# Gemini Decision 1 的 1000 道题，只有彼此独立才能合并

> Gemini Decision 1 的一次请求可对共享证据作最多 1000 个独立判断，但问题彼此不能读取结果。用十道检查和明确假设的输入账单，分清何时合并、何时让应用代码组合或串行请求，以及何时必须留给人工。

- Published: 2026年11月16日
- Author: PiRouter Team, Engineering
- Tags: models, routing, cost
- Canonical: https://pirouter.ai/zh/blog/gemini-decision-1-independent-checks

---
封面为 [Google 官方示例输入照片](https://blog.google/innovation-and-ai/technology/developers-tools/gemini-decisions-api/)，不是本站实测或模型执行画面。

**Gemini Decision 1 可以把同一份材料上的多道独立检查放进一次请求；1000 是问题数量上限，不是能连续执行 1000 步推理。** 如果第十题必须先知道第三题的答案，就在应用里组合已经返回的结果，或拿第三题的结果发第二次请求。若结果会触发退款、封禁或调用高权限工具，最终许可仍应由代码中的规则和有权限的人决定，不能交给一个 `confidence` 数字。

Google 在 11 月 11 日推出 [Gemini Decision 1 与 Decisions API 公告](https://blog.google/innovation-and-ai/technology/developers-tools/gemini-decisions-api/)。这个接口不像聊天模型那样逐 token 写出回答：调用者先列出是非、单选或有序评分题，它返回选项及概率。这件事最值得工程团队关心的，不是题目上限有多大，而是**哪几道题真的可以看同一份证据、互不等待**。

## 十道检查共用一份材料，不等于十步推理

设想一张已获授权用于测试、经过脱敏的售后工单：文字描述一笔重复扣款，附有一张账单截图。团队想先看它是否涉及支付、是否需要识别票据、该走哪个处理队列、是否需要加急，以及另外几项独立风险标记。每项都能只依据这份工单作答；它们可以在一个请求里成为十道题。这是**假设工作流**，不是我们处理过的真实工单，更不是上传真实客户材料的建议。

[Decisions API 指南](https://aistudio.google.com/docs/decisions-api)允许一次放入 1–1000 道问题，共享一份 `input`，每题单独返回答案。它说得很直接：问题不能看到其他问题的答案。题目的 key 只是返回结果的标识，不会替调用者向模型传达含义；`billing_check` 这个名字不能代替完整的 instructions。「根据工单判断是否涉及重复扣费」应写在题目里，不能藏在变量名中。

接口的三类输出也决定了适用范围：`noul` 返回“是”的概率；`choice` 从 2–255 个选项选一个并给出分布；`score` 按 2–255 个有序等级给出分布与概率加权的等级下标。`score: 1.7` 不是“第 1.7 级”这个真实档位，更不是可直接相加的赔付金额。选项文本、等级顺序和各题判断标准要在设计时固定，否则两批结果看似同名，实际口径可能不同。接口输入可含文字、图片、音频、视频或 PDF，但每道题的 instructions 是文本；不能把每道题当成一个独立携带图片的子请求，媒体证据要放在共享输入中（[型号说明](https://aistudio.google.com/docs/models/gemini-decision-1)）。

独立报道 [VentureBeat 对 Decisions API 的解读](https://venturebeat.com/technology/googles-gemini-decision-1-model-scores-up-to-1-000-questions-in-one-api-call)也把它描述为在共享证据上运行一组清单检查，并举了表单和照片、录音检查等例子。报道可帮助理解使用场景，但“适合批检”并不等于“适合让上一题的结论自动变成下一题的事实”。那个箭头不在模型内部，必须由调用者画出来。

![Google 官方架构图：共享多模态输入与多个问题进入 Gemini Decision 1，各题隔离返回结果](/blog/images/gemini-decision-1-independent-checks-architecture.png "同一份证据可供多题独立判断，答案不会在题目之间传递。图中为官方液体洒落示例，不是本文假设工单或本站实测。来源：[Google 官方公告](https://blog.google/innovation-and-ai/technology/developers-tools/gemini-decisions-api/)")

## 一次合并能省多少输入，先看重复送了什么

假设这份**纯文本**工单与必要规则合计 2000 input token，十道彼此独立的问题各额外增加 40 token，且先忽略协议和格式开销。合成一请求，就是 `2000 + 10 × 40 = 2400` input token。若逐题独立请求，每次都重复送同一份材料，则是 `10 × (2000 + 40) = 20400` input token。此处计算的是“重复搬运共享材料”的差异，不是模型神奇地免费完成九道题；每道题的说明与判断标准仍占输入预算。真实用量应以响应里的 `usage` 核对，而不是相信纸面长度。

[官方价格页的 Gemini Decision 1 档](https://aistudio.google.com/docs/pricing#gemini-decision)列出付费输入每百万 token **0.10 美元**，输出 token 不计适用费用。按上面完全相同的计数假设，合并请求的理论输入费是 `2400 / 1,000,000 × $0.10 = $0.00024`；逐题重发则是 `20400 / 1,000,000 × $0.10 = $0.00204`。后者是前者 **8.5 倍**，只对这组假设与这种逐题重复发送方式成立，不是这款模型对所有工作流的固定节省率。

换成一段十几 token 的短句，共享部分不再是大头，差距自然缩小；如果题目互相依赖，合并请求也不能替代后续调用。多模态输入的 token 计量、请求失败后重试、应用层再请求、人工处理以及其他模型写解释的费用，都不在这笔理论账里。价格很低不是把所有题目塞满的理由：不能安全合并的工作流，账面便宜也做不对。

| 同一组假设下的请求方式 | 输入 token 合计 | 理论输入费（USD） |
|---|---:|---:|
| 十题合并一次 | 2400 | $0.00024 |
| 十次逐题重复材料 | 20400 | $0.00204 |

这里只比较上述纯文本假设，不含格式、媒体计量、失败重试或人工费用。

## 1000 是容量上限，不是满载时延承诺

Google 报告，在它测试的**至 16K token 上下文、多模态输入**条件下，模型计算的中位时延约 **50–100 毫秒**，端到端约 **150–250 毫秒**；从 **1 到 100 道问题**时延近乎平坦（[官方发布公告](https://blog.google/innovation-and-ai/technology/developers-tools/gemini-decisions-api/)）。这是厂商测试，不是我们的请求日志。端到端与纯模型计算也不是两个可互换的数字。

[型号规格](https://aistudio.google.com/docs/models/gemini-decision-1)给的是 **262144 input token** 上限；[接口指南](https://aistudio.google.com/docs/decisions-api)说明这是共享输入加所有题目合起来的预算，最多可有 1000 题。规格上限与时延测试窗口是两件事：官方的 16K／1–100 题曲线，不能外推到 262144 token／1000 题。每增加一道题都要带 instructions 与可能的 criteria；输入很长时，题数上限甚至不是最先碰到的限制。上线前需按自己的输入长度、题数与地区实测端到端分位数，尤其是尾延迟和重试，不应把厂商测试窗口写成服务承诺。

另外，“零输出 token”说的是这个接口不生成文本，不是整个流程不需要文字。若下游要向客户解释为什么工单升级、抽取不预设的字段或生成一封回复，应安排独立的生成或人工步骤；不能把 `choice` 的概率表当成现成的理由。型号页也标明不支持 function calling、thinking、context caching 和 Batch 等能力。设计时把它放在固定答案空间的判断节点，而不是把一个聊天代理的工具循环整段搬过来。

## 何时合并，何时必须串行或交人工

画一张最简单的依赖图：如果 A、B、C 都只读取工单原文，而且各自的选项事先定义，就放在一批。假如规则是“**仅当** A=重复扣费且 B=高风险，才交人工复核”，A 与 B 仍可一起问；`A && B` 是应用代码在响应之后计算的，不需要让模型假装看见另一个答案。这个区分能省掉不少不必要的第二次调用。

如果 B 的问题本身必须由 A 的答案构造，比如先找出具体合同类型，再调出该类型**专属**条款问是否适用，就不能把“上一题答了什么”伪装成同批题目的共享事实。可以先调用 A，应用取到相应条款并核对可访问范围，再以新证据发第二次请求。也可以在所有条款已经合法、完整地包含于同一输入时，事先列出各分支的独立判断，最后只保留命中分支的结果；但预先计算所有分支会消耗额外 token，且不得借此读取本来无权提供的材料。哪种更省，要把分支命中率和失败重试算进去。

再往后是权限边界。`noul: 0.92` 表示“是”的估计概率，不是“92% 有权退款”。`confidence` 对是非题是 `max(p, 1 − p)`，对单选或评分题是最大结果概率；它衡量的是模型所报分布的形状，不是权限令牌、政策批准，也不保证这个样本一定正确（[API 的 confidence 定义](https://aistudio.google.com/docs/decisions-api)）。哪怕 0.99，也可能是在错误截图、过期条款或攻击性输入上非常自信地给错答案。金额上限、客户身份核验、业务规则与审批记录要由现有授权链执行；模型可以提供待复核信号，不能授予操作权。

报错、无答案或结果不满足校验契约时，应用不能默默把它解释为“通过”。例如要自动加标签，可先保留原状态并排入重试或人工队列；要执行不可逆拒绝，则应停止自动动作，转交有权限的处理者。分支命中、答案置信与实际执行结果应分开记录，方便事后区分“模型判断错了”与“代码把判断用错了”。

把这一区分放回 Google 的厨房示例更直观：图上“有洒落”是 0.95，“用布擦拭”是被选中的选项，严重程度是 1.19/2。它们是三类答案，不是已经发生的清洁动作；选项旁的 98% 也不是执行许可。

![Google 官方厨房示例：液体洒落照片叠加是非概率、擦拭选项及严重程度评分](/blog/images/gemini-decision-1-independent-checks-spill.png "0.95、98%和1.19/2仅为官方示例值，不是本站实测或性能保证；返回动作选项不等于执行动作。来源：[Google 官方公告](https://blog.google/innovation-and-ai/technology/developers-tools/gemini-decisions-api/)")

## 用一组可停止的试验，而不是一个漂亮阈值决定上线

先从**确有使用授权**的样本做离线验证：去标识化还不够，来源、合同和组织策略也必须允许上传。价格页分别写明免费层数据可用于产品改进、付费层不用于该用途；这只回答供应商在这两个层级上的使用口径，不代替真实客户数据的授权与数据处理审查（[官方价格页](https://aistudio.google.com/docs/pricing#gemini-decision)）。授权不清楚就不用这批数据试验。

为每道题制定人工标注的对照答案，再把“单题请求”和“同输入批量请求”放在同一组样本上比较：记录按题型、语言、材料形态划分的错误；单独查高损失误判，而不是只报平均准确率。特别保留模糊描述、截图模糊、互相矛盾的字段和缺少必要附件的样本；如果测试集只有格式完美的工单，阈值只是在奖励简单样本。标注时允许“证据不足，无法裁决”，而不强迫人工也选一个模型预设选项。将样本分成调阈值与独立验收两份，避免看着同一批答案反复调整直到数字好看。再测十问、五十问、百问的端到端耗时、响应错误率与实际 `usage`，观察是否达到自己的时延预算。题目数量和材料形态继续扩展时重新测，不沿用厂商在 1–100 问／16K 条件下的结果。

阈值应由**每道题自己的**误判代价与标注集推出来，不把指南示例里某个数当通用许可线。可以给低风险分流设自动处理区、给不确定样本设人工区；高风险动作无论概率多漂亮都保留原有授权门。若关键题在标注集上出现无法接受的漏报，若批量与单题对同一证据持续分歧，或若尾延迟、失败率、完整流程成本越过本团队预算，就停止自动执行，把它退回辅助标记／人工队列，修正问题说明或拆分流程后再测。没有能代表生产输入的授权样本，也应停在设计阶段。

这条边界比“最多 1000 题”更有用：**一次请求能合并的是共享证据，不是责任链。** 先列依赖图，再计算输入账、量时延，最后把审批和回退留在代码及人工流程里；如果其中任何一环缺失，少发几次请求不值得换来一次不可解释的错误动作。

---

## Sources

### blog.google

- [Google 官方示例输入照片](https://blog.google/innovation-and-ai/technology/developers-tools/gemini-decisions-api/)

### aistudio.google.com

- [Decisions API 指南](https://aistudio.google.com/docs/decisions-api)
- [型号说明](https://aistudio.google.com/docs/models/gemini-decision-1)
- [官方价格页的 Gemini Decision 1 档](https://aistudio.google.com/docs/pricing#gemini-decision)

### venturebeat.com

- [VentureBeat 对 Decisions API 的解读](https://venturebeat.com/technology/googles-gemini-decision-1-model-scores-up-to-1-000-questions-in-one-api-call)
