Google DeepMind melancarkan Gemini Decision 1 untuk Pengambilan Keputusan Berasaskan Agen

Google DeepMind melancarkan Gemini Decision 1 dan API Decisions khas, cuba memisahkan pelbagai penilaian tertutup dalam sistem Agent—seperti “alat mana yang perlu dipanggil”, “adakah ia selaras dengan dasar”, “sepatutnya diberikan kepada model jenis apa”, dan “seberapa tinggi risikonya”—daripada model generatif umum. Pembangun boleh menghantar sekali gus sehingga 256.000 Token teks, gambar, audio, video, atau PDF, dan mengajukan sehingga 1.000 soalan yang saling bebas berdasarkan bahan yang sama; model tidak menghasilkan penjelasan perkataan demi perkataan, tetapi secara langsung memberikan kebarangkalian dan keyakinan untuk pilihan-pilihan tersebut dalam satu pengiraan maju. Google mengumumkan latensi end-to-end tipikal antara 150 hingga 250 milisaat, dengan harga $0.10 setiap juta Token input dan output percuma. Namun, data latensi ini terutamanya berasal dari ujian dengan tidak lebih daripada 16.000 Token dan sehingga 100 soalan, dan tidak membuktikan bahawa kelajuan yang sama akan dikekalkan apabila konteks penuh dan 1.000 soalan digunakan; penilaian bebas juga meletakkannya di tempat ke-9 di antara 18 model keputusan, menunjukkan bahawa penyesuaian dan kemampuan multimodalnya unggul, tetapi bukan juara komprehensif untuk semua tugas keputusan.

Penulis artikel, sumber: Google DeepMind

Sekarang, banyak agen walaupun hanya perlu menjawab "ya atau tidak", masih memanggil model generatif penuh. Model perlu membaca konteks, membuat inferens, dan mengeluarkan teks secara token demi token, kemudian aplikasi perlu menganalisis jawapan untuk mengekstrak nilai boolean atau kategori.

Cara ini fleksibel, tetapi sangat tidak efisien dalam alur kerja frekuensi tinggi. Seorang agen perkhidmatan pelanggan mungkin perlu menilai niat pengguna, risiko akaun, dasar yang berkenaan, kebenaran alat, antrian peningkatan, dan model respons secara berturut-turut; setiap langkah memanggil model generatif akan mengakumulasi latensi, kos, dan ralat penguraian format.

Gemini Decision 1 menggunakan pendekatan berbeza: pembangun menentukan jawapan calon yang terhad terlebih dahulu, dan model hanya bertanggungjawab untuk memberi skor kepada pilihan-pilihan ini. Ia bukan model perbualan, tidak menghasilkan penjelasan, dan lebih mirip lapisan pengelasan, pengurutan, dan penilaian strategi generik yang mampu memahami konteks panjang dan maklumat multimodal.

Google menyediakan tiga bentuk soalan:

• Penilaian “ya/tidak”, kembalikan kebarangkalian bahawa syarat dipenuhi;
• Pilih daripada 2 hingga 255 pilihan, dan kembalikan kebarangkalian dinormalisasi untuk setiap pilihan;
• Menilai mengikut skala tertib yang ditentukan sebelumnya, sambil mengembalikan kebarangkalian setiap peringkat dan skor tertimbang.

Setiap keputusan juga disertai dengan keyakinan antara 0 hingga 1. Aplikasi boleh menetapkan ambang: secara automatik melaksanakan apabila keyakinan tinggi, dan mengalihkan kepada model yang lebih kuat atau semakan manusia apabila keyakinan tidak mencukupi.blog.google

Satu permintaan boleh mengandungi sehingga 256,000 Token dan mengajukan 1,000 soalan berasingan terhadap input yang sama.

Sebagai contoh, syarikat insurans boleh menghantar satu bentuk tuntutan yang dipindai, gambar kerosakan di tempat kejadian, rakaman panggilan pelanggan, dan maklumat akaun secara serentak, kemudian meminta model untuk menilai sama ada dokumen tersebut lengkap, jenis kemalangan apa yang terlibat, adakah tanda penipuan, ke mana kumpulan yang patut dialokasikan, dan seberapa mendesak ia perlu diproses.

Bahan yang dibagi hanya dikenakan caj sekali, dan setiap soalan hanya menambahkan token arahan dan pilihan sendiri. Oleh itu, apabila puluhan pemeriksaan perlu membaca fail panjang yang sama, ia akan lebih ekonomik berbanding menghantar fail tersebut berulang-ulang puluhan kali. Harga rasmi ialah US$0.10 per juta token input, tanpa caj untuk token output, dan tiada caj tambahan untuk OCR atau transkripsi audio.

Tetapi 1000 soalan ini mesti berdiri sendiri. Model tidak akan membenarkan penilaian kedua membaca hasil penilaian pertama. Jika alur kerja adalah “terlebih dahulu menilai jenis dokumen, kemudian menggunakan peraturan pemeriksaan yang berbeza mengikut jenisnya”, pembangun masih perlu menghubungkan dua langkah ini dalam kod, atau memanggil API sekali lagi. Semasa perlu menghasilkan teks penerangan, mengekstrak medan apa sahaja, atau menulis respons, model penghasilan atau penarikan maklumat masih diperlukan.

Gemini Decision 1 melangkau dekod token demi token dan memberi skor kepada semua pilihan dalam satu pengiraan maju. Google menyatakan, masa pengiraan median model adalah antara 50 hingga 100 milisaat, dengan latensi end-to-end selepas termasuk perkhidmatan dan rangkaian adalah sekitar 150 hingga 250 milisaat.

Pengujian rasmi menunjukkan bahawa, pada input multimodal tidak melebihi 16,000 Token, dengan meningkatkan permintaan tunggal dari 1 soalan kepada 100 soalan, latensi kekal hampir rata. Dalam piawai yang sama, kosnya dikatakan lebih rendah hampir lima kali ganda berbanding pemanggilan melalui Interactions API untuk Gemini 3.5 Flash-Lite.

Nombor-nombor ini tidak boleh diextrapolasi secara langsung ke semua situasi. Walaupun model membenarkan 256,000 token dan 1,000 soalan, Google tidak membuktikan bahawa penggunaan kedua-dua had ini secara serentak masih boleh diselesaikan dalam 250 milisaat; masa muat naik video, audio, dan PDF yang besar juga tidak termasuk dalam masa pengiraan model. Penerapan sebenar mesti diukur semula menggunakan panjang fail, bilangan soalan, dan lokasi rangkaian sendiri.

Klasifier tradisional biasanya ditujukan kepada satu format data yang telah ditetapkan sebelumnya, manakala Gemini Decision 1 mampu membaca teks, gambar, audio, video, dan PDF secara serentak dalam satu permintaan.

Contoh rasmi menghantar gambar permukaan ruang minum dan keterangan teks, serta menanyakan tiga perkara: adakah cecair yang belum dibersihkan, sama ada perlu dilap atau memanggil pembersih, dan sejauh mana keseriusan situasi di tempat kejadian. Model menilai terdapat sedikit tumpahan, mencadangkan untuk dilap dengan kain, dan memberikan kebarangkalian setiap pilihan.

Pembangun juga boleh mengurangkan resolusi gambar atau video untuk mengurangkan Token dan caj dengan mengorbankan sebahagian butiran. Untuk tuntutan, pengesahan kandungan, pemeriksaan barangan, atau pengenalan peristiwa video, ia lebih mudah dibina berbanding menjalankan OCR, pengenalan suara, model visual, dan enjin peraturan secara berasingan; tetapi model seragam juga bermaksud bahawa sekiranya ia salah memahami kandungan visual atau suara, beberapa penilaian seterusnya mungkin dipengaruhi secara serentak.

Google menyatakan bahawa Gemini Decision 1 memimpin dalam piawai penerusan, penalaran, pengurutan, dan pemahaman multimodal, serta mencapai ralat kalibrasi terendah. Dalam perbandingan rasmi, model ini mencapai 92.2% di JevBench, lebih tinggi daripada 90.9% GPT‑6 Luna dan 90.0% Jev 1.14; ralat kalibrasi ialah 0.0250, kira-kira separuh daripada 0.0494 Jev.

Namun, ia tidak menguasai semua tugas. Jev mencapai 86.8% dalam tugas peramban Mind2Web Multimodal, sedikit lebih tinggi daripada Gemini yang mencapai 86.2%, dan juga memimpin Gemini dengan 82.0% berbanding 79.9% dalam When2Call untuk menentukan kapan memanggil alat.

Indeks Keputusan Analisis Buatan yang Berdiri Sendiri v2.1 memberi skor sekitar 66 kepada Gemini Decision 1, menempati tempat ke-9 di antara 18 model keputusan. Ia menduduki tempat pertama dalam kategori pengetahuan dan penalaran, tetapi hanya 33% dokumen yang menjawab semua soalan dengan betul dalam ujian AA‑Paperclip yang memerlukan pemahaman yang betul terhadap resume, invois, resit, atau tesis secara keseluruhan; Drex Max v1.1 mencapai 63%. Dalam ujian When2Call yang berdiri sendiri, ia juga ketinggalan daripada Drex Max dan Jev.

Ini menunjukkan bahawa "kepercayaan yang disesuaikan dengan baik" dan "setiap penilaian paling tepat" bukan perkara yang sama. Model yang disesuaikan dengan baik lebih jelas tentang kapan ia mungkin membuat kesilapan, yang berguna untuk menetapkan ambang semakan manusia; tetapi jika aplikasi salah menganggap keyakinan tinggi sebagai jaminan fakta, ia masih mungkin melaksanakan keputusan yang salah secara automatik.

Google telah menggunakan API ini dalam pelbagai produk. Gemini Notebook menggunakannya untuk menentukan sama ada soalan harus dihantar ke model mana dan kekuatan pemikiran apa, dengan pihak rasmi menyatakan bahawa latensi untuk soalan biasa boleh dikurangkan sehingga 40%; Stitch menggunakannya untuk memberikan respons pantas terhadap perubahan reka bentuk yang dihasilkan oleh suara atau klik; CC dari Google Labs memilih reaksi daripada lebih daripada 200 emoji; dan Google Search meletakkannya sebelum pemanggilan alat MCP untuk mengesan tingkah laku adversarial dan kandungan berbahaya.

Kes-kes ini mengungkapkan penempatan sebenarnya: ia bukan kecerdasan yang dilihat oleh pengguna pada akhirnya, tetapi platform kawalan yang berada di belakang Agent. Model generatif bertanggungjawab untuk menulis kod, mengatur bahasa, dan menyelesaikan masalah terbuka; model pengambilan keputusan bertanggungjawab untuk menentukan apa yang akan dipanggil seterusnya, sama ada membenarkan panggilan, kekuatan model yang diperlukan, serta kapan harus menghentikan automasi dan menyerahkan kepada manusia.

Pembahagian tugas ini mungkin lebih sesuai untuk sistem Agent berskala besar berbanding sekadar memperbesar model umum, kerana banyak langkah harian tidak memerlukan “penulisan yang lebih baik”, hanya perlu cukup pantas, murah, dan memilih cabang dengan kebolehpercayaan berdasarkan kebarangkalian.

Gemini Decision 1 kini disediakan melalui endpoint `v1beta` API Pembangun Gemini, dan sokongan Google Cloud masih ditandakan sebagai "akan datang". Google belum mengumumkan jumlah parameter, data latihan, kuasa komputasi latihan, arsitektur spesifik, atau kardinal sistem penuh, oleh itu tidak mungkin untuk menentukan sama ada ia dihasilkan daripada model Gemini yang sedia ada melalui distilasi, atau untuk mengesahkan secara bebas pernyataan keselamatan dan data pada tahap latihan.