2026-11-12 · ← Noticias
Google lleva Gemini Decision 1 a decisiones rápidas donde un gran modelo sobra
Google presentó Gemini Decision 1 para elecciones cerradas de hasta 255 opciones, con 256K de contexto y un precio de 0,10 dólares por millón de tokens de entrada. Las mediciones independientes citadas por Latent Space muestran que un especialista rápido no garantiza la mejor decisión ni el menor coste por tarea.
No se pudo cargar la imagen.
Google ha entrado en la categoría de decision models con Gemini Decision 1, diseñado para respuestas de sí o no, selección múltiple y evaluación con rúbricas. Según el resumen de Latent Space, acepta texto, imágenes, audio, vídeo y PDF, procesa hasta 1.000 preguntas por solicitud y devuelve una puntuación de confianza para cada respuesta.
Decision 1 puntúa las opciones de una vez en lugar de generar una respuesta larga
El modelo trabaja con un conjunto cerrado y puede valorar hasta 255 opciones. Declara un contexto de 256K y una latencia de extremo a extremo de entre 150 y 250 ms. Cuesta 0,10 dólares por millón de tokens de entrada y no cobra la salida.
Eso cambia la economía de tareas que necesitan una elección fiable en vez de un párrafo: dirigir un ticket, seleccionar una herramienta, puntuar un documento o decidir si interviene una persona. Latent Space también cita soporte de LangChain y un experimento de Stitch que convierte un prompt inicial en un flujo de producto con varias pantallas en unos 5 segundos.
El mayor ahorro aparece al combinar un guardagujas rápido con un diagnóstico caro
En AI Engineer, Cloudflare mostró un patrón híbrido donde un decision model selecciona herramientas y extrae logs relevantes, mientras un gran reasoning model se ocupa del diagnóstico. En el escenario descrito, las llamadas al LLM bajaron de 6 a 1 y el consumo pasó de unos 40K tokens a 1,8K.
Para los equipos de producto, este marco es más útil que sustituir un modelo de chat por otro. La mayoría de los flujos con agentes contienen muchas decisiones pequeñas y limitadas, junto a unos pocos problemas que requieren reasoning generativo. Un especialista puede eliminar coste y latencia del primer grupo.
Los tokens baratos esconden un coste menos favorable por tarea terminada
Google afirma que el precio de entrada es unas 5 veces inferior al de Flash-Lite, pero la comparación citada por Latent Space resulta menos cómoda. Artificial Analysis otorgó a Decision 1 una puntuación de 66 en su Decision Index, igual que Jev 1.14 y Elephant 9B, mientras Drex Max v1.1 y GLiDE v1.2 quedaron 7 puntos por encima.
Su cálculo situó a Decision 1 en 345 dólares por millón de tareas, frente a 103 dólares para Drex Max y 156 para Jev. La latencia media fue de 211 ms, también peor que los 92 ms de Jev. Son resultados de un benchmark concreto, no una clasificación universal, pero muestran por qué el precio por token no basta.
La matriz de errores propia decidirá antes que el próximo ranking público
Los equipos deben medir aprobaciones falsas, rechazos innecesarios y calibración de confianza con sus propios datos. Al dirigir tickets, un error barato puede enviar un mensaje a la cola equivocada. Al bloquear pagos o ejecutar una medida de seguridad, el mismo error puede costar más que miles de inference.
También importan el comportamiento ante cambios en los datos y la capacidad de expresar incertidumbre. Un decision model solo merece entrar en la ruta crítica cuando el equipo conoce el precio de sus errores y fija un umbral a partir del cual interviene una persona o un modelo más potente.
El veredicto de Lilith
Un decision model debe manejar el cambio de vía, no conducir todo el tren. Si envía el caso equivocado por la vía incorrecta, el precio de 0,10 dólares por millón de tokens no consolará a nadie.