TL;DR:2026-11-11,Google 发布 Gemini Decisions API(模型
gemini-decision-1)。它不生成文字,而是对一段共享的多模态输入,一次前向就给出最多 1000 个问题的概率答案——是非题、选择题、有序评分三种。端到端 150–250 ms、输入 $0.10/1M tokens、输出零计费。对 RAG 路由、Agent 工具选择、内容护栏这类"闭集判断",它比让 LLM 逐 token 吐 JSON 便宜且稳。
一、为什么"分类"不该让 LLM 写字
过去两年,我们做路由和打标的默认姿势是这样的:给模型一段 prompt,要求"只输出 JSON,label 从这三个里选",然后 json.loads。这套做法在工程上有三个结构性缺陷,而且都不是调参能解决的:
| 缺陷 | 表现 | 根因 |
|---|---|---|
| 延迟不可控 | 首 token 之后还要解码到 },P99 抖到秒级 | 生成是自回归的,逐 token 计费也逐 token 耗时 |
| 成本被输出吃掉 | 分类只需 1 个 token,却要付整段 JSON 的输出费 | 按输出 token 计费 |
| 置信度不可信 | 模型自称 0.95,实际准确率只有 0.7 | 生成式模型没有校准(calibration)机制 |
第三点最要命。你要用它做"低置信度转人工",可它给的概率是编出来的——本质上是"看起来像概率的文字",而不是概率。拿这种数字定阈值,等于用假秤称重。
Decisions API 的思路是把这个任务从"生成"搬回"判别":不解码、不打字,一次前向直接把候选答案的分数算出来。官方给出的口径是:单次请求可评估最多 1000 个问题,端到端 150–250 ms(其中模型计算 50–100 ms),输入 $0.10/1M tokens、输出 $0、无 thinking token 与单独 OCR/转写费用;问题数量从 1 增加到 100,延迟近乎平坦,因为所有问题在同一次前向里并行打分。
二、协议长什么样:共享输入 + 问题集
请求结构只有两块,理解这两块就理解了这个 API 的全部:
input:一段共享的多模态内容,格式与 Interactions API 的Contentblock 一致,支持 text / image / audio / video / PDF,可混排。这部分每次请求只计费一次,不管你问 1 个还是 1000 个问题。questions:一个字典,键是你自己起的名字,值是一个题型定义。每个问题的 instruction 与 criteria 才单独计 token。
三种题型是它的全部表达力:
| 题型 | 语义 | 返回 | 适用场景 |
|---|---|---|---|
noul(是非) | 判断某个条件是否成立,可给 true/false 的判定标准 | 概率 0–1 + 置信度 | 政策校验、敏感内容判定、要不要检索 |
choice(选择) | 从 2–255 个候选里选一个 | 胜出项 + 每个候选的归一化概率 | 工具选择、意图路由、模型分档 |
score(评分) | 按有序 rubric(从 0 开始)打分 | 连续加权分 + 每个档位的概率 | 质量评级、严重度、风险分级 |
注意 score 返回的是连续分而不是离散档位,这让你可以定"≥1.5 转人工"这种细粒度阈值,而不是被三档卡死。
三、跑起来:从最小调用到生产封装
官方 Python 示例用的是 google-genai SDK 的 client.decisions.create。下面把它换成一个更贴近业务的场景:电商客服工单的自动分流。
3.1 最小可用调用
from google import genai
client = genai.Client(http_options={"api_version": "v1beta"})
resp = client.decisions.create(
model="gemini-decision-1",
input=[
{"type": "text", "text": "用户留言:收到的耳机左耳没声音,包装已拆,要求退货。"},
{"type": "image", "uri": "https://example.com/ticket-1024.jpg", "mime_type": "image/jpeg"},
],
questions={
"needs_refund": {
"type": "noul",
"instructions": "用户是否明确要求退款或退货?",
"true_criteria": "出现退款、退货、退钱等明确诉求",
"false_criteria": "仅咨询物流、保修政策或使用方法",
},
"route": {
"type": "choice",
"instructions": "这条工单应路由到哪个队列?",
"criteria": {
"refund_queue": "涉及退款退货,需人工审核凭证",
"tech_queue": "功能故障排查,可自助解决",
"logistics_queue": "物流时效、包裹丢失",
},
},
"severity": {
"type": "score",
"instructions": "评估工单处理优先级。",
"criteria": [
"可自助解决,无情绪风险",
"需人工介入,用户情绪平稳",
"高价值商品或用户已表达强烈不满",
],
},
},
)一个请求同时拿到"是否退款""路由到哪""优先级多高"三个答案,而共享的那段文字与图片只付一次输入费。
3.2 生产封装:阈值、回退与结构化
真实系统里,choice 的概率分布比"最高分"更有用——第二名的概率高说明模型在犹豫,这种样本应该进人工队列,而不是硬选一个。
from dataclasses import dataclass
@dataclass
class Decision:
route: str
route_conf: float
margin: float # 第一名与第二名的概率差
severity: float
needs_refund: float
def decide(ticket_text: str, image_uri: str | None) -> Decision:
inp = [{"type": "text", "text": ticket_text}]
if image_uri:
inp.append({"type": "image", "uri": image_uri, "mime_type": "image/jpeg"})
r = client.decisions.create(
model="gemini-decision-1",
input=inp,
questions={
"needs_refund": {"type": "noul", "instructions": "用户是否明确要求退款或退货?"},
"route": {
"type": "choice",
"instructions": "这条工单应路由到哪个队列?",
"criteria": {
"refund_queue": "涉及退款退货",
"tech_queue": "功能故障排查",
"logistics_queue": "物流时效问题",
},
},
"severity": {
"type": "score",
"instructions": "评估处理优先级。",
"criteria": ["可自助", "需人工", "高价值或强不满"],
},
},
)
q = r.questions["route"]
probs = sorted(q.probabilities.items(), key=lambda kv: kv[1], reverse=True)
top, second = probs[0], (probs[1] if len(probs) > 1 else ("", 0.0))
d = Decision(
route=top[0],
route_conf=top[1],
margin=top[1] - second[1],
severity=r.questions["severity"].score,
needs_refund=r.questions["needs_refund"].probability,
)
# 双阈值:置信度低 或 与第二名拉不开差距 → 转人工
if d.route_conf < 0.70 or d.margin < 0.15:
d.route = "human_queue"
# 高档位评分一律人工复核
if d.severity >= 1.5:
d.route = "human_queue"
return d这段代码里有两个工程决定值得解释:
margin比conf更可靠。模型对"退款 vs 物流"这种互斥选项,两个都给 0.45 时,conf看上去还过得去,但margin直接暴露了它在猜。用margin < 0.15兜底,比单纯调高conf阈值更能抓住边界样本。score用连续分定阈值。severity >= 1.5这种写法,比"模型输出高危/中危标签"稳定得多——分数是算出来的,标签是写出来的。
3.3 校准验证:别信置信度,先测 ECE
用置信度做分流,前提是置信度真的校准过。标准做法是拿一批人工标注样本跑一遍,算 ECE(Expected Calibration Error):把所有样本按置信度分桶,比较每桶的平均置信度与实际准确率。
def expected_calibration_error(samples, n_bins=10):
"""samples: [(confidence, correct_bool), ...]"""
bins = [[] for _ in range(n_bins)]
for conf, ok in samples:
idx = min(int(conf * n_bins), n_bins - 1)
bins[idx].append((conf, ok))
ece, total = 0.0, len(samples)
for b in bins:
if not b:
continue
acc = sum(1 for _, ok in b if ok) / len(b)
avg_conf = sum(c for c, _ in b) / len(b)
ece += (len(b) / total) * abs(acc - avg_conf)
return ece跑法很简单:取 500 条历史工单,人工标好正确路由,逐条调用 decide(),把 (route_conf, route == 人工标注) 喂进去。ECE 小于 0.05 才算能用——这个量级意味着"它说 0.8 的时候,实际对的比例大约就是 0.8"。官方在多个 benchmark 上报的 Top-1 ECE 是 0.0399,同场对标的通用模型是 0.0494 / 0.0791 / 0.2104,后两个基本不具备定阈值的能力。你自己业务上的 ECE 还得自己测,因为校准误差和输入分布强相关。
四、三条落地路径
Decisions API 的价值不在"能分类",而在"能在一次请求里、以毫秒级、按你的标准分类"。落到具体系统上有三条路。
4.1 RAG 前置路由:先判断"要不要检索"
Naive RAG 最大的浪费是"每条问题都检索一遍,哪怕它根本不需要外部知识"。用 noul + choice 组合,可以在检索之前做闸门:
questions = {
"needs_retrieval": {
"type": "noul",
"instructions": "回答该问题是否需要检索内部知识库?",
"true_criteria": "涉及内部制度、产品参数、历史工单等私有事实",
"false_criteria": "闲聊、通用常识、纯格式转换",
},
"kb": {
"type": "choice",
"instructions": "命中哪个知识库?",
"criteria": {
"product_docs": "产品手册、参数、兼容性",
"policy": "退换货、发票、合规制度",
"none": "不需要检索",
},
},
}判定 needs_retrieval < 0.5 就直接走轻量模型回答,省掉一次向量检索 + 一次长上下文生成;判定命中 policy 就去制度库。这套"先判后检"和 Agentic RAG 的自适应检索是同一思路,只是把判断环节从"让模型想一想"换成了"让模型打一次分"——延迟从几百毫秒到一两秒,压到 200 ms 量级。
4.2 Agent 工具选择:在 function calling 之前收窄候选
工具多起来之后,把几十个工具的 schema 全塞进 prompt 让模型选,既贵又不稳。两个阶段更划算:先用 choice 把 50 个工具收窄到 3 个(候选名 + 一句话说明放 criteria),再把这 3 个的完整 schema 交给生成模型做参数填充。
choice 上限 255 个候选,工具数量在这个量级内都不用改架构。而且它返回的是全候选的归一化概率,你可以把"前 3 名概率和 < 0.8"的请求直接判定为"意图不明",走澄清话术,而不是让 Agent 拿着一个错工具硬跑。
4.3 输出护栏:把"审核"从生成改成打分
内容护栏最典型的需求是"这条回复有没有踩红线"。用生成式模型做审核,你会得到一个"是/否 + 理由"的文本,还要再解析;用 noul 一次拿到概率,用 score 拿到严重度,纯数值,直接进策略引擎。
| 任务 | 题型 | 建议阈值 | 兜底动作 |
|---|---|---|---|
| 是否需要检索 | noul | 0.5 | 低于阈值走轻量回答 |
| 工具/队列路由 | choice | conf 0.7 + margin 0.15 | 转人工或澄清 |
| 内容合规审核 | noul | 0.85(宁可误杀) | 拦截并记录 |
| 风险分级 | score | ≥1.5 | 人工复核 |
Google 自己在 Search 里就是用这套东西做 MCP 工具的对抗行为检测——工具调用的输入输出是"闭集判断"的典型场景,判断延迟必须落在用户可感知的预算内。
五、成本账怎么算
它的计价模型有两个反直觉的地方,算错了会得出完全相反的结论:
- 输出不计费。传统生成式分类,输出 200 token 的 JSON 要按输出价付;这里有 0 输出 token。
- 共享输入只算一次。同一段 2K token 的文档,问 1 个问题和问 100 个问题,文档部分只计一次,只有每题的 instruction/criteria 递增。
按 $0.10/1M 输入 token 粗算三种典型负载:
| 场景 | 单次 token 估算 | 100 万次调用成本 |
|---|---|---|
| 单题路由(1.5K 输入 + 1 题) | ≈ 1.6K | ≈ $160 |
| 三题工单分流(2K 输入 + 3 题) | ≈ 2.3K | ≈ $230 |
| 50 题批量质检(8K 输入 + 50 题) | ≈ 13K | ≈ $1,300 |
对比官方给的对照:同样跑一套基准,几个通用模型走生成式接口的等效价格是 $0.48 / $0.93 / $4.14 每 1M token 量级,也就是说在分类任务上便宜了 5 倍以上——而且这个倍数是在输出不计费的前提下算出来的,实际业务里生成式方案还要额外付 JSON 输出的钱。
六、生产落地的六个坑
- 把置信度当准确率。必须先跑 3.3 的 ECE,再定阈值。官方基准的 0.0399 是在它的评测集上,不是在你的数据上。
- criteria 写得含糊。
choice的候选描述就是判定标准,写"适合技术问题"这种话等于没写。要写成可判定的条件,最好带上反例。 - 上下文长度预期错位。输入上限能到 256K tokens,但官方公布的延迟与基准数据是在 16K 上下文内测的;把整本手册塞进去做判断,延迟和成本都会偏离预期。长文档先切片,再按需喂。
- 多模态分辨率不设限。图像/视频有分辨率参数,直接决定 token 消耗。做"有没有污渍"这种判断,低分辨率够用;做"票据金额是否一致"才需要高分辨率。
- 把它当生成模型用。它不产出文本,别指望它解释理由。要可解释性,就自己在 criteria 里编码理由维度,再配合日志。
- 没有降级路径。API 抖动或配额打满时,必须有本地兜底(规则引擎或小模型),并且这个兜底要能接受"分类质量下降"而不是直接 500。
七、结论
Gemini Decisions API 真正改变的不是"多了一个模型",而是把一类任务从生成挪回了判别:
- 对 RAG,它提供了一个 200 ms 级的前置闸门,让"要不要检索"变成可算的概率题;
- 对 Agent,它把工具选择从"塞满 prompt 让模型挑"变成"打分收窄候选",成本与稳定性同时改善;
- 对护栏,它给的是数值而不是文本,策略引擎可以直接消费。
用一句话概括取舍:凡是"候选集有限、答案可枚举"的判断,都不该交给逐 token 解码的模型。先算一遍 ECE,再定一个你愿意承担误判代价的阈值,这类任务就能从"玄学调 prompt"变成有 SLA 的工程件。
延伸阅读:RAG 的自适应检索循环可以看 Agentic RAG 架构 2026;如果你在用 Go 搭 MCP 服务,MCP 2.0 无状态服务器实战里的工具注册模型正好可以和这里的工具收窄配合;工具链安全侧的新进展见上一篇 Go 1.27.4 的 12 个 CVE 拆解;更多 AI 工程文章在 AI 专栏汇总。
参考资料
- Gemini Decisions API: Fast, calibrated multimodal decisions — Google 官方发布文,2026-11-11,含 API 参数、计价与基准数据
- Gemini API 文档:Decisions — 请求结构与题型定义
- google-genai Python SDK —
client.decisions.create的 SDK 实现 - Google AI Studio — 获取 API key 与无额度限制的原型试用
- Gemini 4 Hydrogen 发布说明 — 同批次模型更新

