Google hat die Gemini Decisions API auf Basis eines neuen Modells namens Gemini Decision 1 (gemini-decision-1) gestartet. Im Gegensatz zu klassischen Sprachmodellen generiert diese Programmierschnittstelle (API) keinen Text: Sie weist bis zu 1.000 geschlossenen Fragen kalibrierte Wahrscheinlichkeiten basierend auf derselben Eingabe zu. Der angekündigte Preis beträgt 0,10 $ pro Million Eingabe-Tokens, Ausgabe-Tokens werden nicht berechnet.
Laut dem Google-Blogpost zielt die API auf kleine Zwischenentscheidungen ab, die den Betrieb von Agents bestimmen – Programme, die autonom Aktionen ausführen: Routing, Regelprüfung, Werkzeugauswahl oder Bewertung. Eine Anfrage umfasst eine Modellkennung, eine gemeinsame Eingabe und eine Liste von Fragen. Drei Typen sind vorgesehen: Ja/Nein-Fragen, Auswahl aus 2 bis 255 Optionen und Bewertung auf einer Skala von 2 bis 255 Stufen. Jede Antwort enthält einen Konfidenzwert zwischen 0 und 1, und Google schlägt vor, unsichere Fälle an eine Fallback-Lösung oder einen menschlichen Prüfer zu übergeben.
Eine Abrechnung für mehrere Fragen ausgelegt
Das Modell liest in einem Durchlauf Text, Bilder, Video, Audio und PDFs. Google gibt eine mediane Verarbeitungszeit von 50–100 ms und eine End-to-End-Latenz von 150–250 ms für Eingaben bis zu 16K Tokens an, wobei ein Token eine vom Modell verarbeitete Texteinheit ist. Diese Zeit bleibt zwischen 1 und 100 Fragen nahezu stabil. Die gemeinsame Eingabe wird nur einmal pro Anfrage berechnet, unabhängig von der Anzahl der Fragen. Der Kontextfenster umfasst bis zu 262.144 Tokens (256K).
Das Modell ist nur über die Gemini Developer API (v1beta) von Google zugänglich: Es werden keine offenen Gewichte oder Self-Hosting angeboten. Es benötigt das google-genai SDK 3.2 oder höher, und eine kostenlose Stufe ermöglicht Prototyping in Google AI Studio.
Von Google bekanntgegebene Ergebnisse
Google vergleicht Gemini Decision 1 mit TypeSafe Jev 1.14, GPT-6 Luna auf OpenAI Decisions und Gemini 3.5 Flash-Lite. Diese Zahlen stammen von Google, wobei Ablehnungen und Sicherheitsblockaden als Fehler gezählt werden. Laut der Unternehmensübersicht übertrifft das Modell seine Konkurrenten in 7 von 9 Genauigkeits-Benchmarks und hat den niedrigsten Kalibrierungsfehler. Es erreicht 92,2 % auf JevBench (öffentlicher Datensatz), gegenüber 90,0 % für Jev 1.14. Sein Kalibrierungsfehler von 0,0250 ist laut Google etwa halb so hoch wie der von Jev 1.14 (0,0494).
Das Modell liegt bei When2Call zurück (79,9 % vs. 82,0 % für Jev 1.14), und sein niedrigster Score ist 58,7 % Macro-F1 auf Amazon ESCI. Im gemeinsamen Satz von sieben Evaluierungen gibt Google Gesamtkosten von 0,88 $ an, gegenüber 0,68 $ für Jev 1.14 und 4,14 $ für Gemini 3.5 Flash-Lite. Der Eingabepreis für Jev 1.14 beträgt 0,042 $ pro Million Tokens. Kontext-Caching und die Batch-API werden noch nicht unterstützt, sodass wiederholter Kontext bei jeder Anfrage voll berechnet wird. Google erwähnt zudem, das Tool bereits intern einzusetzen, etwa in Gemini Notebook, um Anfragen zu verschiedenen Modellstufen zu leiten, mit bis zu 40 % geringerer Latenz für häufige Anfragen.
