Deux développeurs vus de dos devant un écran dans un bureau ouvert éclairé par une lumière chaude.

Google lance Gemini Decision 1, un modèle pour trancher

Par Rédaction IP73 dans Modèles d’IA le

Google a lancé le 11 novembre l’API Gemini Decisions, un point d’accès qui ne génère aucun texte : il répond à des questions fermées (oui/non, choix, note) avec une probabilité à la clé. Elle repose sur un nouveau modèle, Gemini Decision 1 (gemini-decision-1), facturé 0,10 $ le million de tokens en entrée et rien en sortie.

Ce que fait réellement l’API

Le principe, tel que Google le décrit sur son blog : au lieu de produire une réponse token par token, le modèle évalue les options proposées en une seule passe et renvoie des probabilités et des scores de confiance. Google annonce une latence de 150 à 250 ms de bout en bout, dont 50 à 100 ms (en médiane) de calcul du modèle, pour des contextes allant jusqu’à 16 000 tokens, et quasi constante entre 1 et 100 questions par requête.

Une requête accepte une entrée multimodale unique (texte, images, audio, vidéo, PDF, jusqu’à 256 000 tokens) et jusqu’à 1 000 questions indépendantes. Trois types existent :

  • oui/non : la probabilité qu’une condition soit vraie, avec des critères optionnels pour le vrai et le faux ;
  • choix : de 2 à 255 options, avec le gagnant et les probabilités normalisées de chaque candidat ;
  • note : une grille ordonnée à partir de 0, avec un score continu pondéré et la probabilité de chaque niveau.

Chaque réponse porte un indice de confiance entre 0 et 1. L’idée, selon Google, est de renvoyer les cas ambigus vers un modèle de repli ou un relecteur humain. L’entrée partagée n’est facturée qu’une fois par requête, quel que soit le nombre de questions ; chacune n’ajoute que ses propres instructions et critères. Un palier gratuit existe dans Google AI Studio pour le prototypage.

Le blog donne un exemple en Python avec le SDK google-genai : une photo de plan de travail et une note texte, interrogées par trois questions (une flaque ? quelle action de nettoyage ? quelle gravité ?) dans un seul appel à client.decisions.create.

Collage de papier découpé : une voie ferrée qui se divise en trois branches vers des bâtiments de tailles différentes, image du routage de requêtes.

Routage, filtrage d’outils : les usages visés

Google parle d’un « plan de contrôle » à faible latence pour les choix bornés : sélection d’outils, vérification de règles, routage de modèles, évaluation de contexte. Dans la pratique, ce sont des briques qui passent sinon par un classifieur entraîné sur mesure ou par un appel génératif, plus lent, à chaque étape d’un agent.

Google cite ses propres produits. Gemini Notebook s’en sert pour envoyer chaque requête vers le bon niveau de modèle et le bon niveau de raisonnement, avec jusqu’à 40 % de latence en moins sur les demandes courantes. Google Search l’utilise comme couche de sécurité pour les outils MCP, afin de repérer les comportements adverses. Une expérience de Stitch l’emploie pour générer en quelques secondes des maquettes jouables d’un parcours produit, et CC, un projet de Google Labs, pour choisir une réaction emoji parmi plus de 200. Ce sont des témoignages internes, sans chiffres indépendants. Côté coût, Google affirme que son modèle revient près de cinq fois moins cher que Gemini 3.5 Flash-Lite via l’API Interactions, sur l’ensemble de benchmarks qu’il a retenu.

Où l’utiliser, et à quel prix face à la concurrence

L’écosystème a suivi dès le premier jour. Vercel a ajouté le modèle à son AI Gateway (google/gemini-decision-1) : les appels apparaissent dans les journaux et comptent dans les budgets comme les autres. Détail à noter, d’après Vercel : audio, vidéo et PDF passent par l’AI SDK 7, tandis que les deux autres interfaces ne gèrent que texte et images.

Côté LiteLLM, la documentation décrit des routes /v1/decisions et /v1/systemone qui relaient vers le point d’accès /v1beta/decisions de Google. Le support figure sur la branche principale (PR #51220) mais pas encore dans une version publiée. Limites listées : 16 images et 20 Mio de données d’image décodées au maximum par requête, pas de PDF ni d’URL audio/vidéo distantes, et une erreur 400 pour les questions de type « box ». La doc LangChain, elle, range les « decision models » de Google dans le paquet langchain-google-genai, avec une classe GoogleGenAIClassifier.

Google n’est pas seul sur ce créneau. Simon Willison observe que Gemini Decision 1 reprend presque à l’identique l’interface de Jev, avec les mêmes trois types de questions, et que son tarif égale celui du modèle de décision d’OpenAI, GPT-6 Luna : 10 cents le million de tokens en entrée. Jev reste le moins cher, à 4,2 cents, mais ne traite que le texte et le JSON ; OpenAI gère texte et images ; Google couvre aussi audio, vidéo et PDF.

Willison a testé le modèle sur une vidéo avec quatre questions oui/non. Selon lui, Jev et OpenAI répondent 1,0 ou 0,0 aux questions oui/non ; Gemini, lui, affiche des valeurs nuancées : 0,92 pour la présence d’un robot, 0,05 pour celle d’un dragon. Une vidéo « située aux États-Unis » obtient 0,92, « en France » 0,08. Cette incertitude chiffrée sert précisément à déclencher un repli, à condition que ces probabilités soient bien calibrées, ce que Google affirme (« l’erreur de calibration la plus basse ») sans que l’on puisse le vérifier hors de ses benchmarks.

Pour une équipe française, la question pratique sera moins le prix que le périmètre : disponibilité régionale et conditions d’hébergement des données restent à vérifier, ce qui comptera dès qu’il s’agira d’enregistrements d’appels ou de sinistres scannés, les exemples mêmes que Google met en avant. À surveiller aussi : la sortie de la prochaine version de LiteLLM avec ce support, et la réaction tarifaire de Jev et d’OpenAI.

Sources

Partager :FacebookXLinkedInBlueskyE-mail

Articles récents

Prochains événements

Tous les événements →