AI资讯

Google 发布 Gemini Decisions API,以 Gemini Decision 1 进入决策模型赛道,支持视频与音频输入

来源Simon Willison查看原文

速览

  • Google 以 Gemini Decision 1 进入决策模型赛道,与 Jev、OpenAI 形成三家竞争
  • API 形态与 Jev 高度相似,连「Noul」术语都直接沿用
  • 价格与 GPT-6 Luna 持平,但高于 Jev 的每百万 token 4.2 美分
  • Gemini 的差异化在于多模态,独家覆盖音频、视频和 PDF 输入
  • Gemini 对 yes/no 返回概率而非 0/1,置信度表达更细
  • 实测视频中 robot 与 usa 概率均约 0.92,dragon 与 france 均低于 0.1

Google 推出 Gemini Decisions API,对应模型名为 Gemini Decision 1,正式进入由 Jev 和 OpenAI 开创的「决策模型」品类。该 API 与 Jev 高度相似:同样支持 yes/no、choice、rubric-scoring 三类问题,连 yes/no 问题的术语「Noul」也沿用 Jev 的叫法。定价与 GPT-6 Luna 决策模型一致,输入每百万 token 收 10 美分,输出免费;Jev 仍是三者中最便宜的,每百万 token 4.2 美分。差异主要在输入模态:Jev 只支持文本和 JSON,OpenAI 支持文本与图像,Gemini Decision 1 则覆盖文本、图像、音频、视频和 PDF。Simon Willison 用一段机器人视频做了实测,四个 yes/no 问题中 dragon 返回 0.04976021841520312、robot 返回 0.9234055387792485、france 返回 0.08329171353166241、usa 返回 0.9230459995157706。

关键事实

  • Google 发布 Gemini Decisions API,模型名为 Gemini Decision 1,加入决策模型品类
  • 支持 yes/no、choice、rubric-scoring 三类问题,与 Jev 一致,并沿用 Jev 的「Noul」术语
  • 定价为输入每百万 token 10 美分、输出免费,与 GPT-6 Luna 决策模型相同
  • Jev 仍是三者中最便宜的,每百万 token 4.2 美分
  • Jev 仅支持文本和 JSON,OpenAI 支持文本与图像,Gemini Decision 1 覆盖文本、图像、音频、视频和 PDF
  • 实测中 Gemini 对 yes/no 问题返回概率值而非 1.0/0.0,robot 为 0.9234055387792485,dragon 为 0.04976021841520312

本站视角

对做内容审核、视频理解流水线的团队来说,Gemini Decision 1 是目前唯一能直接吃视频和音频的决策模型,过去这类任务通常要先抽帧、转写再送文本模型,现在可以一步完成,工程链路会明显变短。但要注意两点:一是价格是 Jev 的两倍多,如果只是文本分类,没有理由迁移;二是 Gemini 返回概率而非 0/1,调用方必须自己定阈值,这既是灵活性也是迁移成本,从 Jev 或 OpenAI 切过来需要改判定逻辑。另外,Simon Willison 的测试只有一条视频、四个问题,样本极小,0.92 这类数值不能当作准确率证据,真实表现需要更大规模评测。我们认为 Google 此举更像是补齐品类占位而非技术突破,API 设计明显参照 Jev,真正的看点在于多模态输入在实际业务中的稳定性,这需要观察。

背景与影响

决策模型是近几个月出现的新品类:它不生成自由文本,而是针对预设问题返回结构化判定结果,适合做内容审核、路由、质检等需要稳定输出的场景。Jev 最早以极低价格切入,OpenAI 随后用 GPT-6 Luna 跟进并加入图像输入,Google 此次则以多模态覆盖最广作为卖点。这意味着该品类的竞争已从价格转向输入模态与输出粒度:Gemini 返回概率值而非 0/1,可能更适合需要置信度阈值的流水线,但也要求调用方自行设定判定门槛。

本文由 AI 辅助整理自公开信源,事实部分以原文为准;「本站视角」一节为编辑部判断,欢迎指正。版权归原作者所有,如有异议请联系我们。

编辑与审校

AI大海啸编辑部

负责选题、审校与「本站视角」的判断。

编辑流程与 AI 使用说明