
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。
文章标题:谷歌发布只做判断题的模型:一次判1000题,输出还不要钱
文章链接:https://www.muooy.cn/16668.html
更新时间:2026年11月12日
1.本站大部分内容均收集于网络!若内容若侵犯到您的权益,请发送邮件至:305582964@qq.com,我们将第一时间处理!2.资源所需价格并非资源售卖价格,是收集、整理、编辑详情以及本站运营的适当补贴,并且本站不提供任何免费技术支持。
3.所有资源仅限于参考和学习,版权归原作者所有,更多请阅读用户协议和免责声明。
- 1两分钟剪出竖屏短剧:neonclipping 本地跑通全流程11月22日
- 2PowerContext 上手评测:把 AI 的上下文搬出对话,跨会话还能接着用11月21日
- 3混元 Hy4 flash 开源了:百万 token 五毛钱,自己部署前先看协议第八条11月20日
- 4GPT-6.2 一个旗舰一个日常款:降价两成,写码口碑没跟上11月19日
- 5MiniMax 把 4K 生图开源了:十秒出图,但商用前先看清三条限制11月14日
- 6千问旗舰预览版开放两周:一百万上下文,11月25日前把它测完11月13日
- 7Kimi 把 2.8 万亿旗舰开源了:稀疏注意力接管长文本,先看三道部署门槛11月13日
- 8Claude Fable 5.2连夜上线:一句话出片变强了,也更贵了11月11日
- 9open-design:本地优先的开源 AI 设计工作区11月9日
- 10美团LongCat-2.5上线:1.6万亿参数主打智能体,网页上就能试11月4日


Gemini Decision 1 专做判断题,一次能判1000题还输出免费,Agent 里那些垃圾邮件判断真该试试。
文里提到Agent的时候我还愣了下,回头翻自己那份,果然是这里没对上。
Agent这块按文里讲的对了一遍,之前一直没留意,问题多半就出在这步。
想问下Gemini这部分在手机端是不是也要单独处理,我这边试出来不太一样。
文里提到Decision的时候我还愣了下,回头翻自己那份,果然是这里没对上。
谷歌这判断题模型一次判1000题,输出还不要钱,Agent 里的垃圾邮件判断真该试试。