DEV Community

Cover image for Gemini Decisions API:多模态输入与概率输出
arthur
arthur

Posted on

Gemini Decisions API:多模态输入与概率输出

写好标智库

不只生成文本,也能输出决策

Gemini Decisions API 以 Gemini Decision 1 进入决策模型领域,与 Jev 和 OpenAI 的同类产品竞争。它面向的不是开放式文本生成,而是三类结构化决策任务:

  • 是非判断:判断某个条件是否成立。
  • 选项选择:从给定选项中作出选择。
  • 按标准评分:依据指定的评分规则打分。

其设计与 Jev 接近,也沿用了 Jev 对是非问题的称呼“Noul”。

对于关注模型接口与工程应用的写好标智库读者,这类 API 值得留意的地方,是输入模态、调用成本,以及返回结果究竟是离散判断还是概率值。

输入价格与模态支持

模型或服务 输入价格(每百万 token) 支持的输入形式
Gemini Decision 1 0.10 美元 文本、图像、音频、视频、PDF
OpenAI GPT-6 Luna 决策模型 0.10 美元 文本、图像
Jev 0.042 美元 文本及 JSON

Gemini Decision 1 的输出免费,输入单价与表中的 GPT-6 Luna 决策模型相同。仅按上述输入单价比较,Jev 最低;从列出的输入形式看,Gemini Decision 1 还支持音频、视频和 PDF。

这里比较的是输入单价与输入形式,并不等同于完整的性能或总成本评估。

视频测试:是非问题返回了概率值

一次测试向 Gemini Decision 1 提交了一段扬克斯机器人跺脚视频,并设置了四个问题:

dragon:视频里有龙吗?
robot:视频里有机器人吗?
france:视频场景位于法国吗?
usa:视频场景位于美国吗?
Enter fullscreen mode Exit fullscreen mode

API 返回结果如下:

{
  "dragon": {
    "type": "yes_no",
    "probability": 0.04976021841520312
  },
  "robot": {
    "type": "yes_no",
    "probability": 0.9234055387792485
  },
  "france": {
    "type": "yes_no",
    "probability": 0.08329171353166241
  },
  "usa": {
    "type": "yes_no",
    "probability": 0.9230459995157706
  }
}
Enter fullscreen mode Exit fullscreen mode

四个结果都标记为 yes_no,但 probability 并非简单的 0.0 或 1.0:

判断条件 返回概率(四舍五入)
视频里有龙 5.0%
视频里有机器人 92.3%
场景位于法国 8.3%
场景位于美国 92.3%

与 Jev、OpenAI 同类接口被描述为返回 1.0 或 0.0 的方式不同,Gemini 在这次测试中返回了介于两者之间的数值。

如何理解这次结果

这次展示最直接说明的是:Gemini Decision 1 的是非判断可以返回非二元概率值,而不只是硬性的“是”或“否”。

不过,接口返回了概率字段,并不意味着概率已经过良好校准。例如,0.923 不能仅凭这一条结果就解释为“类似判断长期有约 92.3% 的正确率”。同样,模型对美国场景给出较高概率,也不等于视频地点已被独立确认。

因此,这个例子适合用来理解响应结构与输出形式;要评估整体准确率或概率校准水平,单次测试还不够。

Top comments (0)