2026-11-12 · ← News
Google schickt Gemini Decision 1 in schnelle Entscheidungen, für die große Modelle überdimensioniert sind
Google hat Gemini Decision 1 für geschlossene Entscheidungen mit bis zu 255 Optionen, 256K Kontext und einem Preis von 0,10 Dollar pro Million Eingabetoken vorgestellt. Von Latent Space zitierte unabhängige Messungen zeigen jedoch, dass ein schneller Spezialist weder automatisch die beste Entscheidung noch die niedrigsten Kosten pro Aufgabe liefert.
Das Bild konnte nicht geladen werden.
Google steigt mit Gemini Decision 1 in die Kategorie der Decision Models ein. Das Modell ist für Ja oder Nein Antworten, Multiple Choice und Bewertungen nach Rubriken ausgelegt. Laut der Zusammenfassung von Latent Space verarbeitet es Text, Bilder, Audio, Video und PDF, beantwortet bis zu 1.000 Fragen pro Anfrage und liefert zu jeder Antwort einen Konfidenzwert.
Decision 1 bewertet Optionen in einem Durchlauf statt lange Antworten zu erzeugen
Das Modell arbeitet mit einer geschlossenen Antwortmenge und kann bis zu 255 Optionen bewerten. Angegeben sind 256K Kontext und eine Ende zu Ende Latenz von 150 bis 250 ms. Der Preis liegt bei 0,10 Dollar pro Million Eingabetoken, die Ausgabe wird nicht berechnet.
Das verändert die Kosten von Aufgaben, bei denen eine Anwendung eine verlässliche Wahl statt eines Absatzes braucht: Ticket weiterleiten, Werkzeug auswählen, Dokument bewerten oder an einen Menschen eskalieren. Latent Space berichtet außerdem über LangChain Unterstützung und ein Stitch Experiment, das aus einem groben Prompt in etwa 5 Sekunden einen mehrseitigen Produktablauf erzeugt.
Die größte Ersparnis entsteht aus schnellem Weichensteller und teurem Diagnostiker
Auf der AI Engineer zeigte Cloudflare ein hybrides Muster. Ein Decision Model wählt Werkzeuge und relevante Logs aus, während ein großes Reasoning Model erst die Diagnose übernimmt. Im beschriebenen Szenario sanken die LLM Aufrufe von 6 auf 1 und der Verbrauch von etwa 40K auf 1,8K Token.
Für Produktteams ist dieser Rahmen nützlicher als der Austausch eines Chatmodells. Die meisten Agentenabläufe enthalten viele kleine begrenzte Entscheidungen und nur wenige Probleme, die wirklich generatives Reasoning verlangen. Ein Spezialist kann Kosten und Latenz aus der ersten Gruppe entfernen.
Billige Token verdecken ungünstigere Kosten pro erledigter Aufgabe
Google nennt einen etwa 5 Mal niedrigeren Eingabepreis als bei Flash-Lite. Der von Latent Space zitierte Vergleich fällt jedoch weniger vorteilhaft aus. Artificial Analysis gab Decision 1 im Decision Index 66 Punkte, gleichauf mit Jev 1.14 und Elephant 9B. Drex Max v1.1 und GLiDE v1.2 lagen 7 Punkte höher.
In dieser Rechnung kostete Decision 1 345 Dollar pro Million Aufgaben, Drex Max 103 Dollar und Jev 156 Dollar. Die durchschnittliche Latenz von 211 ms war ebenfalls höher als die 92 ms von Jev. Das sind Ergebnisse eines bestimmten Benchmarks und keine universelle Rangliste. Sie zeigen dennoch, warum der Tokenpreis allein nicht genügt.
Die eigene Fehlermatrix entscheidet vor der nächsten öffentlichen Rangliste
Teams sollten falsche Freigaben, unnötige Ablehnungen und die Kalibrierung der Konfidenz mit eigenen Daten messen. Bei der Ticketverteilung verschiebt ein billiger Fehler vielleicht nur eine Nachricht. Beim Sperren einer Zahlung oder bei einem Sicherheitseingriff kann derselbe Fehler mehr kosten als Tausende Inferences.
Auch das Verhalten bei veränderten Daten und der Umgang mit Unsicherheit zählen. Ein Decision Model gehört erst dann auf den kritischen Pfad, wenn das Team den Preis seiner Fehler kennt und einen Schwellenwert festlegt, ab dem ein Mensch oder ein stärkeres Modell übernimmt.
Liliths Urteil
Ein Decision Model gehört an die Weiche und nicht in den Führerstand. Schickt es den falschen Fall billig auf das falsche Gleis, tröstet ein Preis von 0,10 Dollar pro Million Token niemanden.