llamada, qué potencia de modelo se necesita y cuándo detener la automatización y transferir el control a una persona.

Este enfoque de división de tareas puede ser más adecuado que simplemente ampliar modelos generales para sistemas Agent a gran escala, ya que muchos pasos cotidianos no requieren “escribir mejor”, sino solo seleccionar ramas lo suficientemente rápidas, económicas y con probabilidad confiable.

Gemini Decision 1 actualmente está disponible a través del punto final `v1beta` de la API de Gemini Developer, y el soporte de Google Cloud aún se indica como "próximamente". Google no ha publicado el número de parámetros, los datos de entrenamiento, la potencia de cómputo de entrenamiento, la arquitectura específica ni la ficha del sistema completa, por lo que no se puede determinar si proviene de un modelo Gemini existente mediante distilación, ni verificar independientemente las afirmaciones de seguridad y datos en el nivel de entrenamiento.