Google 殺入 Jev 核心賽道:Gemini Decision 1 五項基準領先兩項落後
Jev 拿下的 75 億美元估值曾被質疑是一場泡沫。現在 Google 用一款多模態決策模型告訴市場:這不是泡沫,是賽道。 作者丨鄭佳美 編輯丨岑 峯 谷歌正式入場了。剛剛,谷歌發佈 Gemini Decision 1,正式向 兩個月前引爆決策模型品類的 TypeSafe Jev發起挑戰。和 Jev 一樣,這款模型不生成任何文本,只計算供程序直接驅動 Agent 執行的候選項概率和置信度,不需要逐 Token 生成答案,連輸出 Token 費用也省了。更大的突破出現在並行計算上。Gemini Decision 1 可以在同一份上下文中處理至多 1000 項獨立判斷,而且支持文本、圖像、音頻、視頻和 PDF 混合輸入。對於需要反覆檢查文檔、選擇工具、評估任務狀態的 Agent,大量原本分散在不同模型調用中的判斷,現在可以集中在一輪請求中完成。在數據上,7 項雙方均有報告的共享基準中,Gemini Decision 1 贏下 5 項,Jev 在 When2Call 工具調用和 Mind2Web 多模態上仍保持優勢(82.0% vs 79.9%,86.8% vs 86.2%)。不過,Gemini 每 100 萬輸入 Token 收費 0.10 美元,是 Jev 的約 2.38 倍。性能上去了,價格也更貴了,谷歌顯然想用更強的多模態能力和批量決策能力打開市場。Jev 在 9 月發佈後數週內拿下 75 億美元估值,a16z 領投 8.7 億美元,約三分之一財富 500 強被列爲客戶。但質疑從未消散:廠商自報的“快 193 倍、便宜 445 倍”缺乏第三方復現,原創性爭議尚未定論,獨立評測指向同一個結論:快和便宜是真的,質量是另一回事。雷峯網Google 此時入場,至少證明了一件事:決策模型不是一場鬧劇,而是一個值得巨頭押注的品類。01模型怎樣跳過文本生成完成決策普通 LLM 處理“從四個工具裏選一個”這類任務時,仍然走自迴歸解碼:逐 Token 生成工具名或 JSON,程序再解析執行。模型承擔的是開放式文本生成,業務需要的卻是有限候選項中的概率判斷。Gemini Decision 1 把輸出目標改成了候選項評分。開發者提前定義問題、候選集合和判斷標準,模型讀取輸入後,直接返回各候選項的概率分佈。整個過程通過單次前向計算完成,不需要逐 Token 生成答案,也沒有輸出 Token 費用。這和普通的 Structured Output 有明顯區別。Structured Output 仍然讓模型生成文本,只是通過 Schema 限定 JSON 的字段和格式,Gemini Decision 1 則直接圍繞有限候選空間完成評分,返回結果本身就是程序可以讀取的數據。這裏有一個容易被忽略的細節:不同判斷類型返回的概率含義並不相同。Noul 處理二元判斷,返回某個條件成立的概率,範圍爲 0.01—0.99。如果問題本身存在歧義,開發者還可以分別定義什麼情況算 Yes、什麼情況算 No,減少判斷標準不清晰帶來的偏差。Choice 處理多分類問題,支持 2—255 個候選項,返回勝出選項以及各候選項的歸一化概率,所有候選項概率之和爲 1。它適合工具路由、模型選擇和任務分類。不過,這種概率分配始終發生在給定的候選集合內,即使所有選項都不符合輸入,模型仍會選出一個相對匹配的結果。因此,開發者需要提供 Other 選項,或者額外設置範圍檢查。Score 的設計更有意思。它並不簡單返回一個等級,而是先給有序評分標準中的每個等級分配概率,再計算加權評分。例如,將問題分爲 0 級、1 級和 2 級,模型可能給出 0.1、0.7 和 0.2 的概率,最終評分可以落在 1 和 2 之間。這實際上把離散分類擴展成了連續評分,方便程序進行排序和閾值篩選。不過,加權結果會壓縮概率分佈中的信息:兩個輸入即使得到相同分數,背後的等級概率也可能完全不同。因此,對於需要區分風險等級的任務,程序還應該讀取各等級的概率,不能只使用最終評分。這三種類型構成了 Gemini Decision 1 的輸出體系。模型不再負責生成一段可以供人閱讀的答案,開發者需要設計清晰的問題和候選標準,程序則負責把概率結果轉化成具體執行條件。雷峯網021000 項問題如何完成獨立計算Gemini Decision 1 的請求結構是一份 Shared Input 對應一組 Questions 。前者承載文本、圖像、音頻、視頻和 PDF,後者定義需要完成的判斷任務。每個問題可以使用不同的判斷類型和評分標準,單次請求支持至多 1000 項問題。以設備巡檢爲例,系統收到一段運行視頻、一份維修記錄和一段現場語音,需要判斷設備是否異常、異常類別、嚴重程度以及是否需要人工檢查。開發者可以把三種材料放進同一份輸入,再分別定義這些問題。異常檢測使用 Noul,類別判斷使用 Choice,嚴重程度使用 Score。模型讀取相同材料,分別完成各項評分。這套設計有兩個技術細節。首先,每項問題具有獨立的評估路徑。Google 文檔明確說明,各問題只能讀取共享輸入,不能讀取其他問題的答案。增加或刪除某項問題,也不會改變其他問題的答案。這意味着並行評分沒有依賴前序問題的推理鏈,模型可以在同一輪前向計算中完成多個獨立判斷。其次,共享輸入只計費一次。每項問題額外產生的費用來自自身的 instructions 和 criteria Token,而不需要重複計算整份材料。對於長文檔批量審覈、音視頻檢查和多維度內容評估,這種計費結構會影響整體調用成本。但 1000 項問題並不意味着可以把任意複雜的工作流塞進一個請求。如果問題 B 必須根據問題 A 的具體結果生成新的候選項,兩項任務就存在前後依賴。開發者需要先讀取 A 的結果,再提交 B。若 B 的候選項已經確定,只是需要在 A 不滿足條件時忽略 B 的答案,則可以將兩項判斷同時提交,由程序決定是否採用結果。輸入長度同樣需要考慮。Gemini Decision 1 的上下文上限爲 256K Token,這個預算需要由共享材料和全部問題共同使用,並非每項問題各自擁有 256K。問題數量增加時,instructions 和 criteria 也會佔用上下文空間。谷歌公佈的延遲數據中,在上下文不超過 16K Token 的測試條件下,從 1 項增加到 100 項問題,模型計算延遲基本保持平穩,中位計算延遲爲 50—100 ms,端到端延遲爲 150—250 ms。需要區分的是,API 支持 1000 項問題,公開的近乎平穩延遲測試範圍則爲 1—100 項。多模態輸入還涉及一項工程取捨。圖像和視頻可以設置 low、medium、high、ultra_high 等分辨率等級,視覺細節越豐富,輸入成本也會隨之變化。音頻和 PDF 則直接進入相應的內容處理路徑,無需開發者另外組織獨立的識別服務。谷歌也明確將 OCR 和音頻轉寫相關開銷納入模型輸入計費體系,不另收輸出 Token 費用。這裏並沒有公開足夠的信息來還原模型內部的並行計算圖。能夠確認的是,各問題共享同一份輸入,在單次前向計算中獨立評分。至於內部是否使用獨立輸出頭、如何分配各問題的計算資源,谷歌目前沒有給出完整技術說明。03PK Jev:“五項領先”的背後Gemini Decision 1 爲每項答案提供 confidence,取值爲 0—1。它表示模型對當前結果正確性的估計。對於 Noul,confidence 取 Yes 和 No 兩種結果中概率較高的一方,對於 Choice,它對應勝出選項的概率,對於 Score,則對應概率較高的等級。這項設計讓程序能夠根據判斷可靠程度設置不同的執行門檻。這裏涉及概率校準。ECE(Expected Calibration Error,期望校準誤差)衡量模型給出的概率與實際正確比例之間的偏差。谷歌公佈的 Gemini Decision 1 ECE 爲 0.0250,Jev 1.14 爲 0.0494。從產品落地來看,谷歌已經在 Gemini Notebook 中使用 Decisions API 進行模型路由,根據請求複雜程度選擇模型檔位和推理等級,日常請求延遲據稱降低了 40%。Google Search 將其用於 MCP 工具的安全檢查,Stitch 則使用它加快交互設計過程中的操作選擇。與 TypeSafe Jev 相比,兩款模型的技術方向相近,但公開信息呈現出不同側重。TypeSafe 已經披露 Jev 使用專門的模型架構、Parallel Sampler,以及 RLCD(Reinforcement Learning for Calibrated Decisions)訓練方法。Jev 1.14 增加了圖像輸入、Box 判斷類型和長上下文能力,不過相關功能在發佈時仍被放在實驗性配置中。Gemini Decision 1 則依託 Gemini 原生多模態架構,將音頻、視頻、PDF 納入輸入範圍,並提供 256K 上下文和 1000 項問題請求能力。谷歌尚未披露與 TypeSafe 類似的訓練方案,因此兩者的內部訓練路線暫時無法進行直接比較。性能上,谷歌公佈的 7 項共享基準中,Gemini Decision 1 有 5 項超過 Jev 1.14,Jev 在 When2Call 工具調用和 Mind2Web 多模態上保持領先。When2Call 是 Agent 工具選擇的核心場景,Jev 在這個指標上的反超說明 Google 的優勢並非無差別覆蓋。另外,第三方獨立評測機構 Artificial Analysis 的 Decision Index v2.1 榜單中, Gemini Decision 1 的綜合分 65.98,略低於 Jev 的 66.23,遠低於榜首 Drex Max v1.1 的 72.62。單任務延遲 211 ms,高於 Jev 的 92 ms;價格方面,Gemini 每 100 萬輸入 Token 收費 0.10 美元,Jev 爲 0.042 美元。換句話說,Google 用多模態能力和批量處理換溢價,但“更強”在第三方統一任務套件上尚未兌現爲“更優”。校準誤差的領先是真實的,但校準領先不等於綜合決策質量領先。04Agent 的決策層,正在變成獨立戰場Gemini Decision 1 把原本散落在 Agent 工作流中的一類任務,正式變成了獨立的模型調用能力。它涉及的不只是評分速度,還包括候選空間定義、共享輸入複用、問題隔離、概率校準和程序控制之間的配合。通用 LLM 仍然負責複雜推理、規劃和內容生成,Decision Model 則承擔能夠提前定義標準的判斷任務。開發者需要根據任務依賴關係安排調用順序,再根據概率表現決定自動執行範圍。Jev 在 9 月點燃了這個品類,Google 在 11 月用多模態和批量能力加註。這條路線能否形成長期優勢,還要看模型在複雜輸入、任務分佈變化和真實業務環境中的穩定表現。谷歌入場後,專用決策模型開始進入更大規模的產品競爭,Agent 的工程設計也將從單純依賴生成模型,轉向更加細緻的模型分工。參考鏈接:https://blog.google/innovation-and-ai/technology/developers-tools/gemini-decisions-api/