Le tout dernier modèle Gemini de Google n'écrit pas un seul mot de texte. Gemini Decision 1, annoncé aux côtés de la Decisions API, répond à jusqu'à 1 000 questions oui/non, à choix multiples et de notation par grille contre une entrée partagée en une seule passe, renvoyant des probabilités calibrées et un score de confiance plutôt que de la prose générée. Chaque chiffre ici a été lu dans l'annonce de Google et la documentation de la Gemini API le 13 novembre 2026, et c'est la fiche de poste du modèle, et non ses chiffres de benchmark, qui décide si votre projet en a besoin.
Ce qu'est réellement Gemini Decision 1, selon la description de Google
La page du modèle le définit en une phrase : Gemini Decision 1 est « un modèle multimodal spécialisé construit pour la Decisions API » qui « évalue des questions typées sur du texte, des images, des vidéos, de l'audio et des PDF en une seule passe de pré-remplissage et renvoie des probabilités de résultat calibrées avec zéro token de sortie ». Une requête accepte un budget combiné de 262 144 tokens couvrant l'entrée partagée et les instructions de chaque question, et jusqu'à 1 000 questions indépendantes dans ce budget. Les trois types de questions couvrent les formes sur lesquelles le code se branche réellement : les contrôles oui/non renvoient une probabilité calibrée de 0,01 à 0,99, le choix simple évalue de 2 à 255 options et renvoie la meilleure avec les probabilités par option, et la notation par grille évalue l'entrée sur 2 à 255 niveaux ordonnés et renvoie un score attendu pondéré par les probabilités.
Ce qui le sépare de tous les autres Gemini : il n'y a aucune génération de texte. L'usage de tokens de sortie est toujours nul. Là où un modèle classique écrit « oui, le colis semble endommagé » et que votre code analyse cette phrase, Decision 1 renvoie un nombre sur lequel le code se branche directement.

Qui il aide, et ce qu'il permet de faire
Il aide les développeurs dont le code a besoin d'un jugement sur lequel se brancher, et les équipes de Google elles-mêmes en sont la première preuve. L'annonce cite quatre déploiements internes : Gemini Notebook l'utilise comme routeur en temps réel qui « classifie l'intention en quelques millisecondes, pour servir les requêtes du quotidien avec jusqu'à 40 % de latence en moins » ; Stitch l'utilise pour l'itération rapide de conception ; CC l'utilise pour choisir parmi une palette de plus de 200 réactions emoji ; et Google Search l'applique comme couche de sécurité pour les outils MCP. Pour votre propre travail, la page du modèle liste les tâches qui conviennent : routage de requêtes, contrôles de politique sur plusieurs règles à la fois, notation de candidats selon une grille, sélection d'outils, et classification à faible latence sur des flux multimédias en direct.
Son économie récompense le regroupement des questions en un seul appel. L'entrée partagée est facturée une fois par requête quel que soit le nombre de questions, chaque question n'ajoute que ses propres tokens d'instructions et de critères, et la sortie coûte toujours 0 $. À 0,10 $ par million de tokens d'entrée sur le palier payant, le document partagé n'est facturé qu'une fois, mais chacune des 50 questions ajoute ses propres tokens d'instructions et de critères à la facture. Un palier gratuit couvre le prototypage dans Google AI Studio.
Quand il mérite sa place dans un projet
Trois signaux indiquent que Decision 1 est le bon outil. D'abord, la décision est répétitive et typée : le même contrôle oui/non, le même choix parmi des options connues, ou la même grille, appliqués sans cesse à des entrées différentes. Le chiffre de 150 à 250 ms de latence de bout en bout de Google, mesuré sur des entrées multimodales à des contextes allant jusqu'à 16K tokens, à 0,10 $ par million de tokens d'entrée et zéro token de sortie facturé, est ce qu'exige un plan de contrôle ; un modèle génératif qui écrit une phrase par décision paie des tokens que personne ne voulait. Ensuite, l'entrée est déjà multimodale : un enregistrement d'appel à côté des métadonnées du compte, ou une réclamation PDF scannée à côté de photos de dégâts, évalués en une passe. Enfin, le volume de décisions est assez élevé pour que la calibration compte : chaque réponse porte un score de confiance de 0 à 1, si bien que le code peut envoyer les cas ambigus vers un repli ou un relecteur humain au lieu d'agir sur une supposition. Si vous automatisez le routage sur ce score de confiance, fixez le seuil à partir d'exemples étiquetés de votre propre application et faites remonter les cas en dessous ; la section confiance de la documentation est un repère de calibration, pas un seuil universel.
Les limites de débit confirment ce cadrage en plan de contrôle. Le palier gratuit autorise 200 requêtes par minute et 10 000 par jour ; le palier 1 monte à 1 500 RPM et 50 000 RPD ; le palier 3 atteint 15 000 RPM avec requêtes quotidiennes illimitées. Google annonce une médiane de calcul du modèle de 50 à 100 ms, restant quasi plate de 1 à 100 questions par requête ; le comportement de la latence au-delà de 100 questions n'est pas un chiffre que Google publie.
Quand un modèle Gemini classique suffit déjà
L'arbitrage porte sur le périmètre, et il est plus tranchant que la plupart des comparaisons de modèles parce que les capacités ne sont tout simplement pas là. Decision 1 ne génère pas de texte : il ne peut répondre à une question ouverte, rien rédiger, ni raisonner longuement. La page du modèle marque l'API Batch, le cache de contexte, l'exécution de code, l'utilisation de l'ordinateur, la recherche de fichiers, l'inférence Flex, le function calling et la génération audio comme non pris en charge. Si votre tâche est « avoir une conversation » ou « produire du contenu », Carbon ou Hydrogen est le vrai produit; ce modèle ne peut jouer ce rôle à aucun prix.
Deux autres cas gardent un modèle général en place. Si la décision change souvent et que les critères restent dans votre tête plutôt que dans des niveaux de grille écrits, maintenir des questions typées ajoute une cérémonie qu'un prompt à un modèle classique n'exige pas. Et les pipelines à faible volume qui appellent déjà un modèle général pour la tâche environnante peuvent souvent replier un petit jugement dans le même appel plutôt que de payer un second aller-retour.
Son rapport à Carbon et Hydrogen, et où en sont les affirmations
Google ne positionne pas Decision 1 comme un frère dans la gamme de raisonnement, et la comparaison de benchmark qu'il publie est précise : près de 5 fois moins cher sur une suite de benchmark partagée que Gemini 3.5 Flash-Lite avec l'API Interactions, avec ce que Google nomme la plus faible erreur de calibration sur des benchmarks couvrant le routage d'agents, le raisonnement, le classement et la compréhension multimodale. Ce sont des chiffres rapportés par Google, et aucune entrée de classement tiers public pour gemini-decision-1 n'a été trouvée au moment du contrôle ; cet article les traite donc comme des affirmations du fournisseur. Ce que le tableau de prix établit à lui seul : 0,10 $ par million de tokens d'entrée, 0 $ en sortie, du prototypage au palier gratuit, et aucune prise en charge de l'API Batch.
Chaque chiffre de cet article est un nombre publié par Google, avec la date de notre vérification. Les affirmations à relire à mesure que le modèle mûrit : la latence et le coût ci-dessus, l'avance de benchmark, et la liste des déploiements internes, toutes issues des pages d'annonce et de documentation datées du 13 novembre 2026.
Pour commencer
Récupérez une clé API dans Google AI Studio, essayez les applications d'exemple Decisions Playground, Doorstep Parcels ou Find the Zookeeper, et suivez les guides Python, JavaScript et REST de la documentation de la Decisions API. Vous aurez besoin du SDK google-genai 3.2 ou ultérieur. Le conseil de la documentation elle-même : gardez chaque question centrée sur une seule décision, écrivez la question complète dans les instructions car le modèle ne voit jamais vos noms de variables, décrivez chaque option et chaque niveau de grille, et conservez des échelles de score linéaires car les échelles exponentielles faussent la valeur attendue.