谷歌在 11 月 12 日正式发布了自家第一个决策模型 Gemini Decision 1，同步上线由它驱动的 Gemini Decisions API，官方成绩单是 9 项基准测试里拿下 7 项第一，其中考封闭式判断的 JevBench 拿到全场最高的 92.2%，对比对象直接列了 OpenAI 的决策方案和上一代赛道霸主 Jev 1.14。 但第三方评测机构 Artificial Analysis 给它的决策指数综合分是 66 分，与 Jev 1.14 打平，落后并列榜首的专业决策模型 7 分。 厂商成绩单和第三方榜单放在一起读，优劣势才会精确：Gemini Decision 1 的真正优势是"多模态、批量、校准"这套组合在同类里独一份，且已在谷歌内部产品里规模化验证；真正短板是综合得分没进专业决策模型第一梯队，工具调用类基准输给 Jev，全任务成本只算中游。36氪知乎
这条赛道 2026 年 9 月才被点燃：前 OpenAI 研究员创立的 TypeSafe 发布 Jev，这类模型跳过逐字生成、直接返回带概率的判断，随后大厂迅速跟进——OpenAI 在 DevDay 上仓促推出 Decisions API 做"防御"，一周后微软发布 Microsoft-Decision-1。 Gemini Decision 1 就是谷歌对这条赛道的正式回答：它不聊天，只做判断，一次最多能回答 1000 道是非题、选择题和打分题，输入可以是文本、图像、音频、视频和 PDF。 技术路线与 Jev 同源——不做逐字解码，而是在单次前向传播里，对预先设定的候选答案直接评分。新智元知乎36氪
优势：多模态、批量和校准，三项凑齐的目前只有它
最硬的差异是多模态：文本、图像、音频、视频和 PDF 能放进同一次请求，输入上下文最高 256K token。 谷歌公布的 9 项对比里，音频理解的 MMAU 和视频理解的 Video-MME 两项只有谷歌交出成绩，同场的 Jev 1.14 和 OpenAI 方案没有得分。 一段通话录音配几十道质检题、一张现场照片加规则文档同时问存在性、处理方式和严重程度，这类"读多模态材料、答一批问题"的场景，它目前是同类里唯一有官方答卷的。36氪知乎
批量能力直接决定成本结构：一次请求最多带 1000 道问题，共享输入和所有问题加起来不能超过 262,144 token，同一份输入只按一次计费。 延迟同样压得平：官方口径下 16K token 以内的测试里，模型计算中位延迟 50～100 毫秒，端到端约 150～250 毫秒，问题数从 1 道加到 100 道，延迟基本不变。 Artificial Analysis 的评测说明了输入复用有多值钱：以 GLiDE v1.2 为例，该模型在处理每道题时，都需要重新输入整份文档并计算输入成本，跑完整套评测每百万任务约 780 美元，而支持复用输入的 Drex Max v1.1 只要约 102 美元。知乎36氪智东西
校准是第三项差异化。模型不仅给答案，还给 0 到 1 的置信度，谷歌自测的 Top-1 预期校准误差为 0.0250，优于 Jev 1.14 的 0.0494 和 OpenAI 决策方案的 0.0721。 这不是纸面指标：决策模型的输出通常要配一个置信度阈值，够把握的结果自动执行，拿不准的转人工或交给更大的模型，把握估得越准，分流就越可信。Artificial Analysis 新版榜单已经调整评分方式，把模型对答案的置信度计入决策得分，校准因此成了整个赛道的通用货币。36氪智东西
还有容易被忽略的一点：它不是纯榜单产品，谷歌内部已经在规模化使用。Gemini Notebook 拿它当实时模型路由器，按问题复杂度把请求分流给不同档位的模型，官方称日常查询的延迟最多可以降低 40%；Stitch 用它秒级生成产品流程线框，Search 内部用它构建 MCP 工具的安全检测层。 “大厂自己的产品已经在跑”，这是 Jev 等创业公司模型没有的对位证据。第三方评测还单独确认，知识和推理类题目上它是所有决策模型里分数最高的，世界知识储备正接得住谷歌系产品里那些判断任务。36氪知乎
短板：第三方榜差头部 7 分，主打场景输给 Jev，成本没那么漂亮
把视角切到第三方榜单，结论立刻不同。Artificial Analysis 决策指数收录这款新模型后，Gemini Decision 1 得 66 分，和 Jev 1.14 打平、超过微软的决策模型，但并列榜首的 Drex Max v1.1 和 GLiDE v1.2 都是 73 分，比它高出 7 分。 更大的参照系里差距也存在：Claude Haiku 5.5（Max）77 分、GPT-6 Luna（Max）76 分，专业决策模型头部离最强通用模型仍有一线距离——这是整个品类的天花板，不是谷歌单独的问题。知乎智东西
输掉的两项恰好扎在谷歌自己主打的场景上。在 Mind2Web Multimodal 测试中，TypeSafe Jev 1.14 以 86.8% 排名第一，Gemini Decision 1 为 86.2%；专考"该不该调用、调用哪个工具"的 When2Call 上差距更大，Jev 82.0% 对它 79.9%。 音频、视频和知识题赢在别处，工具选择却输给上一代赛道霸主，说明在 Agent 系统里最高频的"下一步动作判断"上，它还没建立起统治力。36氪
成本口径需要拆开看。"比 Flash-Lite 便宜近 5 倍"是拿专用模型对比自家通用模型的纵向账，不能当成横向优势。 横向看，它的 API 定价与 OpenAI 的 Decisions API 相同，每百万输入 token 0.10 美元、输出不收费；但 Artificial Analysis 跑完整套评测，Gemini Decision 1 每完成 100 万个任务要花 345 美元，约为 Drex Max v1.1 的三倍多，连谷歌自己的成绩表也显示 7 项共测项目上 Jev 花的钱更少。 成本最凶的同类能压到每百万任务 14 美元，Gemini Decision 1 目前没站上分数与成本的帕累托前沿。36氪知乎智东西
两类相对软的边界也要交代。分类、信息提取类任务它的表现一般，而这类任务恰好在第三方榜单里权重最高——AA-Paperclip 一项就占总分 30%，考的就是文档决策加信息提取，目前所有专业决策模型在这项都被通用大模型压着打。 单次前向打分还有一道行业级隐忧：StartLux 的自测显示，Jev 在"细节一变、答案反转"的成对测试里，单题 63.9% 的正确率会瞬间暴跌至成对 31.0%，Gemini Decision 1 同为单次评分路线，还没有公布过这类测试的成绩，精密算术和红线判断仍是未知数。智东西新智元
怎么选：按场景对号入座
多模态批量判断、需要可靠置信度做"机器自动执行还是转人工"的分流、或者已经贴着谷歌生态，这三条都指向 Gemini Decision 1；纯文本的工具路由，Jev 1.14 仍是更强的参照；对百万级任务成本极度敏感，Drex Max v1.1 们在前沿上等着。产品通道上，OpenRouter 首日已上架，Google AI Studio 能申请免费额度先把原型搭起来，但 Google Cloud 的支持还没到位。 接下来最值得盯的两个信号：Artificial Analysis 榜单分数怎么随版本变化，以及谷歌能否在 When2Call 类基准上把工具调用判断追平 Jev。知乎
