Googleは11月11日、分類や振り分けのような「答えの候補があらかじめ決まっている判断」に特化した判定専用API「Gemini Decisions API」を公開した。専用モデル「Gemini Decision 1」（gemini-decision-1）を使い、1つの入力に対して最大1,000個の独立した問いを1回のリクエストでまとめて評価する。Gemini APIとGoogle AI Studioから利用でき、Google Cloud上のGeminiへの対応は今後予定されている。
通常のLLMのように回答文をトークン単位で生成するのではなく、候補となる選択肢を1回の順伝播でスコアリングし、確率と0〜1の確信度を返す仕組みだ。問いの形式は3種類ある。条件が成り立つ確率を返すYes/No形式、2〜255個の選択肢から1つを選び各候補の正規化された確率を添える多肢選択形式、0から始まる段階評価のルーブリックに照らして加重スコアと段階ごとの確率を返すルーブリック形式である。入力はテキスト、画像、音声、動画、PDFに対応し、最大256Kトークンまで受け付ける。画像や動画は解像度を調整して、細部の読み取りとトークン消費のバランスを取れる。
Googleによると、エンドツーエンドの応答時間は150〜250ミリ秒、モデル側の計算時間の中央値は50〜100ミリ秒。16Kトークンまでの入力であれば、1リクエストの問いを1個から100個に増やしても応答時間はほぼ横ばいだという。料金は入力100万トークンあたり0.10ドル（1ドル150円換算で約15円）で、出力トークンは無料。共通の入力はリクエストごとに1回だけ課金され、問いを増やしても加算されるのは各問いの指示文と判定基準の分だけになる。思考トークンや音声の文字起こし、OCRの別料金もかからない。Google AI Studioには試作向けの無料枠もある。
同社は、エージェントのルーティング、推論、ランキング、マルチモーダル理解を含むベンチマーク群で最も低い較正誤差を記録したとし、同じベンチマーク群をInteractions API経由のGemini 3.5 Flash-Liteで処理する場合と比べて約5分の1のコストになると説明している。
Google社内ではモデル振り分けと安全判定に使用
先行導入の事例として、Googleは自社サービスでの使い方を挙げている。Gemini Notebookでは、ユーザーの問い合わせをどのモデル階層・思考レベルに送るかを決めるルーティングに使い、日常的な質問で最大40%の応答時間短縮につながったという。Google LabsのCCでは200種類以上の絵文字から返信のリアクションを選ぶ処理に、Google検索ではMCPツールを介した敵対的な挙動やコンテンツを検知する安全レイヤーに組み込まれている。ほかにツール選択、ポリシー違反のチェック、コンテキストの採点といった用途が想定されている。
開発者向けにはPython・JavaScript・RESTのガイドとデモアプリが用意され、OpenRouter、LangChain、Vercel、LiteLLM、Pydantic AI、Pipecat、LiveKit、OpenCodeとの連携も順次提供される。入力欄はInteractions APIと同じContentブロック形式のため、既存のGemini API向けコードから入力部分を流用しやすい。
OpenAIのDecisions APIから3週間、問いの上限は2.5倍
同じ発想の製品は、OpenAIが10月22日に「Decisions API」として一般提供を始めている。GPT-6 Lunaをベースにした判定専用APIで、条件の確率を返すpredicate、選択肢から選ぶchoice、ルーブリックで採点するscoreの3形式という構成は、GoogleのYes/No・多肢選択・ルーブリックとほぼ一対一で対応する。料金も入力100万トークンあたり0.10ドル・出力課金なしで横並びになった。
差が出ているのは主に上限と入力の種類だ。OpenAIは1リクエストあたりの問いの上限を一般提供時に200から400へ引き上げたが、Googleは最初から1,000問を受け付ける。入力もOpenAIがテキスト・画像・JSONなのに対し、Googleは音声・動画・PDFまで直接扱える。一方でOpenAIは、キャッシュ済み入力を100万トークンあたり0.01ドルに割り引くプロンプトキャッシュや、米国・EUでの推論処理の選択をすでに備えている。Googleの発表にはキャッシュ料金や処理リージョン、プレビュー扱いかどうかの記載がなく、企業で本番利用するならGoogle Cloud対応の開始時に条件を確かめる必要がある。
どちらも自由記述の回答や要約はできず、ワークフローの途中にある分岐判定を汎用モデルから切り出す部品という位置づけは共通している。これまでLLMで分類をする場合は、構造化出力でラベルを生成させ、その出力トークンにも課金されていた。確率と確信度が直接返ってくるため、「確信度0.8未満は人の確認に回す」といったしきい値をアプリ側のコードで決められる。Gemini Notebookのモデル振り分けも、この確信度を使って問い合わせの行き先を決める使い方にあたる。
