谷歌发布GeminiDecision1决策模型，单次前向传播完成千题评分，成本降至每百万Token0.1美元

谷歌正式发布其首款专用决策模型 Gemini Decision 1，并同步上线由其驱动的 Gemini Decisions API。这一动作标志着大模型技术路径从“生成导向”向“决策导向”的关键延伸——当行业仍在竞逐推理深度与Token生成速度时，谷歌选择将AI能力下沉至更底层的判断环节：不是让模型“说出答案”，而是让它“选出最优解”。

传统生成式大模型在执行分类、打分或路由等任务时，往往需先生成一段文本，再从中提取结构化结果，流程冗长且成本高昂。Gemini Decision 1 则彻底跳过解码阶段：开发者只需提供输入内容、待判问题及候选选项集，模型便通过单次前向传播直接输出判断结果、概率分布与置信度。这种架构使其天然适配需要高吞吐、低延迟响应的系统级任务，例如Agent工具选择、模型路由、安全审核与产品流程自动化。

根据谷歌披露的技术细节，Gemini Decision 1 支持三类核心决策模式：一是二元判断（Yes/No），如识别图像中是否存在安全隐患；二是多项选择（2–255个选项），模型不仅返回最佳选项，还提供归一化后的各选项概率；三是有序标准评分（Ordered Rubric），允许开发者自定义分级标准，模型据此输出连续加权分数及等级概率。三类任务可在单次请求中混合执行——例如上传一张茶水间照片并附文字说明，同时判断“是否有液体洒漏”“应采取何种清理措施”“现场严重程度”，传统方案需调用多个独立模型或复杂提示工程，而Gemini Decision 1 一次完成。

该模型支持最高256K Token的多模态上下文输入，涵盖文本、JSON、PDF、图像、音频与视频。这意味着企业可将客户通话录音、索赔文档与现场影像整合分析，实现端到端决策闭环。每次判断均附带0～1的置信度值，便于系统自动分流不确定项至人工复核或备用模型。

性能方面，Gemini Decision 1 在谷歌内部构建的9项基准测试中拿下7项第一，最高准确率达92.2%，同时保持最低校准误差——即模型输出的概率与其实际正确率高度一致，这对可靠性要求严苛的工业场景至关重要。在不超过16K Token的上下文中，其计算阶段中位延迟为50～100毫秒，端到端延迟稳定在150～250毫秒；即使单次请求问题数从1增至100，延迟增幅极小，体现优异的批处理扩展性。

成本是另一大差异化优势。Gemini Decision 1 定价为每百万输入Token仅0.10美元，输出Token完全免费；相较之下，同属Gemini系列的Flash-Lite模型成本约为其5倍。谷歌强调，该定价策略旨在推动决策能力在AI系统中的普及化部署，而非仅服务于高预算场景。

谷歌CEO Sundar Pichai在X平台展示了Stitch Rapid工具的实际应用：基于Gemini Decision 1，系统可在几秒内完成完整产品流程设计——这并非生成式文本输出，而是对数百个设计节点进行实时评估与路径优化，体现其作为“AI系统神经中枢”的潜力。

值得注意的是，Gemini Decision 1 并非孤立存在，而是嵌入谷歌AI基础设施的新型组件。它与生成式模型形成互补关系：前者负责“判断”，后者负责“表达”；前者高效筛选路径，后者深入展开细节。这种分工逻辑正逐渐成为大型AI系统架构的新范式。Meta此前推出的Llama-3.1 405B虽强化了推理能力，但仍未脱离生成框架；而谷歌此次发布的决策模型，则首次将“非生成式推理”推向产品化落地阶段。

行业观察指出，专用决策模型的兴起反映AI工程化进入深水区。早期大模型聚焦通用能力，如今头部厂商开始拆解AI工作流，针对子任务定制轻量、高速、低成本模块。类似路径已在芯片领域验证有效——NPU专司矩阵运算，CPU处理控制逻辑；AI软件栈亦可能走向“生成单元+决策单元+记忆单元”的异构协同架构。

在具体案例中，图2展示了一个典型部署场景：系统识别台面液体洒漏（置信度0.95），推荐“用布擦拭”操作（98%概率），并评估严重程度为1.19/2.00（轻微局部泄漏）。整个判断过程无需生成描述性语句，直接输出结构化决策结果，大幅压缩响应链路。

目前，Gemini Decision 1 已接入Google AI Studio供开发者调用，谷歌内部团队正将其用于安全过滤、Agent调度与产品创新流程。尽管尚未公开详细训练方法，但其低校准误差与高吞吐特性表明，模型在监督微调与偏好优化阶段可能采用了针对性强的决策损失函数，而非通用语言建模目标。

随着AI系统日益复杂，单一“全能型”模型难以兼顾效率与精度。Gemini Decision 1 的推出，实质是谷歌对AI能力原子化的又一次实践：将“做决定”这件事，从生成副产品变为独立服务。未来，此类专用模型或将成为智能体系统、企业知识引擎与实时风控平台的标准配置。

短期内，其影响将集中于开发效率提升与推理成本下降；长期看，它可能重塑AI应用的设计逻辑——从“如何让模型说话”，转向“如何让模型思考”。