2026-11-12 · ← Aktualności
Google kieruje Gemini Decision 1 do szybkich wyborów, w których duży model to przerost formy
Google zaprezentował Gemini Decision 1 do zamkniętych wyborów obejmujących do 255 opcji, z kontekstem 256K i ceną 0,10 dolara za milion tokenów wejściowych. Niezależne pomiary przytoczone przez Latent Space pokazują jednak, że szybki specjalista nie gwarantuje najlepszych decyzji ani najniższego kosztu zadania.
Nie udało się wczytać obrazu.
Google wszedł na rynek decision models z Gemini Decision 1, przeznaczonym do odpowiedzi tak lub nie, wyboru z listy i oceniania według rubryki. Według zestawienia Latent Space model przyjmuje tekst, obrazy, dźwięk, wideo oraz PDF, obsługuje do 1 000 pytań w jednym żądaniu i zwraca poziom pewności dla każdej odpowiedzi.
Decision 1 ocenia opcje jednym przebiegiem zamiast generować długą odpowiedź
Model działa na zamkniętym zbiorze odpowiedzi i może ocenić do 255 opcji. Deklarowany kontekst wynosi 256K, a czas odpowiedzi od 150 do 250 ms. Cena to 0,10 dolara za milion tokenów wejściowych, bez opłaty za wyjście.
To zmienia ekonomię zadań, w których aplikacja potrzebuje pewnego wyboru zamiast akapitu tekstu: przekierowania zgłoszenia, wyboru narzędzia, oceny dokumentu lub decyzji o przekazaniu sprawy człowiekowi. Latent Space informuje również o wsparciu LangChain i eksperymencie Stitch, który tworzy wieloekranowy projekt z surowego promptu w około 5 sekund.
Największa oszczędność powstaje po połączeniu szybkiego zwrotniczego z drogim diagnostą
Podczas AI Engineer Cloudflare pokazał hybrydowy schemat, w którym decision model wybiera narzędzie i wydobywa właściwe logi, a duży reasoning model zajmuje się dopiero diagnozą. W opisanym scenariuszu liczba wywołań LLM spadła z 6 do 1, a zużycie tokenów z około 40K do 1,8K.
Dla zespołów produktowych to użyteczniejszy model myślenia niż wymiana jednego chatbota na drugi. Większość przepływów agentowych zawiera wiele małych, ograniczonych decyzji oraz kilka problemów naprawdę wymagających generatywnego reasoning. Specjalista może usunąć koszt i opóźnienie z pierwszej grupy.
Niska cena tokena ukrywa mniej korzystny koszt ukończonego zadania
Google podaje cenę wejścia około 5 razy niższą niż Flash-Lite, lecz porównanie przytoczone przez Latent Space jest mniej wygodne. Artificial Analysis przyznała Decision 1 wynik 66 w Decision Index, tyle samo co Jev 1.14 i Elephant 9B, podczas gdy Drex Max v1.1 oraz GLiDE v1.2 zdobyły o 7 punktów więcej.
W tym przeliczeniu Decision 1 kosztował 345 dolarów za milion zadań, wobec 103 dolarów dla Drex Max i 156 dolarów dla Jev. Średnie 211 ms było również wolniejsze od 92 ms w Jev. To wyniki konkretnego benchmarku, a nie uniwersalny ranking, ale dobrze pokazują, dlaczego sama cena tokena nie wystarcza.
Własna macierz błędów rozstrzygnie szybciej niż kolejny publiczny ranking
Zespoły powinny mierzyć fałszywe akceptacje, niepotrzebne odrzucenia oraz kalibrację pewności na swoich danych. Przy kierowaniu zgłoszeń tani błąd może przenieść jedną wiadomość do złej kolejki. Przy blokowaniu płatności lub interwencji bezpieczeństwa ten sam błąd może kosztować więcej niż tysiące inference.
Znaczenie ma także zachowanie po zmianie danych i umiejętność przyznania niepewności. Decision model powinien trafić na krytyczną ścieżkę dopiero wtedy, gdy zespół zna cenę jego pomyłki i ustali próg, po którym sprawę przejmuje człowiek lub silniejszy model.
Werdykt Lilith
Decision model powinien stać przy zwrotnicy, a nie prowadzić cały pociąg. Jeśli tanio skieruje złą sprawę na niewłaściwy tor, cena 0,10 dolara za milion tokenów nikogo nie pocieszy.