اولین مدل تصمیم‌گیری گوگل با نام Gemini Decision 1 معرفی شد

گوگل دیپ‌مایند روز چهارشنبه از رابط برنامه‌نویسی کاربردی جدید خود با نام «جمینای Decisions API» رونمایی کرد. این ابزار برای توسعه‌دهندگانی طراحی شده که نیاز دارند نرم‌افزارهای آنها مجموعه‌ای از تصمیم‌گیری‌ها و قضاوت‌های کوچک را با سرعت بالا انجام دهند. برای مثال، یک سیستم ثبت خسارت بیمه می‌تواند فرم اسکن‌شده، تصاویر آسیب‌دیدگی و یادداشت‌های تماس مشتری را در قالب یک درخواست واحد ارسال کند و هم‌زمان از آن سوال کند پرونده باید به کدام صف ارجاع شود، آیا مدرکی ناقص است و اولویت بررسی آن چقدر است. مدل جدید گوگل یعنی «جمینای Decision 1» می‌تواند تا 1000 پرسش درباره یک محتوای مشترک را تنها در یک مرحله پردازشی پاسخ دهد. گوگل به ازای هر یک میلیون توکن ورودی مبلغ 0.10 دلار دریافت می‌کند و توکن‌های خروجی آن رایگان است. این قیمت‌گذاری، گوگل را وارد بازاری می‌کند که پیش‌تر مدل Jev از شرکت TypeSafe در بخش طبقه‌بندی ارزان، رابط برنامه‌نویسی Decisions شرکت OpenAI مبتنی بر مدل GPT-6 Luna و همچنین ابزار Strands Decider آمازون (با امکان اجرا روی زیرساخت شخصی توسعه‌دهندگان) در آن حضور داشتند. گوگل می‌گوید مزیت رقابتی این مدل در بخش سازمانی، به تنوع داده‌های ورودی در هر درخواست مربوط است. با کمک این مدل، تیم‌هایی که با فایل‌های صوتی، تصاویر ویدیویی و اسناد PDF سروکار دارند، می‌توانند همه این فایل‌ها را به‌صورت یکجا ارزیابی کنند. در مقابل، برای تیم‌هایی که صرفاً تیکت‌های متنی کوتاه را دسته‌بندی می‌کنند، گزینه‌های میزبانی ارزان‌تری نیز وجود دارد و شاخص تصمیم‌گیری Artificial Analysis از نظر کیفیت کلی، Jev و جمینای را بسیار نزدیک به هم ارزیابی کرده است. یک درخواست واحد برای پوشش کامل یک چک‌لیست با جمینای Decisions API براساس راهنمای Gemini Decisions API، این سیستم از سه نوع پرسش پشتیبانی می‌کند: پرسش‌های «بله یا خیر» که احتمال برقرار بودن یک شرط را برمی‌گرداند؛ پرسش‌های «چندگزینه‌ای» که از میان 2 تا 255 گزینه نام‌گذاری‌شده انتخاب کرده و احتمال هر کدام را گزارش می‌دهد؛ و پرسش‌های «مقیاس‌محور» که یک امتیاز وزنی و احتمالات را در بازه‌ای که توسعه‌دهنده تعریف کرده است، ارائه می‌کند. اپلیکیشن می‌تواند از این احتمالات برای ارجاع موارد مبهم به اپراتور انسانی یا درخواست قضاوت از یک مدل دوم استفاده کند. این مدل با یک بار پردازش داده‌های ورودی، به تمام گزینه‌های موجود امتیاز می‌دهد و توانایی خواندن هم‌زمان متن، تصویر، صوت، ویدیو و فایل‌های PDF را دارد. توسعه‌دهندگان همچنین می‌توانند وضوح تصویر و ویدیو را تنظیم کنند تا میزان جزئیات قابل مشاهده و تعداد توکن‌های مصرفی را کنترل نمایند. سقف ظرفیت ورودی این مدل 262 هزار و 144 توکن است؛ به این معنا که مجموع حجم فایل‌ها و اسناد ارسالی، به همراه متن تمامی پرسش‌ها (تا 1000 پرسش) و گزینه‌های آنها، باید در همین محدوده جای بگیرد. هر پرسش به‌طور مستقل ارزیابی می‌شود؛ بنابراین اگر تصمیم دوم به نتیجه تصمیم اول وابسته باشد، برنامه باید این وابستگی را در کد مدیریت کند یا یک فراخوانی مجدد انجام دهد. علاوه‌براین، وظایفی مانند نگارش یک توضیح متنی یا استخراج یک شماره فاکتور دلخواه از فایل، همچنان نیازمند یک مرحله تولید یا استخراج مجزا هستند. گوگل اعلام کرده که سرویس جمینای Notebook از این مدل برای هدایت پرسش‌ها به سمت مدل‌های مختلف و سطوح متفاوت تلاش استدلالی استفاده می‌کند و در این جریان کاری، تا 40 درصد کاهش تأخیر برای پرسش‌های معمول ثبت شده است. جایگاه جمینای Decision 1 در بنچمارک‌ها و ارزیابی‌های مستقل در بنچمارک‌های زمان عرضه گوگل، Gemini Decision 1 در پنج آزمون از هفت آزمونی که هر چهار مدل در آنها شرکت داشتند، صدرنشین شد. این مدل در آزمون JevBench امتیاز 92.2 درصد را کسب کرد و بالاتر از GPT-6 Luna با 90.9 درصد و Jev 1.14 با 90.0 درصد قرار گرفت. با‌این‌حال، مدل Jev در بنچمارک وظایف مرورگر Mind2Web Multimodal با امتیاز 86.8 درصد در برابر 86.2 درصد و همچنین در آزمون When2Call (سنجش تصمیم‌گیری برای استفاده از ابزارها) با امتیاز 82.0 درصد در برابر 79.9 درصد، از جمینای پیشی گرفت. در دو آزمون رسانه‌ای نیز گوگل این مدل را با Gemini 3.5 Flash-Lite مقایسه کرده که Decision 1 در بنچمارک صوتی MMAU امتیاز 71.8 درصد (در برابر 67.7 درصد) و در آزمون ویدیویی Video-MME امتیاز 69.1 درصد (در برابر 63.3 درصد) را به دست آورد. مدل Decision 1 در مقایسه گوگل پایین‌ترین خطای کالیبراسیون را با عدد 0.0250 ثبت کرده که تقریباً نصف خطای 0.0494 در مدل Jev است. کالیبراسیون نشان می‌دهد میزان اطمینان مدل چقدر با نرخ واقعی درستی پاسخ‌هایش مطابقت دارد. گوگل همچنین گزارش داده که اجرای آزمون‌های مشترک از طریق Interactions API با Decision 1 معادل 0.88 دلار، با Jev معادل 0.68 دلار و با Gemini 3.5 Flash-Lite معادل 4.14 دلار هزینه داشته که نشان می‌دهد Flash-Lite حدود 4.7 برابر گران‌تر از Decision 1 بوده است. در بخش قیمت‌گذاری، در مدل‌های معمولی، اگر بخواهید 20 سوال مختلف درباره یک فایل بپرسید، باید در 20 درخواست جداگانه، هربار کل فایل را دوباره برای هوش مصنوعی بفرستید؛ اما گوگل در این سرویس، فایل اصلی را تنها یک بار محاسبه کرده و حجم سوال‌ها را به آن اضافه می‌کند. برای مثال، فرض کنید یک پرونده 4000 توکنی دارید و می‌خواهید 20 سوال (هر کدام 50 توکن) درباره آن بپرسید. در روش جدید گوگل، فایل 4000 توکنی به‌علاوه مجموع 1000 توکنِ سوال‌ها، تنها یک درخواست 5000 توکنی ایجاد می‌کند که پردازش هزار پرونده مشابه با آن، حدود 0.50 دلار هزینه دارد. در مقابل، اگر مجبور بودید این 20 سوال را در 20 درخواست مجزا بفرستید و هربار کل پرونده را تکرار کنید، هزینه پردازش همان هزار پرونده به 8.10 دلار می‌رسید. توسعه‌دهندگان می‌توانند کار خود با این مدل را از طریق نقطه پایانی v1beta در Gemini Developer API و Google AI Studio آغاز کنند. محدودیت‌های سطح رایگان شامل 200 درخواست و 50 هزار توکن ورودی در دقیقه است. پلتفرم‌های OpenRouter و Vercel AI Gateway نیز این مدل را در فهرست خود قرار داده‌اند. گوگل همچنین اعلام کرده پشتیبانی از این مدل در Google Cloud به‌زودی ارائه خواهد شد.