新浪新闻客户端

Google 杀入 Jev 核心赛道:Gemini Decision 1 五项基准领先两项落后

Google 杀入 Jev 核心赛道:Gemini Decision 1 五项基准领先两项落后
2026年11月19日 19:20 新浪网 作者
avatar
滚动消息

  (来源:雷峰网)

  Jev 拿下的 75 亿美元估值曾被质疑是一场泡沫。现在 Google 用一款多模态决策模型告诉市场:这不是泡沫,是赛道。

  作者丨郑佳美

  编辑丨岑 峰

  谷歌正式入场了。

  刚刚,谷歌发布 Gemini Decision 1,正式向 两个月前引爆决策模型品类的 TypeSafe Jev发起挑战。

  和 Jev 一样,这款模型不生成任何文本,只计算供程序直接驱动 Agent 执行的候选项概率和置信度,不需要逐 Token 生成答案,连输出 Token 费用也省了。

  更大的突破出现在并行计算上。Gemini Decision 1 可以在同一份上下文中处理至多 1000 项独立判断,而且支持文本、图像、音频、视频和 PDF 混合输入。对于需要反复检查文档、选择工具、评估任务状态的 Agent,大量原本分散在不同模型调用中的判断,现在可以集中在一轮请求中完成。

  在数据上,7 项双方均有报告的共享基准中,Gemini Decision 1 赢下 5 项,Jev 在 When2Call 工具调用和 Mind2Web 多模态上仍保持优势(82.0% vs 79.9%,86.8% vs 86.2%)。

  不过,Gemini 每 100 万输入 Token 收费 0.10 美元,是 Jev 的约 2.38 倍。性能上去了,价格也更贵了,谷歌显然想用更强的多模态能力和批量决策能力打开市场。

  Jev 在 9 月发布后数周内拿下 75 亿美元估值,a16z 领投 8.7 亿美元,约三分之一财富 500 强被列为客户。但质疑从未消散:厂商自报的“快 193 倍、便宜 445 倍”缺乏第三方复现,原创性争议尚未定论,独立评测指向同一个结论:快和便宜是真的,质量是另一回事。雷峰网

  Google 此时入场,至少证明了一件事:决策模型不是一场闹剧,而是一个值得巨头押注的品类。

  01

  模型怎样跳过文本生成完成决策

  普通 LLM 处理“从四个工具里选一个”这类任务时,仍然走自回归解码:逐 Token 生成工具名或 JSON,程序再解析执行。模型承担的是开放式文本生成,业务需要的却是有限候选项中的概率判断。

  Gemini Decision 1 把输出目标改成了候选项评分。开发者提前定义问题、候选集合和判断标准,模型读取输入后,直接返回各候选项的概率分布。整个过程通过单次前向计算完成,不需要逐 Token 生成答案,也没有输出 Token 费用。

  这和普通的 Structured Output 有明显区别。Structured Output 仍然让模型生成文本,只是通过 Schema 限定 JSON 的字段和格式,Gemini Decision 1 则直接围绕有限候选空间完成评分,返回结果本身就是程序可以读取的数据。

  这里有一个容易被忽略的细节:不同判断类型返回的概率含义并不相同。Noul 处理二元判断,返回某个条件成立的概率,范围为 0.01—0.99。如果问题本身存在歧义,开发者还可以分别定义什么情况算 Yes、什么情况算 No,减少判断标准不清晰带来的偏差。

  Choice 处理多分类问题,支持 2—255 个候选项,返回胜出选项以及各候选项的归一化概率,所有候选项概率之和为 1。它适合工具路由、模型选择和任务分类。

  不过,这种概率分配始终发生在给定的候选集合内,即使所有选项都不符合输入,模型仍会选出一个相对匹配的结果。因此,开发者需要提供 Other 选项,或者额外设置范围检查。

  Score 的设计更有意思。它并不简单返回一个等级,而是先给有序评分标准中的每个等级分配概率,再计算加权评分。例如,将问题分为 0 级、1 级和 2 级,模型可能给出 0.1、0.7 和 0.2 的概率,最终评分可以落在 1 和 2 之间。

  这实际上把离散分类扩展成了连续评分,方便程序进行排序和阈值筛选。不过,加权结果会压缩概率分布中的信息:两个输入即使得到相同分数,背后的等级概率也可能完全不同。因此,对于需要区分风险等级的任务,程序还应该读取各等级的概率,不能只使用最终评分。

  这三种类型构成了 Gemini Decision 1 的输出体系。模型不再负责生成一段可以供人阅读的答案,开发者需要设计清晰的问题和候选标准,程序则负责把概率结果转化成具体执行条件。雷峰网

  02

  1000 项问题如何完成独立计算

  Gemini Decision 1 的请求结构是一份 Shared Input 对应一组 Questions 。前者承载文本、图像、音频、视频和 PDF,后者定义需要完成的判断任务。每个问题可以使用不同的判断类型和评分标准,单次请求支持至多 1000 项问题。

  以设备巡检为例,系统收到一段运行视频、一份维修记录和一段现场语音,需要判断设备是否异常、异常类别、严重程度以及是否需要人工检查。

  开发者可以把三种材料放进同一份输入,再分别定义这些问题。异常检测使用 Noul,类别判断使用 Choice,严重程度使用 Score。模型读取相同材料,分别完成各项评分。

  这套设计有两个技术细节。首先,每项问题具有独立的评估路径。Google 文档明确说明,各问题只能读取共享输入,不能读取其他问题的答案。

  增加或删除某项问题,也不会改变其他问题的答案。这意味着并行评分没有依赖前序问题的推理链,模型可以在同一轮前向计算中完成多个独立判断。

  其次,共享输入只计费一次。每项问题额外产生的费用来自自身的 instructions 和 criteria Token,而不需要重复计算整份材料。对于长文档批量审核、音视频检查和多维度内容评估,这种计费结构会影响整体调用成本。

  但 1000 项问题并不意味着可以把任意复杂的工作流塞进一个请求。如果问题 B 必须根据问题 A 的具体结果生成新的候选项,两项任务就存在前后依赖。开发者需要先读取 A 的结果,再提交 B。

  若 B 的候选项已经确定,只是需要在 A 不满足条件时忽略 B 的答案,则可以将两项判断同时提交,由程序决定是否采用结果。

  输入长度同样需要考虑。Gemini Decision 1 的上下文上限为 256K Token,这个预算需要由共享材料和全部问题共同使用,并非每项问题各自拥有 256K。问题数量增加时,instructions 和 criteria 也会占用上下文空间。

  谷歌公布的延迟数据中,在上下文不超过 16K Token 的测试条件下,从 1 项增加到 100 项问题,模型计算延迟基本保持平稳,中位计算延迟为 50—100 ms,端到端延迟为 150—250 ms。需要区分的是,API 支持 1000 项问题,公开的近乎平稳延迟测试范围则为 1—100 项。

  多模态输入还涉及一项工程取舍。图像和视频可以设置 low、medium、high、ultra_high 等分辨率等级,视觉细节越丰富,输入成本也会随之变化。

  音频和 PDF 则直接进入相应的内容处理路径,无需开发者另外组织独立的识别服务。谷歌也明确将 OCR 和音频转写相关开销纳入模型输入计费体系,不另收输出 Token 费用。

  这里并没有公开足够的信息来还原模型内部的并行计算图。能够确认的是,各问题共享同一份输入,在单次前向计算中独立评分。至于内部是否使用独立输出头、如何分配各问题的计算资源,谷歌目前没有给出完整技术说明。

  03

  PK Jev:“五项领先”的背后

  Gemini Decision 1 为每项答案提供 confidence,取值为 0—1。它表示模型对当前结果正确性的估计。对于 Noul,confidence 取 Yes 和 No 两种结果中概率较高的一方,对于 Choice,它对应胜出选项的概率,对于 Score,则对应概率较高的等级。这项设计让程序能够根据判断可靠程度设置不同的执行门槛。

  这里涉及概率校准。ECE(Expected Calibration Error,期望校准误差)衡量模型给出的概率与实际正确比例之间的偏差。谷歌公布的 Gemini Decision 1 ECE 为 0.0250,Jev 1.14 为 0.0494。

  从产品落地来看,谷歌已经在 Gemini Notebook 中使用 Decisions API 进行模型路由,根据请求复杂程度选择模型档位和推理等级,日常请求延迟据称降低了 40%。

  Google Search 将其用于 MCP 工具的安全检查,Stitch 则使用它加快交互设计过程中的操作选择。与 TypeSafe Jev 相比,两款模型的技术方向相近,但公开信息呈现出不同侧重。

  TypeSafe 已经披露 Jev 使用专门的模型架构、Parallel Sampler,以及 RLCD(Reinforcement Learning for Calibrated Decisions)训练方法。Jev 1.14 增加了图像输入、Box 判断类型和长上下文能力,不过相关功能在发布时仍被放在实验性配置中。

  Gemini Decision 1 则依托 Gemini 原生多模态架构,将音频、视频、PDF 纳入输入范围,并提供 256K 上下文和 1000 项问题请求能力。谷歌尚未披露与 TypeSafe 类似的训练方案,因此两者的内部训练路线暂时无法进行直接比较。

  性能上,谷歌公布的 7 项共享基准中,Gemini Decision 1 有 5 项超过 Jev 1.14,Jev 在 When2Call 工具调用和 Mind2Web 多模态上保持领先。When2Call 是 Agent 工具选择的核心场景,Jev 在这个指标上的反超说明 Google 的优势并非无差别覆盖。

  另外,第三方独立评测机构 Artificial Analysis 的 Decision Index v2.1 榜单中, Gemini Decision 1 的综合分 65.98,略低于 Jev 的 66.23,远低于榜首 Drex Max v1.1 的 72.62。单任务延迟 211 ms,高于 Jev 的 92 ms;价格方面,Gemini 每 100 万输入 Token 收费 0.10 美元,Jev 为 0.042 美元。

  换句话说,Google 用多模态能力和批量处理换溢价,但“更强”在第三方统一任务套件上尚未兑现为“更优”。校准误差的领先是真实的,但校准领先不等于综合决策质量领先。

  04

  Agent 的决策层,正在变成独立战场

  Gemini Decision 1 把原本散落在 Agent 工作流中的一类任务,正式变成了独立的模型调用能力。它涉及的不只是评分速度,还包括候选空间定义、共享输入复用、问题隔离、概率校准和程序控制之间的配合。

  通用 LLM 仍然负责复杂推理、规划和内容生成,Decision Model 则承担能够提前定义标准的判断任务。开发者需要根据任务依赖关系安排调用顺序,再根据概率表现决定自动执行范围。

  Jev 在 9 月点燃了这个品类,Google 在 11 月用多模态和批量能力加注。这条路线能否形成长期优势,还要看模型在复杂输入、任务分布变化和真实业务环境中的稳定表现。谷歌入场后,专用决策模型开始进入更大规模的产品竞争,Agent 的工程设计也将从单纯依赖生成模型,转向更加细致的模型分工。

  参考链接:https://blog.google/innovation-and-ai/technology/developers-tools/gemini-decisions-api/

特别声明:以上文章内容仅代表作者本人观点,不代表新浪网观点或立场。如有关于作品内容、版权或其它问题请于作品发表后的30日内与新浪网联系。
权利保护声明页/Notice to Right Holders

举报邮箱:jubao@vip.sina.com

Copyright © 1996-2026 SINA Corporation

All Rights Reserved 新浪公司 版权所有