本文へスキップ
hdknr blog
戻る

Gemini Decisions API とは — 文章ではなく「確率」を返す Google 版の判定 API

2026 年 11 月 11 日、Google が Gemini Decisions API を発表しました。新モデル Gemini Decision 1(gemini-decision-1)を使う新しいエンドポイントです。文章は生成せず、利用者が用意した質問への答えを「確率」と「確信度」の数値で返します。料金は入力 100 万トークンあたり 0.10 ドルで出力は 0 ドル、応答は 150〜250 ms です。

以前このブログで紹介した Jev と同じく「判断だけを返すモデル」の系統です。違いは、テキストだけでなく画像・音声・動画・PDF をそのまま入力にできること。X では まさお氏が実際に試した結果 が投稿されており、「動画や音声・PDF にも対応した Gemini 版 Jev」と紹介されています。位置づけとしてはこの表現が一番わかりやすいと思います。

この記事では、公式発表の仕様と使い方、実際に試した人の結果、Jev との使い分けを整理します。

何ができるのか

1 回のリクエストで渡すのは「共有の入力」と「質問の一覧」の 2 つです。モデルは候補の答えを 1 回の推論(forward pass:入力からモデルの出力を一度だけ計算する処理)で採点し、質問ごとに確率と確信度を返します。アプリ側はその数値で if 文を書くだけで済みます。

Gemini Decisions API の 1 リクエストの流れ。テキスト・画像・音声・動画・PDF の共有入力と、noul・choice・score の 3 形式の質問を gemini-decision-1 に渡すと、質問ごとに確率と確信度が返り、アプリのコードが確信度に応じて自動処理するか人間や上位モデルに回すかを分岐する

通常の LLM で同じことをするには、プロンプトで JSON を出させ、パースし、指定した値以外が返ってこないことを祈る必要がありました。Decisions API は出力トークンがそもそも 0 で、答えは最初から型の決まった数値です。

3 つの質問形式

形式用途criteria返る値
noulはい/いいえ任意(はい・いいえの意味を説明)はいの確率 noul、confidence
choice選択肢から 1 つ(2〜255 択)必須(選択肢名 → 説明のマップ)選ばれた choice、全候補の probabilities、confidence
score順序付きの段階評価(0 始まり)必須(低い順のレベルの配列)重み付き平均の score、レベルごとの probabilities、confidence

どの形式も confidence(0〜1)が付きます。公式発表は、確信度の低いケースをフォールバックや人間のレビューに回す使い方を想定しています。

仕様と料金

公式発表で示されている主な数値は次のとおりです。

項目値
モデルgemini-decision-1
入力テキスト・画像・音声・動画・PDF(最大 256K トークン。元ポストの「262K」は 262,144 = 256 × 1,024 を別表記したもの)
質問数1 リクエストあたり最大 1,000 個
レイテンシエンドツーエンドで 150〜250 ms
料金入力 100 万トークンあたり 0.10 ドル、出力 0 ドル
提供Google AI Studio の Gemini API(v1beta)。無料枠あり

共有の入力はリクエストごとに 1 回だけ課金されます。質問を増やしても、加算されるのは各質問の指示文と criteria の分だけです。思考トークンや、音声の文字起こし・OCR の別料金もありません。

Google はベンチマークで最も低い較正誤差(calibration error)を記録したとしています。較正誤差とは、「確率 0.8」と答えた問題のうち実際に約 8 割が正解になっているかのズレで、小さいほど返ってきた確率をそのまま信用できます。また、同じベンチマーク群を Interactions API 経由の Gemini 3.5 Flash-Lite で解くより、ほぼ 5 倍安いとのことです。ただしいずれも Google 自身の公表値です。

Python からの呼び出し例

公式発表に載っているコードは、休憩室のカウンターの写真とテキストのメモを入力にして、3 形式の質問を 1 リクエストでまとめて投げる例です。事前に SDK を入れ、Google AI Studio で取得した API キーを環境変数に設定しておきます。

pip install -U google-genai
export GEMINI_API_KEY=your-key-here
from google import genai

client = genai.Client(http_options={"api_version": "v1beta"})

result = client.decisions.create(
    model="gemini-decision-1",
    input=[
        {
            "type": "image",
            "uri": "https://storage.googleapis.com/generativeai-downloads/images/spill.jpg",
            "mime_type": "image/jpeg",
        },
        {
            "type": "text",
            "text": "Breakroom counter check before the 9 AM client meeting.",
        },
    ],
    questions={
        "has_spill": {
            "type": "noul",
            "instructions": "Is there an uncleaned liquid spill on the counter?",
        },
        "next_action": {
            "type": "choice",
            "instructions": "Which cleanup action fits the scene?",
            "criteria": {
                "wipe_with_cloth": "Small counter spill with a cloth or towel already nearby.",
                "dispatch_janitorial": "Large floor hazard, broken glass, or active leak.",
                "ready_for_meeting": "Counter is clean and ready.",
            },
        },
        "severity": {
            "type": "score",
            "instructions": "Rate the severity of the counter mess.",
            "criteria": [
                "Clean and ready.",
                "Minor localized spill.",
                "Major spill or safety hazard.",
            ],
        },
    },
)

questions のキー(has_spill など)は自分で決める名前で、答えは同じキーで answers に入って返ってきます。モデルが読むのは instructions のほうなので、質問文はそちらに完結した形で書きます。なお input の書式は、Gemini API の Interactions API と同じ Content ブロック形式です。

実際に試した結果

元ポストで報告されている試用結果をまとめます。

9.2 万トークン × 0.10 ドル / 100 万トークン = 約 0.0092 ドルなので、1 ドル 150 円前後で換算すると約 1.4 円になり、計算は合っています。動画 10 分ぶんの判定がこの値段で済むのは、出力トークンが課金されない設計の効果が大きいところです。

使うときの注意点

二次情報の解説記事(Flavio Copes 氏の記事)で、実際に API を叩いて確認された注意点がいくつか挙がっています。

閾値はサンプルの値をそのまま使わないでください。自分のデータに人手でラベルを付け、許容できる誤り方になる値を探します。この点は Jev の記事 で書いたことと同じです。

Jev との使い分け

元ポストによると、Google のベンチマークでは Jev などの競合に多くの項目で勝っているとのことです。ただ投稿者自身の感覚では「Jev で足りるところは Jev でいい」。レイテンシや費用は、状況によって Jev のほうが有利な場面もあるそうです。

公表値で比べても、Jev は入力 100 万トークンあたり 0.042 ドル・レイテンシ 70〜500 ms です。テキストだけの判定なら、価格面では Jev のほうが安くなります。

差が出るのは入力の種類です。

向いている用途使うもの
テキストだけの大量の分類・判定Jev(安い)
動画の見どころ探し・場面分割Gemini Decisions API(前処理不要)
音声ファイルの中身の分析Gemini Decisions API(前処理不要)
PDF や画像の大量仕分けGemini Decisions API(前処理不要)

動画・音声・PDF・画像を前処理なしで直接判定できるのが Gemini 版の強みで、元ポストの結論も「両方を使い分けることになりそう」でした。

どこに組み込むか

公式発表では、Google 社内での使い方として次のような例が挙がっています。

どれも「生成 AI を呼ぶ前後の、速く安く済ませたい判断」です。AI エージェントのツール選択やポリシーチェック、上位モデルに回すかどうかの振り分けなど、エージェントの制御面(コントロールプレーン)に置く部品として使えます。文章を書かせたい場面や、リストにない値(名前・日付・要約)を抜き出したい場面は、引き続き生成モデルの構造化出力の出番です。

まとめ

参考



前の記事
組織で仕様駆動開発(SDD)を広げる 6 つの段階 — Spec Kit を個人の実験からチームの開発能力へ
次の記事
「デザインハーネスという虚像」を読む — 評価ループからユーザーが抜け落ちるとき