Google DeepMind Meluncurkan Gemini Decision 1 untuk Pengambilan Keputusan Berbasis Agen

Google DeepMind meluncurkan Gemini Decision 1 dan API Decisions khusus, berusaha memisahkan sejumlah penilaian tertutup dalam sistem Agent—seperti "alat mana yang harus dipanggil", "apakah sesuai kebijakan", "ke model jenis mana seharusnya dialokasikan", dan "seberapa tinggi risikonya"—dari model generatif umum. Pengembang dapat mengirimkan hingga 256.000 Token teks, gambar, audio, video, atau PDF sekaligus, dan mengajukan hingga 1.000 pertanyaan independen terkait materi yang sama; model tidak menghasilkan penjelasan kata demi kata, tetapi langsung memberikan probabilitas dan tingkat kepercayaan untuk setiap pilihan dalam satu perhitungan forward. Google mengumumkan latensi end-to-end tipikal sebesar 150 hingga 250 milidetik, dengan harga $0,10 per juta Token masukan dan output gratis. Namun, data latensi ini terutama berasal dari pengujian dengan konteks tidak lebih dari 16.000 Token dan maksimal 100 pertanyaan, sehingga belum membuktikan bahwa kecepatan yang sama dapat dipertahankan saat konteks penuh dan 1.000 pertanyaan; penilaian independen juga menempatkannya di peringkat ke-9 dari 18 model keputusan, menunjukkan bahwa kemampuan kalibrasi dan multimodalnya unggul, tetapi bukan juara komprehensif untuk semua tugas keputusan.

Penulis artikel, sumber: Google DeepMind

Saat ini, banyak Agent bahkan ketika hanya perlu menjawab "ya atau tidak", tetap memanggil model generasi lengkap. Model perlu membaca konteks, melakukan penalaran, dan menghasilkan teks secara token per token, setelah itu aplikasi harus mengekstrak nilai boolean atau kategori dari jawaban tersebut.

Cara ini fleksibel, tetapi sangat boros dalam alur kerja frekuensi tinggi. Seorang agen layanan pelanggan mungkin perlu secara berurutan menilai niat pengguna, risiko akun, kebijakan yang berlaku, izin alat, antrian peningkatan, dan model respons; setiap langkah memanggil model generatif, yang akan menumpuk latensi, biaya, dan kesalahan parsing format.

Gemini Decision 1 menggunakan pendekatan berbeda: pengembang terlebih dahulu menentukan sejumlah jawaban kandidat terbatas, dan model hanya bertugas memberi skor pada pilihan-pilihan tersebut. Ini bukan model obrolan, tidak membuat penjelasan, dan lebih mirip lapisan klasifikasi, peringkat, dan penilaian strategis umum yang mampu memahami konteks panjang dan informasi multimodal.

Google menyediakan tiga bentuk pertanyaan:

• Pernyataan “ya/tidak”, kembalikan probabilitas kondisi terpenuhi;
• Pilih dari 2 hingga 255 opsi, dan kembalikan probabilitas ternormalisasi untuk setiap opsi;
• Berikan penilaian berdasarkan skala terurut yang telah ditentukan sebelumnya, sambil mengembalikan probabilitas masing-masing tingkat dan skor terbobot.

Setiap hasil juga dilengkapi dengan tingkat kepercayaan antara 0 hingga 1. Aplikasi dapat menetapkan ambang batas: otomatis mengeksekusi saat tingkat kepercayaan tinggi, dan dialihkan ke model yang lebih kuat atau tinjauan manusia jika tingkat kepercayaan rendah. blog.google

Satu permintaan dapat berisi hingga 256.000 token dan mengajukan 1.000 pertanyaan independen untuk input yang sama.

Misalnya, perusahaan asuransi dapat secara bersamaan mengirimkan formulir klaim yang dipindai, foto kerusakan di lokasi, rekaman percakapan pelanggan, dan data akun, lalu meminta model untuk menilai apakah dokumen lengkap, termasuk jenis kecelakaan apa, apakah ada sinyal penipuan, ke tim mana seharusnya dialokasikan, dan seberapa mendesak penanganannya.

Bahan yang dibagikan hanya dikenakan biaya sekali, dan setiap pertanyaan hanya menambahkan token instruksi dan opsi pilihan sendiri. Oleh karena itu, ketika puluhan pemeriksaan perlu membaca file panjang yang sama, ini akan lebih hemat daripada mengirim ulang file tersebut puluhan kali. Harga resmi adalah $0,10 per juta token masukan, tanpa biaya untuk token keluaran, dan tanpa biaya terpisah untuk OCR atau transkripsi audio.

Namun, 1000 pertanyaan ini harus saling independen. Model tidak akan membiarkan penilaian kedua membaca hasil penilaian pertama. Jika alur kerja adalah “terlebih dahulu menilai jenis dokumen, lalu menerapkan aturan pemeriksaan berbeda berdasarkan jenisnya”, pengembang tetap perlu menghubungkan kedua langkah ini dalam kode, atau memanggil API lagi. Saat perlu menghasilkan teks penjelasan, mengekstrak bidang apa pun, atau menulis respons, tetap diperlukan model generatif atau ekstraksi informasi.

Gemini Decision 1 melewati decoding token per token, langsung memberi skor untuk semua kandidat dalam satu perhitungan forward. Google menyatakan bahwa waktu komputasi median model adalah 50 hingga 100 milidetik, dengan latensi end-to-end setelah mencakup layanan dan jaringan sekitar 150 hingga 250 milidetik.

Uji coba resmi menunjukkan bahwa pada input multimodal hingga 16.000 Token, meningkatkan permintaan tunggal dari 1 pertanyaan menjadi 100 pertanyaan, latensi tetap stabil. Dalam benchmark yang sama, biayanya diklaim hampir lima kali lebih rendah dibandingkan memanggil Gemini 3.5 Flash-Lite melalui API Interactions.

Angka-angka ini tidak dapat secara langsung diperluas ke semua situasi. Meskipun model mengizinkan 256.000 token dan 1.000 pertanyaan, Google belum membuktikan bahwa penggunaan maksimum kedua batas tersebut secara bersamaan masih dapat diselesaikan dalam 250 milidetik; waktu unggah video, audio, dan PDF berukuran besar juga tidak termasuk dalam waktu komputasi model. Penerapan aktual harus mengukur ulang menggunakan panjang file, jumlah pertanyaan, dan lokasi jaringan Anda sendiri.

Klasifier tradisional biasanya dirancang untuk satu format data yang telah ditentukan sebelumnya, sedangkan Gemini Decision 1 dapat membaca teks, gambar, audio, video, dan PDF secara bersamaan dalam satu permintaan.

Contoh resmi mengirimkan foto permukaan meja dapur dan keterangan teks ke model, sekaligus menanyakan tiga hal: apakah ada cairan yang belum dibersihkan, apakah perlu diseka atau memanggil petugas kebersihan, dan seberapa serius situasi di lokasi. Model menyimpulkan ada tumpahan kecil, menyarankan untuk menyeka dengan kain, dan memberikan probabilitas untuk setiap pilihan.

Pengembang juga dapat menurunkan resolusi gambar atau video, mengorbankan sebagian detail untuk mengurangi token dan biaya. Untuk klaim, moderasi konten, pemeriksaan produk, atau pengenalan peristiwa video, ini lebih mudah dibangun daripada menjalankan OCR, pengenalan suara, model visual, dan mesin aturan secara terpisah; namun, model terpadu juga berarti bahwa jika model salah memahami konten visual atau suara, beberapa penilaian berikutnya dapat terpengaruh secara bersamaan.

Google menyatakan bahwa Gemini Decision 1 unggul dalam benchmark routing, reasoning, ranking, dan multimodal understanding, serta mencapai kesalahan kalibrasi terendah. Dalam perbandingan resminya, model ini mencapai 92,2% di JevBench, lebih tinggi daripada GPT‑6 Luna yang mencapai 90,9% dan Jev 1.14 yang mencapai 90,0%; kesalahan kalibrasi sebesar 0,0250, sekitar setengah dari 0,0494 milik Jev.

Namun, ia tidak menguasai semua tugas. Jev memperoleh skor 86,8% dalam tugas keputusan browser Mind2Web Multimodal, sedikit lebih tinggi daripada Gemini yang mencapai 86,2%, serta unggul 82,0% dibandingkan Gemini sebesar 79,9% dalam When2Call, yaitu penilaian kapan harus memanggil alat.

Independent Artificial Analysis Decision Index v2.1 memberikan skor sekitar 66 untuk Gemini Decision 1, menempati peringkat ke-9 di antara 18 model keputusan. Ia menduduki peringkat pertama dalam kategori pengetahuan dan penalaran, namun hanya 33% dokumen yang berhasil menjawab semua pertanyaan dengan benar dalam tes AA-Paperclip yang memerlukan pemahaman yang tepat terhadap seluruh resume, faktur, tanda terima, atau makalah; Drex Max v1.1 mencapai 63%. Dalam tes Independent When2Call, ia juga kalah dari Drex Max dan Jev.

Ini menunjukkan bahwa "kalibrasi kepercayaan yang baik" dan "setiap penilaian paling akurat" bukanlah hal yang sama. Model yang dikalibrasi dengan baik lebih jelas tentang kapan kemungkinan salah, yang bermanfaat untuk menetapkan ambang batas tinjauan manusia; namun, jika aplikasi salah menganggap kepercayaan tinggi sebagai jaminan fakta, tetap mungkin melakukan keputusan otomatis yang salah.

Google telah menggunakan API ini di beberapa produk. Gemini Notebook menggunakannya untuk menentukan pertanyaan mana yang harus diberikan ke model mana dan seberapa intensif pemikirannya; secara resmi dikatakan bahwa latensi untuk pertanyaan biasa dapat berkurang hingga 40%; Stitch menggunakannya untuk merespons perubahan desain yang dihasilkan oleh suara atau klik; CC dari Google Labs memilih reaksi dari lebih dari 200 emoji; dan Google Search menempatkannya sebelum pemanggilan alat MCP untuk mendeteksi perilaku adversarial dan konten berbahaya.

Contoh-contoh ini mengungkapkan posisi sebenarnya: bukan kecerdasan yang dilihat pengguna akhir, melainkan lapisan kendali di belakang Agent. Model generatif bertanggung jawab untuk menulis kode, mengatur bahasa, dan menyelesaikan masalah terbuka; model keputusan bertanggung jawab untuk menentukan apa yang akan dipanggil selanjutnya, apakah panggilan diizinkan, kekuatan model yang diperlukan, serta kapan harus menghentikan otomatisasi dan menyerahkan kepada manusia.

Pembagian tugas ini mungkin lebih cocok untuk sistem Agent skala besar daripada sekadar memperbesar model umum, karena sejumlah langkah sehari-hari tidak memerlukan “lebih pandai menulis”, cukup cepat, murah, dan secara probabilitas dapat memilih cabang yang benar.

Gemini Decision 1 saat ini tersedia melalui endpoint `v1beta` dari Gemini Developer API, dan dukungan Google Cloud masih ditandai sebagai "akan datang". Google belum mengungkapkan jumlah parameter, data pelatihan, daya komputasi pelatihan, arsitektur spesifik, atau kartu sistem lengkap, sehingga tidak dapat ditentukan apakah itu berasal dari distilasi model Gemini yang ada, atau diverifikasi secara independen terkait pernyataan keamanan dan data pada tingkat pelatihan.