[控场AI]
· 4 分钟阅读· 2,157 字

Gemini Decisions API发布:多模态决策模型对决Jev与OpenAI

Gemini Decisions API发布:多模态决策模型对决Jev与OpenAI

Google 推出 Gemini Decision 1,决策模型赛道形成 Jev、OpenAI、Google 三方竞争。

Google 正式发布 Gemini Decisions API,以 Gemini Decision 1 模型加入决策模型品类,与 Jev、OpenAI 形成三方竞争。该模型支持是/否判断、多选项选择和评分量表三类问题,接口设计高度兼容 Jev,甚至沿用其「Noul」术语。定价上与 GPT-6 Luna 相同(每百万输入 token 10 美分、输出免费),Jev 以 4.2 美分保持最低价。Gemini 的差异化优势在于全模态支持(文本、图像、音频、视频、PDF),可直接处理原始文件。实测显示,Gemini 对是/否问题返回概率值而非 1.0/0.0 二元结果,需调用方自行设定阈值,这既提供了置信度分级能力,也增加了工程负担。三家产品在问题类型和接口术语上趋同,表明决策模型品类正在形成事实标准。

决策模型赛道迎来第三位玩家

Google 正式推出 Gemini Decisions API,以「Gemini Decision 1」模型加入决策模型这一新兴品类。据 Simon Willison 的博客记录,这一发布让 Google 与 Jev、OpenAI 形成了三方竞争格局。决策模型与通用对话模型的定位不同:它不生成长篇回答,而是针对结构化问题返回判断结果,典型用途包括内容审核、数据标注、自动化质检等需要稳定输出的场景。

从接口设计看,Gemini Decision 1 与 Jev 高度相似,支持三类问题:是/否判断(yes/no)、多选项选择(choice)以及评分量表打分(rubric-scoring)。有意思的是,Google 甚至沿用了 Jev 对是/否问题的术语「Noul」,这说明决策模型的接口规范正在形成事实上的行业惯例,后进入者选择兼容而非另起炉灶。

决策模型(Decision Model) 是相对于通用生成式模型的一类专用模型,其设计目标不是产出自然语言长文本,而是对结构化输入返回结构化判断,例如布尔值、类别标签或评分。这类模型通常针对特定任务(审核、标注、质检)做过优化,输出格式受约束、可复现性更高,适合嵌入自动化流水线。与通用对话模型相比,决策模型在延迟、成本和输出稳定性上更有优势,但灵活性较低,不适合开放式问答。该品类的兴起反映了业界将「生成」与「判断」解耦的趋势。

rss source: Gemini Decisions API

定价与模态能力的三方对比

三家产品的差异首先体现在价格上。Gemini Decision 1 与 GPT-6 Luna 决策模型定价相同:每百万输入 token 收费 10 美分,输出免费。Jev 仍是三者中最便宜的,每百万 token 仅 4.2 美分。对于需要大批量调用决策接口的业务来说,这个价差会被调用量放大,成本敏感型场景仍会优先考虑 Jev。

模态支持则是 Gemini 的差异化优势。Jev 仅支持文本和 JSON,OpenAI 支持文本与图像,而 Gemini Decision 1 覆盖文本、图像、音频、视频和 PDF。这意味着视频内容审核、音频质检、PDF 文档分类这类任务,此前需要先做转写或抽帧预处理,现在可以直接把原始文件交给决策接口。

Token 计费是大模型 API 的通用计价方式,输入 token 指用户提交的提示与数据,输出 token 指模型返回的内容。决策模型由于输出极短(如单个布尔值或类别名),通常输出费用可忽略不计,因此厂商多采用「仅收输入费」或「输出免费」的定价策略。多模态(Multimodal) 指模型可同时处理文本、图像、音频、视频、PDF 等多种输入格式。传统上,处理视频或音频需要先经过转写、抽帧等预处理步骤,再交给文本模型;而原生多模态决策模型可直接接收原始文件,减少预处理环节,降低工程复杂度与延迟。

实测视频判断:概率输出而非硬性二元

Simon Willison 用一个「Yonkers 踩踏机器人」视频做了测试,向模型提出四个是/否问题:视频里有没有龙、有没有机器人、是否拍摄于法国、是否拍摄于美国。

Jev 和 OpenAI 对是/否问题直接返回 1.0 或 0.0,而 Gemini 给出的是概率值:龙为 0.0498,法国为 0.0833,机器人为 0.9234,美国为 0.9230。判断方向与事实吻合——视频里有机器人、地点在美国,没有龙也不在法国——但 Gemini 选择保留置信度信息,而不是压成二元结果。

这种设计有利有弊。好处是下游系统可以设置自己的阈值,比如概率超过 0.9 才自动通过,介于中间区间则转人工复核,从而构建更细粒度的自动化流程。代价是调用方需要额外处理阈值逻辑,无法像 Jev 那样直接把 0/1 结果当作布尔值使用。对于追求确定性的流水线,这是一层新增的工程负担;对于需要置信度分级的场景,这反而是有价值的信号。

概率输出与阈值决策:在分类任务中,模型可以输出某一判断成立的置信度(0 到 1 之间的概率),而非直接给出硬性二元标签。调用方通过设定阈值(如 >0.9 判为正类,<0.1 判为负类,中间区间转人工)来控制自动化程度与误判风险的平衡。这种设计在内容审核、医疗辅助诊断等场景中尤为常见,因为保留置信度信息有助于构建分级处理流程。相比之下,强制二值化会丢失不确定性信息,但简化了下游逻辑。两种方案各有取舍,取决于业务对确定性与细粒度控制的需求。

决策模型品类正在成型

三个独立来源的产品在短时间内收敛到同一套问题类型与接口形态,说明决策模型已经不再是某家厂商的实验性功能,而是一个有明确需求边界的品类。其核心价值在于把「判断」从「生成」中剥离出来:用专门的模型做专门的事,输出格式稳定、成本可控、便于批量调用。

Gemini 的加入带来的变量主要是多模态。当决策接口可以直接吃视频和 PDF,内容平台的审核链路、企业的文档处理流程都可能被简化。但概率输出这一设计选择是否能被开发者接受,还需要看后续生态的反馈。据 Simon Willison 的记录,目前这一差异是三款产品中最显著的接口行为分歧。

#Gemini Decisions API#Gemini Decision 1#决策模型#Jev#OpenAI 决策模型#多模态 API#概率输出
分享:

相关推荐