Google DeepMind запускает Gemini Decision 1 для принятия решений на основе агентов

Google DeepMind представила Gemini Decision 1 и специализированный API Decisions, чтобы выделить из универсальных генеративных моделей множество закрытых суждений, таких как «какой инструмент вызвать», «соответствует ли это политике», «какой тип модели выбрать» и «насколько высок риск». Разработчики могут одновременно отправить до 256 000 токенов текста, изображений, аудио, видео или PDF и задать до 1000 независимых вопросов по одному и тому же материалу; модель не генерирует пошаговые объяснения, а сразу выдает вероятности и уровень уверенности для вариантов за один проход прямого распространения. Google сообщает типичную конечную задержку в диапазоне от 150 до 250 миллисекунд, стоимость — 0,10 доллара за миллион входных токенов, выходные данные бесплатно. Однако эти данные о задержке получены в основном при тестировании с объемом не более 16 000 токенов и максимум 100 вопросов, и не подтверждают сохранение такой же скорости при полном контексте и 1000 вопросах; независимые оценки поместили ее на 9-е место среди 18 моделей принятия решений, что указывает на выдающиеся способности к калибровке и мультимодальности, но не делает ее универсальным лидером по всем задачам принятия решений.

Автор статьи, источник: Google DeepMind

Сейчас многие агенты, даже если им нужно ответить только «да» или «нет», вызывают полные генеративные модели. Модели должны прочитать контекст, провести рассуждение и выводить текст по токенам, после чего приложение должно извлечь булево значение или категорию из ответа.

Этот подход гибок, но неэффективен в высокочастотных рабочих процессах. Агент поддержки может последовательно определять намерения пользователя, риски аккаунта, применимые политики, права доступа к инструментам, очередь повышения и модель ответа; каждый шаг вызывает модель генерации, что накапливает задержки, расходы и ошибки парсинга формата.

Gemini Decision 1 использует другой подход: разработчики сначала определяют ограниченный набор возможных ответов, а модель лишь оценивает эти варианты. Она не является чат-моделью, не создает объяснений и скорее представляет собой универсальный слой для классификации, ранжирования и стратегических решений, способный понимать длинный контекст и мультимодальную информацию.

Google предоставляет три формы вопросов:

• Оценка «да/нет», возвращающая вероятность выполнения условия;
• Выберите от 2 до 255 вариантов и верните нормализованные вероятности для каждого варианта;
• Оценка по заранее определённой упорядоченной шкале с возвратом вероятностей для каждого уровня и взвешенных баллов.

Каждый результат также сопровождается уровнем достоверности от 0 до 1. Приложение может задать порог: при высокой достоверности действие выполняется автоматически, при низкой — передаётся более мощной модели или на ручную проверку. blog.google

Один запрос может содержать до 256 000 токенов и включать до 1000 независимых вопросов к одному и тому же входу.

Например, страховая компания может одновременно отправить отсканированную форму претензии, фотографии повреждений на месте, аудиозапись разговора с клиентом и данные счета, а затем запросить у модели определить, полны ли материалы, к какому типу инцидента они относятся, есть ли признаки мошенничества, в какой очереди их следует разместить и насколько срочно их необходимо обработать.

Общие материалы оплачиваются только один раз, а каждый вопрос добавляет только свои собственные токены инструкций и вариантов ответа. Таким образом, когда десятки проверок должны прочитать один и тот же длинный файл, это будет экономически выгоднее, чем отправлять файл десятки раз повторно. Официальная цена составляет 0,10 доллара США за миллион входящих токенов, оплата за выходящие токены не взимается, а также отсутствуют отдельные сборы за OCR или транскрипцию аудио.

Но эти 1000 вопросов должны быть независимы друг от друга. Модель не позволит второму суждению прочитать результат первого суждения. Если рабочий процесс состоит в том, чтобы «сначала определить тип документа, а затем применить различные правила проверки в зависимости от типа», разработчику все равно необходимо связать эти два шага в коде или снова вызвать API. При необходимости сгенерировать пояснительный текст, извлечь произвольные поля или составить ответ также потребуются модели генерации или извлечения информации.

Gemini Decision 1 пропускает посимвольное декодирование и оценивает все варианты за один проход вперёд. Google сообщает, что медианное время вычислений модели составляет от 50 до 100 миллисекунд, а общая задержка, включая сервисные и сетевые компоненты, составляет около 150–250 миллисекунд.

Официальные тесты показывают, что при многомодальном вводе до 16 000 токенов увеличение количества запросов с одного до 100 не приводит к значительному увеличению задержки. При том же базовом тесте стоимость, как утверждается, почти в пять раз ниже, чем при вызове Gemini 3.5 Flash-Lite через Interactions API.

Эти цифры нельзя напрямую экстраполировать на все случаи. Хотя модель позволяет использовать до 256 000 токенов и 1000 вопросов, Google не доказал, что одновременное использование обоих пределов обеспечит выполнение за 250 миллисекунд; время загрузки больших видео, аудио и PDF-файлов не включено в время вычислений модели. При реальном развертывании необходимо повторно измерить с учетом собственной длины файлов, количества вопросов и сетевого расположения.

Традиционные классификаторы обычно ориентированы на один заранее фиксированный формат данных, тогда как Gemini Decision 1 может одновременно обрабатывать текст, изображения, аудио, видео и PDF в одном запросе.

Официальный пример отправил модели фотографию поверхности в комнате для перерывов и текстовое пояснение, одновременно задав три вопроса: присутствуют ли неподчищенные жидкости, следует ли протереть поверхность или вызвать уборщика, и какова степень серьезности ситуации. Модель определила небольшое пролитие, рекомендовала протереть тряпкой и указала вероятности для каждого варианта.

Разработчики также могут снизить разрешение изображений или видео, чтобы уменьшить количество токенов и расходы за счет потери части деталей. Для обработки претензий, модерации контента, проверки товаров или распознавания событий на видео это проще реализовать, чем запускать OCR, распознавание речи, компьютерное зрение и правила отдельно; однако единая модель означает, что если она неверно интерпретирует визуальное или аудио содержимое, это может одновременно повлиять на несколько последующих решений.

Google сообщает, что Gemini Decision 1 демонстрирует лучшие результаты в тестах по маршрутизации, выводам, ранжированию и многомодальному пониманию, а также показывает наименьшую ошибку калибровки. В официальном сравнении модель достигла 92,2% на JevBench, что выше, чем 90,9% у GPT‑6 Luna и 90,0% у Jev 1.14; ошибка калибровки составила 0,0250 — примерно вдвое меньше, чем у Jev (0,0494).

Он не охватывает все задачи. Jev показал результат 86,8% в задаче принятия решений в браузере Mind2Web Multimodal, немного превзойдя Gemini с 86,2%, и также опередил Gemini с 82,0% против 79,9% в задаче When2Call по определению времени вызова инструментов.

Независимый индекс искусственного анализа решений v2.1 получил около 66 баллов для Gemini Decision 1, заняв 9-е место среди 18 моделей принятия решений. Он занимает первое место в категориях знаний и рассуждений, однако в тесте AA‑Paperclip, требующем одновременно правильно понять весь резюме, счет или документ, только 33% документов были полностью правильно ответлены; у Drex Max v1.1 — 63%. В независимом тесте When2Call он также отстает от Drex Max и Jev.

Это означает, что «хорошая калибровка уверенности» и «каждое суждение максимально точно» — это не одно и то же. Хорошо калиброванная модель лучше понимает, когда она может ошибаться, что помогает установить порог для ручной проверки; однако, если приложение ошибочно принимает высокую уверенность за гарантию истинности, оно все еще может автоматически принимать неверные решения.

Google уже использует этот API в нескольких продуктах. Gemini Notebook применяет его для определения, какая модель и какой уровень мышления должны обработать запрос; официально заявлено, что задержка при обычных запросах снижается до 40%; Stitch использует его для быстрого реагирования на изменения дизайна, вызванные голосовыми командами или кликами; CC от Google Labs выбирает реакции из более чем 200 эмодзи; Google Search размещает его перед вызовом инструментов MCP для обнаружения враждебных действий и опасного контента.

Эти примеры раскрывают его истинную суть: это не интеллект, который видят пользователи в конечном итоге, а управляющая плоскость, расположенная за агентом. Модели генерации отвечают за написание кода, организацию языка и решение открытых задач; модели принятия решений отвечают за определение следующего вызова, разрешение вызова, необходимую мощность модели и момент, когда следует остановить автоматизацию и передать управление человеку.

Такое распределение обязанностей может быть более подходящим для масштабных систем агентов, чем простое расширение универсальных моделей, поскольку множество повседневных шагов не требуют «лучшего письма», а лишь достаточно быстрого, дешевого и вероятностно надежного выбора ветвей.

Gemini Decision 1 в настоящее время доступен через API-конечную точку `v1beta` Gemini Developer API, а поддержка Google Cloud по-прежнему помечена как «в разработке». Google не раскрыла количество параметров, обучающие данные, вычислительные ресурсы для обучения, конкретную архитектуру или полные системные характеристики, поэтому невозможно определить, является ли он результатом дистилляции существующих моделей Gemini, а также невозможно независимо проверить утверждения о безопасности и данных на уровне обучения.