AREX Feed Article
Google 正式推出 Gemini Decisions API：Gemini Decision 1 单次最多为 1,000 个问题打分，输出 token 计费为 0
Google 于 11 月 11 日 18:00 UTC（北京时间 11 月 12 日凌晨 2 时）在官方博客发布 ：一个由新模型 Gemini Decision 1（模型 ID：gemini-decision-1）驱动的封闭集（closed-set）判定端点，已通过 Gemini API 在 Google AI Studio 提供。CEO 随后发帖宣布这次发布：它不逐 token 生成文本，而是面向封闭集选择，一次调用即可为覆盖文本、图片、音频、视频与 PDF 的最多 1,000 个问题打分；输入价格为每 100 万 token 0.10 美元，输出 token 计费为 0。
这场官宣为此前的悬念收尾。11 月 11 日 17:25 UTC， 发帖称 gemini-decision-1 已现身 Google APIs，当时这只是第三方观察，尚未得到 Google 证实；约 35 分钟后，官方博客上线，把该模型变成了可以实际调用的产品。Pichai 的帖文在 18:15 UTC 跟进，又在 18:47 UTC 以 X 长文发出完整技术说明。
不逐 token 生成文本：一次调用判定三类封闭集问题
官方博客把 Decisions API 定位为面向「有界选择」（bounded choices）的专用构件，典型用途是工具选择、策略检查、模型路由与上下文分级。请求结构是一个共享的多模态输入（上限 256K token）加最多 1,000 个相互独立的问题；模型在一次前向传播（forward pass）中为候选选项打分，返回概率与置信分。官方给出的延迟口径是：在多模态输入与最高 16K token 的上下文里，模型计算部分中位数 50～100 ms、端到端 150～250 ms，且从每请求 1 道题到 100 道题，延迟几乎不变。
三类判定类型沿用官方文档中的字段名，每条答案都附带 0～1 的置信分，代码可以据此把模糊样本转给兜底逻辑或人工复核：
- noul（yes/no）：估计某个「是/否」条件成立的概率，可附上成立与不成立两种情形的描述性标准。
- choice（多选一）：从 2～255 个选项中选择，返回胜者与每个候选的归一化概率。
- score（有序量规）：按从 0 起的有序量规（rubric）打分，返回连续加权分与每个档位的概率。
多模态输入可以混用，官方举的例子是把通话录音与账户元数据放在一起，或把扫描版 PDF 理赔单与现场照片配对；图片与视频输入可调分辨率，以权衡画面细节和 token 成本。文档示例里，一张茶水台照片加一条文字备注，在同一个请求中同时回答三类问题：台面上是否有未清理的液体渍（yes/no）、下一步该擦掉、叫保洁还是可以开会（多选一）、脏乱严重度打几分（量规）。调用方式是 Python SDK 的 client.decisions.create，input 字段沿用 Interactions API 的 Content 块格式。
官方基准图表：9 项评测 7 项居首，两项不及 TypeSafe Jev 1.14
官方博客声称，在覆盖 agent 路由、推理、排序与多模态理解的基准套件上，Gemini Decision 1 整体领先，且校准误差（calibration error）最低；Pichai 帖文的说法更保守，是「在多项基准评测上领先，校准误差最低」。博客随附的对比表把 Gemini Decision 1（Decisions API）与三家对手并排：TypeSafe Jev 1.14、GPT-6 Luna（表中标注为 OpenAI 的 Decisions API），以及搭配 Interactions API 的 Gemini 3.5 Flash-Lite。
按这张官方图表，9 项关键基准中 Gemini Decision 1 有 7 项分数最高，包括 JevBench 92.2%、Amazon ESCI 58.7%、New Yorker Caption 79.7%、PubMedQA 79.8%、Global-MMLU-Lite 86.0%、MMAU 71.8% 与 Video-MME 69.1%；Mind2Web Multimodal（86.2%）与 When2Call（79.9%）两项则低于 TypeSafe Jev 1.14 的 86.8% 与 82.0%。校准方面，官方给出的 Top-1 ECE（期望校准误差）为 0.0250，低于 TypeSafe Jev 1.14 的 0.0494、GPT-6 Luna 的 0.0721 与 Flash-Lite 的 0.2104。成本上，跑完 7 项共享评测的总价为 0.88 美元，Flash-Lite 是 4.14 美元，这正是博客所说「比 Flash-Lite 便宜近 5 倍」的出处；但 TypeSafe Jev 1.14 的总价 0.68 美元更低。图表脚注注明：拒答、安全拦截与模型无法接受的请求都计为错误，除特别说明外分数均为 Top-1 Accuracy。这些数字均出自 Google 自己发布的对比表。
计费规则：共享输入每请求只计一次费，没有 thinking-token 账单
在输入价格与免费输出之外，博客还写明了直接影响实际成本的计费规则：共享输入无论配多少道题，每个请求只计一次费，每道题只增加自己的指令（instruction）与标准（criteria）token；不存在输出 token 账单、可变的 thinking-token 账单，也不单独收取音频转写与 OCR 费用。AI Studio 里另有 API 免费档，可用于原型验证。
Google 内部把它当作毫秒级控制平面
博客用「低延迟控制平面」（control plane）描述 Google 内部团队的用法，并列出四个已上线的例子：
- Gemini Notebook 的动态模型路由：用 Decisions API 在毫秒级判断请求意图，把日常查询导向最优的模型档位与思考级别，官方称日常查询延迟最多降低 40%，深度推理模型则留给复杂任务。
- Stitch 的快速设计迭代：新的 rapid canvas 实验用它在数秒内生成产品流程的可交互线框，语音或点按的修改近乎即时生效；流程满意后一键交给完整版 Stitch 继续打磨。Pichai 帖文附的视频即为此演示：Stitch Rapid 以 1 倍速设计出完整产品流程。
- Google Labs 的 CC：用它在零点几秒内从 200 多个表情中选出合适的反应，表情即时出现，不额外增加延迟。
- Google Search 的 MCP 工具安全层：官方称其检测对抗性行为与内容的效果较高，同时不超出延迟预期。
首日上线 OpenRouter，AI Studio 附三个演示应用
在官宣帖中列出了三个可直接试用的演示应用：Doorstep Parcels、Speed Sketch 与 Find the Zoo Keeper；开发者可在 AI Studio 领取 API key，按 Python、JavaScript 与 REST 指南接入。
在 18:23 UTC 宣布该模型「首日即上线 OpenRouter」，并称其为「Google 的第一个决策模型」，价格为每百万输入 token 0.10 美元、输出免费，与 Google 口径一致（OpenRouter 的单方宣传）。其显示，该模型目前仅由 Google AI Studio 一家供应商直连转发，P50 延迟 0.25 秒，近 3 天可用性 99.99%。博客列出的生态集成还包括 LangChain、Vercel、LiteLLM、Pydantic AI、Pipecat、LiveKit 与 OpenCode，均随 google-genai SDK 一同推出；Gemini in Google Cloud 的支持则标注为「即将推出」。