Google ha lanciato la Gemini Decisions API, basata su un nuovo modello, Gemini Decision 1 (gemini-decision-1). A differenza dei modelli linguistici classici, questa interfaccia di programmazione (API) non genera testo: assegna a fino a 1.000 domande chiuse delle probabilità calibrate, a partire da un unico input. Il prezzo annunciato è di 0,10 $ per milione di token in input, senza fatturazione per i token di output.
Secondo il post del blog di Google, l’API mira alle piccole decisioni intermedie che scandiscono il funzionamento degli agenti, quei programmi che concatenano azioni in modo autonomo: routing, verifica di regole, scelta di strumenti o valutazione. Una richiesta comprende un identificatore del modello, un input condiviso e una lista di domande. Sono previsti tre tipi: la domanda sì/no, la scelta tra 2 e 255 opzioni e la valutazione su una griglia da 2 a 255 livelli. Ogni risposta è accompagnata da un valore di confidenza compreso tra 0 e 1, e Google suggerisce di affidare i casi poco sicuri a una soluzione di backup o a un revisore umano.
Una fatturazione concepita per domande multiple
Il modello legge in un’unica passata testo, immagini, video, audio e PDF. Google indica una durata di calcolo mediana di 50-100 ms, e di 150-250 ms end-to-end, per input fino a 16K token, dove un token è un’unità di testo elaborata dal modello. Questa durata rimane quasi stabile tra 1 e 100 domande. L’input condiviso viene fatturato una sola volta per richiesta, indipendentemente dal numero di domande. La finestra di contesto raggiunge 262.144 token, ovvero 256K.
Il modello è accessibile solo tramite l’API Gemini Developer (v1beta), ospitata da Google: non sono offerti pesi aperti né auto-hosting. Richiede l’SDK google-genai 3.2 o una versione successiva, e un livello gratuito consente di prototipare in Google AI Studio.
Risultati annunciati da Google
Google confronta Gemini Decision 1 con TypeSafe Jev 1.14, GPT-6 Luna su OpenAI Decisions e Gemini 3.5 Flash-Lite. Questi dati sono comunicati da Google, e i rifiuti così come i blocchi di sicurezza sono conteggiati come errori. Secondo la tabella dell’azienda, il modello supera i concorrenti su 7 dei 9 benchmark di precisione, con il più basso errore di calibrazione. Ottiene il 92,2% su JevBench (set pubblico), contro il 90,0% di Jev 1.14. Il suo errore di calibrazione di 0,0250 è, secondo Google, circa due volte inferiore a quello di Jev 1.14, che raggiunge 0,0494.
Il modello è in ritardo su When2Call, con il 79,9% contro l’82,0% di Jev 1.14, e il suo punteggio più basso è del 58,7% di Macro-F1 su Amazon ESCI. Sulla suite comune di sette valutazioni, Google annuncia un costo totale di 0,88 $, contro 0,68 $ per Jev 1.14 e 4,14 $ per Gemini 3.5 Flash-Lite. Il prezzo di input di Jev 1.14 è di 0,042 $ per milione di token. Infine, la cache del contesto e l’API Batch non sono ancora supportate, per cui un contesto ripetuto viene fatturato integralmente a ogni richiesta. Google indica inoltre di utilizzare già lo strumento internamente, in particolare in Gemini Notebook, che lo impiega per indirizzare le richieste verso diversi livelli di modelli, con una latenza fino al 40% inferiore per le richieste comuni.
