Google DeepMind запускає Gemini Decision 1 для прийняття рішень на основі агентів

Google DeepMind запускає Gemini Decision 1 та спеціалізований API Decisions, щоб вивести з загальних генеративних моделей велику кількість закритих суджень, таких як «який інструмент викликати?», «чи відповідає це політиці?», «якій категорії моделей передати?», «який рівень ризику?». Розробники можуть одночасно надіслати до 256 000 токенів тексту, зображень, аудіо, відео або PDF-файлів та поставити до 1000 взаємно незалежних питань щодо одного й того ж матеріалу; модель не генерує пояснення слово за словом, а замість цього за один прямий прохід безпосередньо надає ймовірності та рівень впевненості для кожного варіанту. Google оголосила типову кінцеву затримку від 150 до 250 мілісекунд, ціна — 0,10 долара за мільйон вхідних токенів, вихід безкоштовний. Однак ці дані про затримку отримано переважно з тестів з не більше ніж 16 000 токенами та до 100 питань і не підтверджують, що при повному контексті та 1000 питаннях швидкість залишиться такою самою; незалежні оцінки помістили її на 9-те місце серед 18 моделей прийняття рішень, що свідчить про високу калібрування та мультимодальні здібності, але не про універсальну перевагу у всіх завданнях прийняття рішень.

Автор статті, джерело: Google DeepMind

Зараз багато агентів, навіть якщо їм потрібно відповісти лише «так» або «ні», викликають повністю генераційні моделі. Модель повинна прочитати контекст, зробити висновки та виводити текст по токенам, після чого застосунок має розібрати булеве значення або категорію з відповіді.

Цей підхід гнучкий, але дуже витратний у високочастотних робочих потоках. Агент служби підтримки може по черзі визначати наміри користувача, ризики облікового запису, застосовні політики, права доступу до інструментів, чергу підвищення та модель відповіді; кожен крок викликає модель генерації, що призводить до накопичення затримок, витрат та помилок розбору формату.

Gemini Decision 1 використовує інший підхід: розробники спочатку визначають обмежений набір кандидатів на відповіді, а модель лише оцінює ці варіанти. Це не чат-модель і не створює пояснень — вона ближча до універсального шару класифікації, ранжування та стратегічного прийняття рішень, здатного розуміти довгий контекст та мультимодальну інформацію.

Google надає три форми питань:

• Питання «так / ні», повертає ймовірність виконання умови;
• Виберіть від 2 до 255 варіантів і поверніть нормалізовані ймовірності для кожного варіанту;
• Оцінюйте за попередньо визначеною порядковою шкалою, одночасно повертаючи ймовірності кожного рівня та зважені бали.

Кожен результат також має рівень впевненості від 0 до 1. Додаток може встановити поріг: при високій впевненості виконувати автоматично, при низькій — передавати на більш потужну модель або на ручний контроль.blog.google

Один запит може містити до 256 000 токенів і містити до 1000 незалежних запитань до однієї й тієї ж вхідної інформації.

Наприклад, страхові компанії можуть одночасно надіслати скановану форму претензії, фотографії пошкоджень на місці, аудіозапис розмов з клієнтом та дані облікового запису, а потім попросити модель визначити, чи є матеріали повними, до якого типу інциденту вони належать, чи є ознаки шахрайства, якій черзі слід їх призначити та наскільки терміново їх потрібно обробити.

Спільні матеріали обліковуються лише один раз, а кожне питання додає лише власні інструкції та варіанти відповідей у вигляді токенів. Тому, коли десятки перевірок мають читати один і той самий довгий файл, це буде економічнішим, ніж надсилати файл десятки разів окремо. Офіційна ціна становить 0,10 долара США за мільйон вхідних токенів, оплата вихідних токенів не стягується, а також немає окремих платежів за OCR або транскрипцію аудіо.

Але ці 1000 питань повинні бути незалежними одне від одного. Модель не дозволить другому висновку читати результат першого висновку. Якщо робочий процес полягає в «спочатку визначити тип документа, а потім застосувати різні правила перевірки залежно від типу», розробник все одно повинен з’єднати ці два кроки в коді або знову викликати API. При необхідності згенерувати пояснювальний текст, витягти довільні поля або написати відповідь, все одно знадобляться моделі генерації або витягування інформації.

Gemini Decision 1 пропускає посимвольне декодування та оцінює всі варіанти за один прохід. Google повідомляє, що медіанний час обчислення моделі становить 50–100 мілісекунд, а загальна затримка з урахуванням сервісу та мережі — приблизно 150–250 мілісекунд.

Офіційні тести показали, що при введеннях мультимодальних даних до 16 000 токенів збільшення кількості запитів з одного до 100 не призводить до значного зростання затримки. У тому ж тесті вартість, як стверджується, майже в п’ять разів нижча, ніж при виклику Gemini 3.5 Flash-Lite через Interactions API.

Ці цифри не можна безпосередньо поширювати на всі випадки. Хоча модель дозволяє 256 000 токенів і 1000 запитів, Google не підтвердив, що одночасне використання обох верхніх меж все ще дозволить завершити обробку за 250 мілісекунд; час завантаження великих відео, аудіо та PDF не враховується у часі обробки моделі. При реальному розгортанні необхідно повторно виміряти з власною довжиною файлів, кількістю запитів та місцезнаходженням мережі.

Традиційні класифікатори зазвичай призначені для одного попередньо визначеного формату даних, тоді як Gemini Decision 1 може одночасно обробляти текст, зображення, аудіо, відео та PDF у одному запиті.

Офіційний приклад надав моделі фотографію поверхні в кімнаті для перерв і текстове пояснення, а також запитав про три речі: чи є неприбрані рідини, чи слід витерти самостійно чи викликати прибирання, яка ступінь серйозності ситуації. Модель визначила наявність невеликої розлитої рідини, порекомендувала витерти тканиною та надала ймовірності для кожного варіанту.

Розробники також можуть зменшити роздільну здатність зображень або відео, щоб зменшити витрати на токени та комісії за рахунок частини деталей. Для обробки вимог, перевірки контенту, перевірки товарів або розпізнавання подій у відео це простіше реалізувати, ніж запускати OCR, розпізнавання мови, візуальні моделі та правила окремо; але єдина модель означає, що якщо вона неправильно зрозуміє візуальний або аудіо контент, кілька наступних висновків можуть бути одночасно вплинуті.

Google стверджує, що Gemini Decision 1 показує лідируючі результати у тестах на маршрутизацію, виведення, сортування та багатомодальність, а також має найнижчу калібрувальну похибку. У офіційних порівняннях модель досягла 92,2% на JevBench, що вище, ніж у GPT‑6 Luna (90,9%) та Jev 1.14 (90,0%); калібрувальна похибка становить 0,0250 — майже вдвічі менше, ніж у Jev (0,0494).

Але він не охоплює всі завдання. Jev набрав 86,8% у браузерному завданні Mind2Web Multimodal, трохи випередивши Gemini з 86,2%, і 82,0% у When2Call щодо визначення, коли викликати інструменти, перевершивши Gemini з 79,9%.

Незалежний індекс прийняття рішень Artificial Analysis v2.1 надав Gemini Decision 1 оцінку приблизно 66 балів і посів 9-те місце серед 18 моделей прийняття рішень. Він посів перше місце у категоріях знань та міркувань, але в тесті AA‑Paperclip, який вимагає одночасно правильно розуміти повний резюме, рахунок, квитанцію або наукову статтю, лише 33% документів мали відповіді на всі питання правильно; у Drex Max v1.1 — 63%. У незалежному тесті When2Call він також поступається Drex Max і Jev.

Це означає, що «добре калібрована впевненість» і «кожне рішення найточніше» — це не одне й те саме. Добре калібровані моделі краще розуміють, коли можуть помилитися, що сприяє встановленню порогів для ручної перевірки; але якщо застосунок неправильно вважає високу впевненість гарантією істини, він все ще може автоматично приймати помилкові рішення.

Google вже використовує цей API в кількох продуктах. Gemini Notebook використовує його для визначення, якій моделі та з якою інтенсивністю міркувань слід передати запит; офіційно заявлено, що затримка звичайних запитів зменшується до 40%; Stitch використовує його для швидкого реагування на зміни дизайну, спричинені голосом або кліком; CC у Google Labs вибирає реакцію з понад 200 емодзі; Google Search розміщує його перед викликом інструментів MCP для виявлення ворожої поведінки та небезпечного контенту.

Ці приклади розкривають їхнє справжнє призначення: це не інтелект, який бачать користувачі, а контрольна площина, що знаходиться за агентом. Моделі генерації відповідають за написання коду, організацію мови та вирішення відкритих завдань; моделі прийняття рішень відповідають за визначення, що викликати на наступному етапі, чи дозволити виклик, яку потужність моделі використовувати та коли слід зупинити автоматизацію і передати керування людині.

Це розподілення обов’язків може бути більш підходящим для масштабних систем агентів, ніж просте розширення універсальних моделей, оскільки велика кількість повсякденних кроків не вимагає «кращого письма», а лише достатньо швидкого, дешевого та ймовірнісно надійного вибору гілки.

Gemini Decision 1 зараз доступний через API розробника Gemini з ендпоінтом `v1beta`, а підтримка Google Cloud все ще позначена як «майже доступний». Google ще не оприлюднила кількість параметрів, навчальні дані, обчислювальні ресурси для навчання, конкретну архітектуру або повну системну карту, тому неможливо визначити, чи він був отриманий шляхом дистиляції існуючих моделей Gemini, а також незалежно перевірити заявки щодо безпеки та даних на рівні навчання.