谷歌发布 Gemini Decision 1：把"判断"从"生成"里拆出来，福建企业敢让 AI 自动干活的关键在这
11 月 12 日，据 InfoQ 报道，谷歌正式发布 Gemini Decision 1，并同步推出由该模型驱动的 Gemini Decisions API。谷歌 CEO Sundar Pichai 在 X 平台介绍，该模型不逐个 Token 生成文字，而是通过单次前向传播，对预先设定的候选选项直接评分，给出结论、概率与置信度。
这对福建企业 IT 团队的意义很具体：过去很多"让 AI 自动干"的场景，卡住的往往不是模型不够聪明，而是没人敢让它自动决定——因为它只给出一个文字答案，你无法知道这个答案有多可信。现在这类判断开始有专门的模型和可量化的置信度输出。
一、先说结论
判断类任务（审核、分类、打分、路由、是否转人工）正在从通用大模型里被拆出来，交给专用决策模型。对中小企业来说带来三件具体的好处。
一是成本结构变了。按官方披露，Gemini Decision 1 多模态输入价格为每百万输入 Token 0.10 美元，输出不计费；谷歌称在同一组基准测试下，相比通过 Interactions API 调用 Gemini 3.5 Flash-Lite 成本低近 5 倍。
二是响应变快了。官方口径是端到端延迟约 150 到 250 毫秒，模型计算阶段中位延迟 50 到 100 毫秒；即使单次请求里的问题数从 1 个增加到 100 个，延迟也基本平稳。
三是最关键的——每项决策都会附带 0 到 1 的置信度，系统可以把"不确定"的结果自动转交人工或更强模型，而不是硬着头皮执行。
这三点合起来，才让"AI 自动审批""AI 自动分流工单"这类过去只敢设想、不敢上线的流程具备工程可行性。
二、这次到底变了什么
| 维度 | 用生成式大模型做判断 | Gemini Decision 1（官方/媒体口径） |
|---|---|---|
| 输出形态 | 生成一段文字，再从文本里提取结论 | 直接返回判断结果、概率、置信度 |
| 支持的决策类型 | 靠提示词逐个拼 | 是/否、多项选择、有序标准评分三类，可混合 |
| 多项选择选项数 | 受限 | 2 到 255 个候选 |
| 单次请求问题数 | 视情况拆分 | 最多 1000 个独立问题 |
| 输入模态 | 视模型而定 | 文本、图像、音频、视频、PDF，最高 256K Token 上下文 |
| 价格 | 通用模型标准 | 每百万输入 Token 0.10 美元，输出 Token 费用为零 |
| 延迟 | 逐字解码，波动较大 | 端到端约 150 到 250 毫秒 |
| 置信度 | 通常没有 | 每项决策提供 0 到 1 置信度 |
| 典型用法 | 生成式任务为主 | 模型路由、工具选择、安全检测 |
三类决策能力分别对应什么：是/否判断，例如图片里是否存在安全隐患、文本是否违反既定规则；多项选择，预设 2 到 255 个候选项，模型选出最符合条件的那个并返回各选项归一化后的概率；有序标准评分，由企业自定义等级（如"轻微/中度/严重"），返回连续加权分数与各等级概率。官方示例是上传一张茶水间台面照片并附说明，要求模型同时判断是否有液体洒漏、该采取什么清理措施、现场严重程度——传统做法要设计多个分类器或跑多轮提示词，现在一次请求出结果。
关于校准值得多说两句。谷歌公布的对比中，Top-1 预期校准误差（ECE）一项，Gemini Decision 1 为 0.0250，GPT-6 Luna 为 0.0721，Flash-Lite 为 0.2104，在这组评测里它比 Flash-Lite 低约 88%。校准的意思是"模型说有八成把握时，实际是否大约八成是对的"——这正是把决策交给自动执行或人工复核时，唯一能拿来做阈值设定的依据。
也要诚实看到短板：在工具调用判断能力（When2Call）测试中，TypeSafe Jev 1.14 得分 82.0%，Gemini Decision 1 为 79.9%；在 Mind2Web Multimodal 测试中前者 86.8%，后者 86.2%。在"该不该动手、什么时候该调用工具"这类最贴近 Agent 场景的能力上，专用决策模型并没有全面领先。
谷歌披露的案例值得留意：Gemini Notebook 用它做实时模型路由器，按请求复杂度动态选择模型档位，官方称日常查询延迟最多可降低 40%；Google Search 内部用同一套 API 构建 MCP 工具的安全检测层。
三、福建企业真正能用在哪
1. 工单与售后分诊
制造企业的售后诉求，第一步是判定类型（安装指导/配件需求/质量投诉/紧急停机）。这是典型的封闭选项判断，用生成式模型回答再解析文本，既有延迟又有出错风险。换成决策模型后可直接拿到类别与置信度，低置信度自动转人工。
2. 单据与票据的初步审核
报销单、合同、发票的要素完整性校验（有没有签字、金额是否超权限、日期是否异常）。这类场景不追求"一句话说清"，只追求"给个标签和把握"。
3. 供应商与内容的信息入库
报价单、招投标文件、检测报告的分类与关键字段抽取预判。人工只看低置信度和异常项。
4. 安全与合规的第一道筛子
员工上传图片、外来邮件、公开信息截图的初筛。谷歌自家就把 Decisions API 用在 Search 内部的 MCP 工具安全检测层。
5. AI 系统的"自动路由"层
已有 AI 应用的福建企业，多数卡在"所有请求都走同一个大模型"。决策模型可以在前面加一层：简单的走轻量模型，复杂的走强模型，附带置信度。
四、可照做的四步
第一步：先找出"只有标签没有长文"的活。
翻一遍团队每周的工作，看哪些事只需要一个类别、一个分数、一个"是/否"。这类活是决策模型的主场，也最容易出效果。写不出明确选项集的活，先别硬塞。
第二步：把判断标准写成结构化等级，而不是一句话。
决策模型强在"选项明确"，弱在"标准模糊"。与其写"判断这个客户重要不重要"，不如写成"按年度采购额分三档：50 万以上为 A、10 到 50 万为 B、以下为 C"。标准越结构化，置信度越可信。
第三步：用你自己的历史数据标定阈值。
这是最关键也最容易被跳过的一步。拿过去半年人工已判定过的 500 到 1000 条历史单子跑一遍模型，得到每个类别的置信度分布，然后回答三个问题：置信度高于多少可以自动执行？哪个区间转人工复核？低于多少必须拦截？阈值只能由自己的数据决定。
第四步：定一条"人工兜底"的硬规则。
置信度低于阈值的一律走人工；涉及金额、合同、账号权限的动作一律不自动执行。写进流程文档，也写进系统代码。模型会变、阈值会漂，但规则要稳定。
五、三个坑
坑一：把决策模型当生成式模型用。
它的强项是"从给定选项里选"，不是"写出内容"。让它写通知、写说明、写邮件正文，你会同时失去速度和成本优势。
坑二：拿别人的阈值套自己的数据。
不同企业的数据分布、标注口径、人员熟练度都不同，置信度分布差异很大。别人的 0.8 阈值在你这里可能意味着 20% 的误判，必须自己标定。
坑三：忽略概率校准这件事。
"模型给了 0.95"不等于"95% 正确"，除非它的校准误差足够低。所以第一件事不是选模型，是选一个在你自己数据上校准表现可接受的模型，并持续复测——年底大促订单结构一变，原来的阈值就不再准。
另外提醒：本文涉及的模型版本、价格与基准成绩均为发布时点口径，落地前请以当前实际文档与账单为准。
六、什么时候上、什么时候别上
适合上： 业务量大、判断标准清晰、有历史标注数据可回测的场景；需要对置信度做自动化分流的系统；延迟敏感、调用量大的高频判断。
先别上： 一次也说不清判定标准的活；样本极少、几乎没有历史标注数据的冷启动业务；需要模型自由生成文本、方案、报告的场景；涉及重大决策且无法承受误判的场景（这类环节应保持人在回路中）。
再补一条：企业还没有任何 AI 应用在跑的话，不要为了用决策模型而专门上决策模型。先把最痛的一个流程自动化掉，积累一批数据，第二次再考虑用判断层去省钱和提效。
当模型能告诉你"我有多确定"，AI 才能从"辅助建议"变成"自动执行"——这才是中小企业敢把流程交出去的前提。