Ipinaglunsad ng Google DeepMind ang Gemini Decision 1 para sa pagdedesisyon batay sa agent

Ipinakilala ng Google DeepMind ang Gemini Decision 1 at ang espesyal na Decisions API upang hiwalayin ang maraming saradong pagpapasya sa Agent system—tulad ng “alin sa mga tool ang dapat gamitin,” “tama ba ito sa patakaran,” “kailan ang dapat i-assign sa uri ng modelo,” at “gaano kalaki ang panganib”—mula sa pangkalahatang generative model. Maaaring ipasa ng mga developer ang pinakamaraming 256,000 Token ng teksto, larawan, audio, video, o PDF, at magtanong ng pinakamaraming 1,000 na magkakaibang tanong batay sa parehong materyal; hindi gumagawa ang modelo ng mga paliwanag na batay sa bawat salita, kundi direktang ibinibigay ang mga probabilidad at antas ng kumpiyansa para sa bawat opsyon sa isang solong forward pass. Ang ipinakita ng Google bilang karaniwang end-to-end latency ay 150 hanggang 250 mili segundo, at ang presyo ay $0.10 bawat milyong input Token, libreng output. Gayunpaman, ang mga datos sa latency na ito ay pangunahing batay sa mga pagsusulit na may hindi hihigit sa 16,000 Token at pinakamaraming 100 tanong, at hindi ito nagpapatotoo na magkakaroon pa rin ng parehong bilis kung ang konteksto ay puno at may 1,000 tanong; ang mga independiyenteng pagsusuri ay isinayos ito sa ika-9 sa mga 18 na modelo ng pagpapasya, na nagpapakita na ang pagkakatugma at kakayahang multimodal nito ay malakas, ngunit hindi ito ang pangkalahatang champion sa lahat ng gawain ng pagpapasya.

May-akda ng artikulo, pinagkukunan: Google DeepMind

Kasalukuyang gumagamit ng buong generative model ang maraming Agent, kahit na kailangan lang nilang sagutin ang “oo” o “hindi”. Kailangan ng model na basahin ang konteksto, mag-isip, at maglabas ng bawat token nang isa-isa, at pagkatapos ay i-parse ng aplikasyon ang isang boolean o kategorya mula sa sagot.

Ang paraan na ito ay fleksible, ngunit masyadong nagwawala sa mga mataas na agwat ng trabaho. Maaaring kailanganin ng isang customer service agent na sunud-sunod na matukoy ang intensyon ng user, panganib ng account, angkop na patakaran, mga pagsasagawa ng kasangkapan, queue ng pagtaas, at modelo ng pagpapalit; bawat hakbang ay nagtatawag sa modelong panglikha, na nagdudulot ng akumulasyon ng delay, gastos, at mga error sa pagpapalit ng anyo.

Ang Gemini Decision 1 ay gumagamit ng iba't ibang pagkakaintindi: una ay tinutukoy ng mga developer ang limitadong mga kandidatong sagot, at ang modelo ay naglalayong magbigay ng puntos sa mga opsyong ito. Hindi ito isang chat model, at hindi ito naglalikha ng paliwanag; mas malapit ito sa isang pangkalahatang layer para sa paghahati, pag-uuri, at paggawa ng desisyon na nakakaintindi ng mahabang konteksto at maraming modalidad.

Binibigyan ka ng Google ng tatlong uri ng tanong:

• “Oo／Hindi” na pagtataya, ibalik ang posibilidad na matupad ang kondisyon;
• Pumili mula sa 2 hanggang 255 na opsyon, at ibalik ang normalized probability ng bawat opsyon;
• Iskwalipikasyon gamit ang naka-ayos na iskala na nakadefinido, kasama ang pagbabalik ng bawat antas na probabilidad at weighted score.

Ang bawat resulta ay may kumpiyansa na halaga mula sa 0 hanggang 1. Ang aplikasyon ay maaaring magtakda ng threshold: awtomatikong i-execute kapag mataas ang kumpiyansa, at i-transfer sa mas malakas na modelo o tao para sa pagsusuri kapag kulang ang kumpiyansa. blog.google

Maaaring maglaman ng higit sa 256,000 Token ang isang kahilingan, at maaaring magtanong ng 1,000 mga hiwalay na tanong batay sa iisang input.

Halimbawa, maaaring ipasa ng isang insurance company ang isang scanned claim form, mga litrato ng pinsala sa lugar, recording ng tawag mula sa customer, at mga detalye ng account, at hilingin ang model na masuri kung ang mga materyales ay kumpleto, anong uri ng aksidente ito, kung mayroon bang mga signal ng fraud, kung saan na queue ito dapat ma-assign, at kung gaano kahalaga ang pagtrato nito.

Ang mga shared material ay babayaran lamang ng isang beses, at bawat tanong ay dagdag lamang ng sarili nitong mga token ng utos at mga opsyon. Kaya, kapag kailangan ng ilang dekada na pag-check na basahin ang parehong mahabang file, mas mura ito kaysa magpadala ng file nang maraming beses. Ang opisyal na presyo ay $0.10 bawat milyong input token, walang bayad para sa output token, at walang hiwalay na bayad para sa OCR o audio transcription.

Ngunit ang 1,000 na tanong ay dapat magkakahiwalay sa isa’t isa. Ang modelo ay hindi magpapahintulot na basahin ng pangalawang pagtataya ang resulta ng unang pagtataya. Kung ang workflow ay “unang i-tataya ang uri ng dokumento, pagkatapos ay gamitin ang iba’t ibang patakaran sa pagsusuri batay sa uri,” ang mga developer ay kailangan pa ring i-link ang dalawang hakbang sa code, o muli pang i-call ang API. Kapag kailangan ng pagbuo ng paliwanag, pagkuha ng anumang field, o pagsulat ng sagot, kailangan pa rin ng modelong pagbuo o pagkuha ng impormasyon.

Ang Gemini Decision 1 ay naglalaktaw sa pag-decode ng bawat Token at direktang nagpapahalaga sa lahat ng mga opsyon sa isang pagsasagawa ng forward pass. Sinasabi ng Google na ang median na oras ng pagkalkula ng modelo ay 50 hanggang 100 milisegundo, at ang end-to-end latency ay humigit-kumulang 150 hanggang 250 milisegundo kasama ang serbisyo at network na mga bahagi.

Ayon sa opisyal na pagsubok, sa mga multi-modal input na hindi hihigit sa 16,000 na Token, ang pagpapataas ng isang request mula sa isang tanong patungo sa 100 ay nagpanatili ng halos patag na latency. Sa parehong benchmark, ang gastos ay sinasabing mas mababa ng halos limang beses kaysa sa paggamit ng Interactions API para sa Gemini 3.5 Flash-Lite.

Hindi direktang maipapalawak ang mga numero na ito sa lahat ng sitwasyon. Bagaman pinapayagan ng modelo ang 256,000 na Token at 1,000 na tanong, hindi patunay ng Google na maaari itong gawin nang sabay-sabay sa loob ng 250 milyosekundo; hindi kasama sa oras ng modelo ang pag-upload ng malalaking video, audio, at PDF. Dapat mong muli pang-matukoy ang iyong sariling haba ng file, bilang ng tanong, at lokasyon ng network sa praktikal na pag-deploy.

Ang mga tradisyonal na classifier ay karaniwang nakatuon sa isang nakapre-agap na anyo ng data, habang ang Gemini Decision 1 ay kayang magbasa nang sabay-sabay ng teksto, larawan, audio, video, at PDF sa isang parehong hiling.

Sumubmit ng opisyal na halimbawa ang isang litrato ng ibabaw ng table sa kitchen area at isang paliwanag, at tinanong ang tatlong bagay: mayroon bang natirang likido, dapat iwipe o i-call ang cleaning staff, at ano ang antas ng seriedad sa lugar. Pinagtanto ng modelo na may kaunting nabasag, inirerekomenda na iwipe gamit ang tela, at ibinigay ang probabilidad para sa bawat opsyon.

Ang mga developer ay maaari ring bawasan ang resolusyon ng imahe o video upang mabawasan ang mga token at bayarin sa pamamagitan ng pagkawala ng ilang detalye. Para sa mga claim, pag-aayos ng nilalaman, pagsusuri ng produkto, o pagkilala sa mga pangyayari sa video, mas madali itong itayo kaysa sa pagpapatakbo ng OCR, voice recognition, visual models, at rule engine nang hiwalay; ngunit ang pagkakaroon ng iisang modelo ay nangangahulugan na kung mali ang pag-unawa nito sa visual o audio na nilalaman, maaaring maapektuhan nang sabay-sabay ang mga susunod na pagpapasya.

Sinabi ng Google na ang Gemini Decision 1 ay nangunguna sa mga benchmark para sa routing, reasoning, sorting, at multi-modal understanding, at nakamit ang pinakamababang calibration error. Sa kanilang opisyal na paghahambing, ang model ay nakakuha ng 92.2% sa JevBench, mas mataas kaysa sa 90.9% ng GPT‑6 Luna at 90.0% ng Jev 1.14; ang calibration error ay 0.0250, halos kalahati ng 0.0494 ng Jev.

Ngunit hindi ito nagtatapos sa lahat ng gawain. Nakamit ni Jev ang 86.8% sa browser task decision na Mind2Web Multimodal, na kaunti lang ang nangunguna sa 86.2% ng Gemini, at 82.0% sa When2Call para sa pagpapasya kung kailan gamitin ang mga tool, na nangunguna sa 79.9% ng Gemini.

Ang independiyenteng Artificial Analysis Decision Index v2.1 ay nagbigay ng 66 puntos sa Gemini Decision 1, at nasa ika-9 na pwesto sa pagitan ng 18 na modelo ng desisyon. Nakakuha ito ng unang pwesto sa mga kategorya ng kaalaman at pag-iisip, ngunit sa AA‑Paperclip test na nangangailangan ng tamang pag-unawa sa buong resume, invoice, receipt, o papel, only 33% ng mga dokumento ang nakakasagot nang tama sa lahat ng tanong; ang Drex Max v1.1 ay may 63%. Sa independiyenteng When2Call test, mas mababa rin ito kaysa sa Drex Max at Jev.

Ito ay nagpapakita na ang "mabuting pagkakalat ng tiwala" at "ang bawat pagpapasya ay pinakatumpak" ay hindi iisang bagay. Ang mga modelong may mabuting pagkakalat ay mas malinaw kung kailan posibleng mali, na nakakatulong sa pagtatakda ng antas ng pagsusuri ng tao; ngunit kung mali ang paggamit nito at isinasaalang-alang ang mataas na tiwala bilang garantiya ng katotohanan, maaari pa ring maipatupad ang maling desisyon.

Ginamit na ng Google ang API na ito sa maraming produkto. Ginagamit ng Gemini Notebook ito upang matukoy kung aling model at anong antas ng pag-iisip ang dapat gamitin para sa bawat query, at sinasabi ng opisyal na bawasan ng hanggang 40% ang latency para sa karaniwang query; Ginagamit ng Stitch ito upang mabilis na tumugon sa mga pagbabago sa disenyo na nagmumula sa boses o pag-click; Ginagamit ng CC sa Google Labs ito upang piliin ang reaksyon mula sa higit sa 200 na emoji; at ginagamit ng Google Search ito bago ang pagtawag sa mga kasangkapan ng MCP upang masuri ang mga mapanganib na pagkilos at nilalaman.

Nilalahat ng mga kaso na ito ang totoong posisyon nito: hindi ito ang inteligensya na nakikita ng user sa huli, kundi ang control plane na nasa likod ng Agent. Ang generation model ang responsable sa pagsulat ng code, pag-organisa ng wika, at paglutas ng mga bukas na problema; ang decision model naman ang responsable sa pagpapasya kung ano ang susunod na tawagin, kung papayagan ang tawag, kailangan ng anong lakas ng model, at kailan dapat ipaghinto ang automation at ipasa sa tao.

Ang pagkakahati ng mga gawain ay maaaring mas angkop para sa malalaking sistemang Agent kaysa sa pagpapalawak lamang ng pangkalahatang modelo, dahil ang maraming araw-araw na hakbang ay hindi kailangan ng “mas magaling sa pagsulat,” kundi kailangan lamang ng sapat na bilis, kagastosan, at tiyak na probabilidad sa pagpili ng tamang sangay.

Ang Gemini Decision 1 ay kasalukuyang available sa pamamagitan ng `v1beta` endpoint ng Gemini Developer API, at ang suporta sa Google Cloud ay nakalista pa rin bilang "Paparating". Walang pampublikong impormasyon mula sa Google tungkol sa bilang ng mga parameter, training data, training compute, partikular na arkitektura, o kompletong system card, kaya hindi maaaring masuri kung ito ay isang distilled na bersyon ng umiiral na Gemini model, o kung ang mga pahayag sa seguridad at data sa antas ng pagtuturo ay maaaring malutas nang independiyente.