Google DeepMind ने एजेंट-आधारित निर्णय लेने के लिए Gemini Decision 1 लॉन्च किया

Google DeepMind ने Gemini Decision 1 और एक विशिष्ट Decision API लॉन्च किया है, जिसका उद्देश्य Agent सिस्टम में बहुत सारे बंद निर्णय—जैसे "कौन सा टूल कॉल करें", "क्या यह नीति के अनुकूल है", "किस प्रकार के मॉडल को सौंपें", "जोखिम कितना है"—को जनरेटिव मॉडल से अलग करना है। डेवलपर्स एक ही सामग्री के आधार पर एक बार में अधिकतम 25.6 लाख Token (टेक्स्ट, इमेज, ऑडियो, वीडियो या PDF) सबमिट कर सकते हैं और उसी सामग्री पर अधिकतम 1000 स्वतंत्र प्रश्न पूछ सकते हैं; मॉडल शब्द-दर-शब्द व्याख्या नहीं बनाता, बल्कि एक ही फॉरवर्ड पास में ही संभाव्यता और आत्मविश्वास के स्तर को सीधे प्रदान करता है। Google द्वारा प्रकाशित औसत एंड-टू-एंड लेटेंसी 150 से 250 मिलीसेकंड है, और मूल्य 10 लाख इनपुट Token के लिए $0.10 है, जबकि आउटपुट मुफ्त है। हालाँकि, ये लेटेंसी डेटा मुख्यतः 1.6 लाख Token से कम और 100 प्रश्नों से कम के परीक्षण से प्राप्त हुए हैं, और पूर्ण कॉन्टेक्स्ट के साथ 1000 प्रश्नों के लिए समान गति का समर्थन करने का प्रमाण नहीं है; स्वतंत्र मूल्यांकनों में इसे 18 निर्णय मॉडलों में 9वें स्थान पर रखा गया है, जिससे पता चलता है कि इसकी कैलिब्रेशन और मल्टीमॉडल क्षमताएँ प्रमुख हैं, लेकिन सभी निर्णय कार्यों में समग्र रूप से सर्वश्रेष्ठ नहीं है।

लेखक, स्रोत: Google DeepMind

अभी कई एजेंट यहां तक कि केवल "हां या नहीं" का उत्तर देने के लिए भी पूर्ण जनरेटिव मॉडल का उपयोग करते हैं। मॉडल को संदर्भ पढ़ना, तर्क देना और टोकन द्वारा टेक्स्ट आउटपुट करना पड़ता है, और फिर एप्लिकेशन उत्तर से एक बूलियन या श्रेणी को पार्स करता है।

यह तरीका लचीला है, लेकिन उच्च आवृत्ति वाले कार्यप्रवाह में बहुत अपव्ययी है। एक कस्टमर सपोर्ट एजेंट को क्रमशः उपयोगकर्ता के इरादे, खाते के जोखिम, लागू नीतियों, उपकरणों के अधिकार, अपग्रेड कतार और प्रतिक्रिया मॉडल का निर्णय लेना पड़ सकता है; प्रत्येक चरण में जनरेटिव मॉडल को कॉल करने से देरी, लागत और प्रारूप विश्लेषण त्रुटियाँ जमा हो सकती हैं।

Gemini Decision 1 एक अलग दृष्टिकोण अपनाता है: डेवलपर पहले सीमित उम्मीदवार उत्तर परिभाषित करते हैं, और मॉडल केवल इन विकल्पों को स्कोर देने के लिए जिम्मेदार होता है। यह एक चैट मॉडल नहीं है, न ही यह व्याख्या तैयार करता है; यह लंबे संदर्भ और बहुआयामी जानकारी को समझने में सक्षम एक सामान्य वर्गीकरण, क्रमबद्धता और रणनीतिगत निर्णय स्तर के समान है।

Google तीन प्रश्न फॉर्मेट प्रदान करता है:

• "हां/नहीं" निर्णय, शर्त के पूरा होने की संभावना लौटाएं;
• 2 से 255 विकल्पों में से चुनें, और प्रत्येक विकल्प की सामान्यीकृत प्रायिकता लौटाएं;
• एक पूर्वनिर्धारित क्रमबद्ध स्केल पर स्कोर दें, जबकि प्रत्येक ग्रेड की संभावना और भारित स्कोर लौटाएं।

प्रत्येक परिणाम के साथ 0 से 1 के बीच एक आत्मविश्वास स्कोर होता है। ऐप सीमा निर्धारित कर सकता है: उच्च आत्मविश्वास पर स्वचालित रूप से कार्रवाई करें, कम आत्मविश्वास पर अधिक शक्तिशाली मॉडल या मानव समीक्षा के लिए स्थानांतरित करें।blog.google

एक अनुरोध में अधिकतम 256,000 टोकन शामिल हो सकते हैं और एक ही इनपुट के लिए 1,000 स्वतंत्र प्रश्न पूछे जा सकते हैं।

उदाहरण के लिए, बीमा कंपनियाँ एक साथ स्कैन किए गए दावा फॉर्म, स्थानीय क्षति की तस्वीरें, ग्राहक कॉल रिकॉर्डिंग और खाता विवरण प्रस्तुत कर सकती हैं, और मॉडल से यह निर्णय करने का अनुरोध कर सकती हैं कि क्या सामग्री पूर्ण है, यह किस प्रकार की घटना से संबंधित है, क्या धोखाधड़ी के संकेत हैं, इसे किस कतार में आवंटित किया जाना चाहिए, और इसे कितनी त्वरितता से संभाला जाना चाहिए।

शेयर किया गया सामग्री केवल एक बार शुल्क लिया जाता है, और प्रत्येक प्रश्न केवल अपने निर्देश और विकल्पों के Token जोड़ता है। इसलिए, जब कई जांचों को एक ही लंबी फ़ाइल पढ़नी होती है, तो इसे बार-बार फ़ाइल भेजने की तुलना में अधिक किफायती होता है। आधिकारिक मूल्य 1 मिलियन इनपुट Token के लिए $0.10 है, आउटपुट Token के लिए कोई शुल्क नहीं है, और कोई अलग OCR या ऑडियो ट्रांसक्रिप्शन शुल्क नहीं है।

लेकिन ये 1000 प्रश्न एक दूसरे से स्वतंत्र होने चाहिए। मॉडल दूसरे निर्णय को पहले निर्णय के परिणाम को पढ़ने नहीं देगा। यदि कार्यप्रवाह “पहले दस्तावेज़ प्रकार का निर्णय लें, फिर प्रकार के आधार पर अलग-अलग समीक्षा नियम लागू करें” है, तो विकासकर्ता को अभी भी कोड में दोनों चरणों को जोड़ना होगा, या API को फिर से कॉल करना होगा। जब व्याख्या लिखनी हो, कोई भी क्षेत्र निकालना हो, या प्रतिक्रिया लिखनी हो, तब भी अभी भी जनरेटिंग या सूचना निकालने वाले मॉडल की आवश्यकता होगी।

Gemini Decision 1 एकल फॉरवर्ड पास में सभी विकल्पों को स्कोर करता है, टोकन-दर-टोकन डिकोडिंग को छोड़कर। Google के अनुसार, मॉडल की माध्यमिक गणना समय 50 से 100 मिलीसेकंड है, और सेवा और नेटवर्क लेटेंसी सहित एंड-टू-एंड लेटेंसी लगभग 150 से 250 मिलीसेकंड है।

आधिकारिक परीक्षणों में देखा गया कि 16,000 टोकन से कम के मल्टीमॉडल इनपुट पर, एकल अनुरोध को एक प्रश्न से बढ़ाकर 100 प्रश्न करने पर लेटेंसी लगभग स्थिर रहती है। इसी बेंचमार्क में, इसकी लागत Interactions API के माध्यम से Gemini 3.5 Flash-Lite को कॉल करने की तुलना में लगभग पांच गुना कम होने का दावा किया गया है।

इन आंकड़ों को सभी स्थितियों में सीधे बाहर निकाला नहीं जा सकता। मॉडल 256,000 टोकन और 1,000 प्रश्नों की अनुमति देता है, लेकिन Google ने यह साबित नहीं किया है कि दोनों सीमाओं को एक साथ पूरी तरह से उपयोग करने पर भी प्रतिक्रिया 250 मिलीसेकंड में आएगी; बड़े वीडियो, ऑडियो और PDF के अपलोड का समय मॉडल की गणना समय में शामिल नहीं है। वास्तविक तैनाती के लिए आपको अपनी फ़ाइल लंबाई, प्रश्नों की संख्या और नेटवर्क स्थिति के साथ पुनः मापना होगा।

पारंपरिक वर्गीकर्ता आमतौर पर एक पूर्वनिर्धारित डेटा फॉर्मेट के लिए डिज़ाइन किए जाते हैं, जबकि Gemini Decision 1 एक ही अनुरोध में पाठ, चित्र, ऑडियो, वीडियो और PDF को साथ में पढ़ सकता है।

ऑफिशियल उदाहरण ने मॉडल को एक कॉफी ब्रेक एरिया की तालिका की तस्वीर और एक टेक्स्ट विवरण सबमिट किया, और तीन बातें पूछीं: क्या अनक्लीन तरल पदार्थ मौजूद है, क्या साफ करने के लिए एक कपड़ा इस्तेमाल करना चाहिए या सफाई कर्मचारी को बुलाना चाहिए, और स्थिति की गंभीरता क्या है। मॉडल ने निष्कर्ष निकाला कि कुछ मात्रा में बहाव हुआ है, सुझाव दिया कि एक कपड़े से साफ किया जाए, और प्रत्येक विकल्प की संभावना दी।

डेवलपर्स छवि या वीडियो की रिज़ॉल्यूशन को कम कर सकते हैं, जिससे कुछ विवरणों के बलिदान पर टोकन और शुल्क कम होते हैं। दावा, सामग्री समीक्षा, उत्पाद जांच या वीडियो घटना पहचान के लिए, इससे OCR, ध्वनि पहचान, दृश्य मॉडल और नियम इंजन को अलग-अलग चलाने की तुलना में इसे स्थापित करना आसान है; लेकिन एकीकृत मॉडल का अर्थ है कि यदि यह दृश्य या ध्वनि सामग्री को गलत समझता है, तो कई बाद के निर्णय एक साथ प्रभावित हो सकते हैं।

Google ने कहा कि Gemini Decision 1 रूटिंग, निष्कर्ष निकालने, क्रमबद्धता और बहुआयामी समझ के बेंचमार्क में अग्रणी प्रदर्शन करता है और सबसे कम कैलिब्रेशन त्रुटि प्राप्त करता है। इसकी आधिकारिक तुलना में, मॉडल JevBench पर 92.2% प्राप्त करता है, जो GPT‑6 Luna के 90.9% और Jev 1.14 के 90.0% से अधिक है; कैलिब्रेशन त्रुटि 0.0250 है, जो Jev की 0.0494 की लगभग आधी है।

लेकिन इसने सभी कार्यों को नहीं अपनाया। Jev, ब्राउज़र कार्य निर्णय Mind2Web Multimodal में 86.8% के साथ Gemini के 86.2% से थोड़ा आगे है, और जब उपकरणों को कॉल करना है इसका निर्णय When2Call पर 82.0% के साथ Gemini के 79.9% से आगे है।

स्वतंत्र Artificial Analysis Decision Index v2.1 ने Gemini Decision 1 को लगभग 66 अंक दिए, जो 18 निर्णय मॉडल में 9वें स्थान पर है। यह ज्ञान और तर्क वाले प्रकार के प्रोजेक्ट में पहले स्थान पर है, लेकिन AA-Paperclip परीक्षण में, जिसमें एक साथ रिज्यूमे, बिल, रसीद या पेपर को सही ढंग से समझने की आवश्यकता होती है, केवल 33% दस्तावेज़ में सभी प्रश्नों के उत्तर सही दिए गए; Drex Max v1.1 के 63% के मुकाबले। स्वतंत्र When2Call परीक्षण में, यह Drex Max और Jev से पीछे है।

यह बताता है कि "अच्छी तरह से समायोजित आत्मविश्वास" और "प्रत्येक निर्णय सबसे सटीक होना" एक ही बात नहीं है। समायोजित मॉडल अपनी त्रुटि के संभावित समय को अधिक स्पष्ट रूप से जानता है, जिससे मानव समीक्षा की सीमा निर्धारित करने में सहायता मिलती है; लेकिन यदि अनुप्रयोग गलती से उच्च आत्मविश्वास को तथ्य की गारंटी मान लेता है, तो फिर भी यह गलत निर्णय स्वचालित रूप से लागू कर सकता है।

Google ने इस API का उपयोग कई उत्पादों में किया है। Gemini Notebook इसका उपयोग यह निर्धारित करने के लिए करता है कि किस मॉडल और किस चिंतन तीव्रता को क्वेरी के लिए भेजा जाए, और आधिकारिक रूप से कहा गया है कि सामान्य क्वेरी की लेटेंसी में अधिकतम 40% की कमी हुई है; Stitch इसका उपयोग आवाज़ या क्लिक से उत्पन्न डिज़ाइन संशोधनों का त्वरित उत्तर देने के लिए करता है; Google Labs का CC 200 से अधिक इमोजी में से प्रतिक्रिया चुनता है; और Google Search इसे MCP टूल कॉल से पहले रखता है, ताकि प्रतिरोधी व्यवहार और खतरनाक सामग्री का पता लगाया जा सके।

ये मामले इसकी वास्तविक स्थिति को उजागर करते हैं: यह उपयोगकर्ता द्वारा अंततः देखा जाने वाला बुद्धिमानी नहीं है, बल्कि एजेंट के पीछे का कंट्रोल प्लेन है। जनरेटिव मॉडल कोड लिखने, भाषा को संगठित करने और खुले प्रश्नों को हल करने के लिए जिम्मेदार हैं; निर्णय मॉडल अगला कॉल क्या करना है, कॉल की अनुमति देनी है या नहीं, कितनी शक्तिशाली मॉडल की आवश्यकता है, और कब स्वचालन को रोककर मानव हस्तक्षेप के लिए सौंपना है, इसके लिए जिम्मेदार है।

इस विभाजन की तुलना में, बड़े स्केल Agent सिस्टम के लिए सामान्य मॉडल को बस बढ़ाना कम उपयुक्त हो सकता है, क्योंकि अधिकांश दैनिक चरणों को “बेहतर लिखने” की आवश्यकता नहीं होती, बल्कि पर्याप्त तेज़, सस्ते और प्रायिकता के आधार पर शाखा का सही चयन करने की आवश्यकता होती है।

Gemini Decision 1 वर्तमान में Gemini Developer API के `v1beta` एंडपॉइंट के माध्यम से उपलब्ध है, और Google Cloud समर्थन को "आगामी" के रूप में चिह्नित किया गया है। Google ने पैरामीटर संख्या, प्रशिक्षण डेटा, प्रशिक्षण कैलकुलेशन, विशिष्ट आर्किटेक्चर या पूर्ण सिस्टम स्पेसिफिकेशन को सार्वजनिक नहीं किया है, इसलिए यह निर्धारित नहीं किया जा सकता कि क्या यह मौजूदा Gemini मॉडल से डिस्टिलेट किया गया है, या प्रशिक्षण स्तर पर सुरक्षा और डेटा दावों की स्वतंत्र रूप से पुष्टि की जा सकती है।