Gemini Decision 1、OpenAI Decisions API、微软 Decision-1：同价的两家里，谷歌没有缓存

谷歌的接入文档里埋了一个很容易踩的坑。你给工单分类，选项写成 shipping、billing、none_of_the_above，打算让第三个兜底。结果模型打分前会先把选项键按字母排序，none_of_the_above 被排到了 shipping 前面。

更麻烦的是第二条：choice 类问题永远会把概率分给你列出的选项，哪怕没有一个合适。一条问“你们店周末几点开门”的消息，照样会被分出一个“最像 billing”的结果，概率可能还不低。

文档自己的建议是把兜底项改名叫 other，再单独加一道是非题：“这条消息和订单有关吗？”

这就是 11 月 11 日上线的 Gemini Decision 1。

它和一个月前出来的微软 Decision-1、10 月初进入公测的 OpenAI Decisions API 是同一类东西：不写文字，只给选项打概率，用在路由、审核、打分这些智能体流程里的判断节点上。站内 10 月那篇已经比过 Jev、Clef 和微软，这次谷歌进场，账要重新算一遍。

三张价目表放在一起

	Gemini Decision 1	OpenAI Decisions API	微软 Decision-1
上线	2026-11-11	10 月初公测	2026-10-09
输入价（每百万 token）	0.10 美元	0.10 美元（基于 GPT-6 Luna）	0.042 美元
输出	不计费	不计费	不计费
上下文	官方 256K，OpenRouter 标 262,144	沿用 Luna 窗口，超 272K 输入价翻倍	32,768
能读什么	文本、图片、音频、视频、PDF	文本、内嵌图片	未说明
单次问题数	最多 1000 个	未公开同口径数字	未公开同口径数字

谷歌和 OpenAI 的单价一分不差，都是微软的约 2.4 倍。

如果你的输入全是纯文本工单，这个差价没有任何回报。谷歌自己做过对比，九项测试里七项领先 Jev 和 OpenAI，但同一份对比也承认，单论成本效率，Jev 略胜一筹。Hacker News 发布帖里有人说得很直接：同赛道里它偏贵，好处是能吃音频和视频，那几类场景会非常好用。

钱多花在哪，其实很清楚：多模态和大窗口。

没有缓存，这一条比单价更要紧

Decision 1 的计费规则有一个对它有利的设计：同一个请求里，共享输入只算一次钱，每多问一个问题，只加这个问题本身的说明文字。十个问题问同一张工单，比调十次便宜得多。

不利的一面藏在“不支持”清单里。上下文缓存、Batch API、Flex 档位，现在一个都没有。

算一笔具体的。假设你的审核规则文档有 2 万 token，每次都要带上，一个月跑 1 万次请求，光规则部分就是 2 亿 token。按 0.10 美元算是 20 美元。同样的固定前缀放在 Gemini 3.5 Flash-Lite 上走缓存，缓存命中价 0.03 美元，只要 6 美元，差了三倍多。当然，Flash-Lite 那边还要付输出费。有人拿 1 万张、每张 600 token、每张问 3 个问题的工单算过：Decision 1 一个月约 0.78 美元，Flash-Lite 加结构化输出约 3.84 美元，还没算思考 token。所以结论分两头：前缀短、问题多，Decision 1 便宜；前缀长、问题少，没缓存的劣势会把单价优势吃掉。

谷歌宣传的“比 Flash-Lite 便宜近 5 倍”，是在它自家基准套件上的平均数。

延迟数字只覆盖 16K 以内

谷歌给的延迟是端到端 150 到 250 毫秒，其中模型计算 50 到 100 毫秒，从 1 个问题加到 100 个问题几乎不变。

注意这组数字的前提：上下文不超过 16K token。

窗口开到了 256K，测速却只测了前 6% 左右。拿它去判一份几百页的合同 PDF，或者一段长录音，延迟会是多少，官方没说。卖点是大窗口，承诺的速度却只在小窗口里成立，这一点发布稿里一笔带过。

微软那边报的是 85 毫秒、36 项基准近 15 万道题准确率 83.5%。两家口径完全不同，一个是端到端，一个没说明测量范围，不能直接比快慢。

微软便宜，但接口和底座都是变数

Decision-1 的价格是三家里最低的，0.042 美元，和 Jev 同价。它的硬伤上次写过，这次仍然成立：不走 OpenAI 兼容的 Chat Completions 接口，在 OpenRouter 上只有微软一家托管，没有备用供应商。底座是 Qwen3.5-9B 后训练，微软说以后要换到 MAI 和 OpenAI 的模型上重训，今天调好的阈值到时候可能要重调。

它给过一个漂亮的鲁棒性数字：八类扰动下平均只有 1.3% 的判断会翻转，选项换措辞、打乱顺序时一次都没翻。对照谷歌文档里“选项先按字母排序”的说明，顺序问题在两家那里都被处理掉了，只是谷歌的处理方式会让你的兜底选项换个位置。

32K 的窗口，加上没有明确的多模态支持，决定了它只适合短文本。

OpenAI 这一家，信息最少

OpenAI 的 Decisions API 建在 GPT-6 Luna 上，价格和谷歌相同，能读文本和内嵌图片。输入超过 27.2 万 token 后价格翻倍，这条和谷歌的大窗口正好形成对照。谷歌那张九项对比里它是被比较的一方，独立测试到现在还没看到。

社区对时间线的调侃挺准：Jev 出来两周 OpenAI 就跟了，谷歌晚了两个月。晚到的一方，只能靠多模态把差价讲圆。

谷歌自己的短板

除了没缓存、延迟只测 16K，还有三条：

一，托管渠道窄。不给权重，不能自部署，Vertex AI 上“即将推出”但没日期。现在只能走 Gemini 开发者 API 和 OpenRouter。

二，免费层的数据会被谷歌拿去改进产品，付费层不会。拿真实客户数据在 Google AI Studio 免费层上做原型，要先想清楚合规。

三，文档里专门警告过：用户输入可能“为自己的分类辩护”。一条退款申请里写着“这显然是质量问题”，模型可能就被说服了。涉及赔付和退款的判断，谷歌建议留人工或第二道检查。

它确实有别家做不到的事。谷歌示例里，一张耳机工单带上订单信息，三个问题一起问：是不是硬件故障 0.94，该怎么处理选了人工升级 0.76，流失风险 2.99 分（满分 3）。整次请求 324 个输入 token。换成一段客服录音加账户信息、一份扫描理赔单加损坏照片，也是同一个调用，不用另付转写和 OCR 的钱。

Gemini Notebook 内部就拿它给每条请求分配模型档位和思考深度，谷歌说日常查询延迟最多降了 40%。