谷歌发布只做判断题的模型：一次判1000题，输出还不要钱

跑过 Agent 系统的人多半算过一笔憋屈账：一整套流程里，真正需要长篇输出的调用没几个，大量请求其实只是在做判断——这封邮件算不算垃圾、这个任务该分给哪个工具、这张截图有没有安全隐患。判断也要过一遍生成式模型，钱和延迟都花在了「把答案逐字说出来」这件事上。

谷歌今天（11月12日）发布的 Gemini Decision 1，就是把这块活单独切了出来。配套的 Decisions API 已经在 Google AI Studio 上线，CEO 皮查伊亲自发文介绍。它不生成任何文字，靠单次前向传播，对你预设的候选答案直接打分，返回结果、归一化概率和一个 0 到 1 的置信度。

它到底能干什么

具体规格有四条值得记住。一是单次请求最多处理 1000 个独立问题，支持文本、图像、音频、视频和 PDF 混合输入，上下文 256K。二是三种决策类型可以混在同一个请求里：是/否二元判断、最多 255 个选项的多选、以及按你自己定义的评分标准打分。三是速度快，官方给的数据是模型计算阶段中位延迟 50 到 100 毫秒，端到端 150 到 250 毫秒，请求里的问题从 1 个加到 100 个，延迟基本不变。四是价格：输入每百万 Token 0.10 美元，输出不计费，官方说总成本约为 Gemini 3.5 Flash-Lite 的五分之一。

举个官方给的例子感受下用法：上传一张茶水间台面的照片，配上文字说明，同一个请求里让它判断桌面有没有液体洒漏、该采取哪种清理措施、严重程度如何。过去这套活要么写多个分类器，要么调生成式模型跑几轮提示词，现在一次前向全出。

成绩单好看，但有两处没赢

谷歌公布的对比对象是 GPT-6 Luna、专做分类决策的 TypeSafe Jev 1.14，以及自家的 Flash-Lite。9 项基准测试拿下 7 项第一：JevBench 准确率 92.2%（GPT-6 Luna 90.9%、Jev 90.0%、Flash-Lite 86.6%），漫画配文理解测试 79.7% 比 Luna 高出 11 个百分点，医学问答 PubMedQA 和多语言测试也都是第一。

比准确率更值得留意的是校准误差。它的 Top-1 ECE 只有 0.0250，比 GPT-6 Luna 低约 65%，比 Flash-Lite 低约 88%。这件事对 Agent 系统是实打实的：模型说「有 0.9 的概率存在漏洞」时，这个数字得真能当阈值用，低了转人工、高了自动执行，系统才敢放手跑。

不过有两项它没拿下：网页任务理解的 Mind2Web 输给 Jev（86.2% 对 86.8%），工具调用时机判断的 When2Call 也输了（79.9% 对 82.0%）。后者恰恰是它主打的 Agent 场景，专用决策模型依然占优，选型前最好拿自己的数据实测一遍。

怎么把它接进自己的流程

实操上分四步。第一步，在 Google AI Studio 里找到 Decisions API，先拿 20 条真实的历史判断任务做小样本，跑出准确率和置信度分布，别只看官方榜单。第二步，把现有调用里「只需要结论不需要正文」的部分拆出来——典型的是内容审核、Agent 工具路由、评论打分、素材筛选这几类。第三步，给每类任务定一个置信度阈值，低于阈值的请求转发给人工或更强的生成式模型复核，这条管线比单点换模型更重要。第四步，成本对账：如果你的判断类请求每天上千条，按官方口径的 1/5 成本算，替换掉的账目应该当周就能看到。

谷歌自己已经这么用了。GeminiNotebook 用它做实时模型路由，简单请求走便宜档、复杂请求升档，官方称日常查询延迟最多降了 40%；Google Stitch 拿它几秒生成可交互的线框图；Google Search 还用它给 MCP 工具做安全检测层，识别对抗性行为。

什么活别交给它

先说清楚边界。开放式写作、需要展示推理过程的解释、候选集没有明确边界的任务，都别硬套：它的本质是对你给的选项打分，选项设计得烂，分数再准也没意义。判断类请求占比怎么统计？把一周的调用日志按响应长度拉个分布——响应普遍在几十个 Token 以内的那批，大概率都是判断类，这就是迁移候选池。

有序标准打分（Ordered Rubric）是最容易被低估的一种用法。客服质检按你的服务规范分五档打分、内容按年龄段分级、简历按岗位要求逐条匹配，这类任务的评分标准本来就是人定的，喂给模型当 rubric，它返回的连续加权分数可以直接接进你的业务规则里，省掉一套自研打分器。

我的看法

这不是又一个更强的聊天模型，而是谷歌给「判断」这个环节单独定了价。判断类任务从生成式调用里拆出来的收益是确定的：便宜四倍、快一个数量级。但我对那份 9 项测试 7 项第一的成绩单保留态度——基准是谷歌自己选的，第三方复测还没出来，When2Call 的失利已经说明它不是全能。真要迁，先统计自己系统里判断类请求的占比，超过三成再动手，收益才够明显。