Google の decision model「Gemini Decision 1」を試してみた

こんにちは、けーまです。

Google から新たに decision model である「Gemini Decision 1」が登場しました。
これまでにも TypeSafe 社の Jev や OpenAI の Decisions API、Microsoft の Decision-1 など、文章を生成せずに質問ごとの確率だけを返す decision model が展開されてきました。
Jev も当初はテキストのみでしたが画像も入力できるようになってきており、decision model のマルチモーダル化が進んでいます。
今回の Gemini Decision 1 もマルチモーダル対応ということで、どのような判定ができるのか楽しみなところです。

そこで本記事では、Gemini Decision 1 にテキスト・画像・PDF・音声・動画を渡し、質問に正しく答えられるかを試してみました（検証日は 2026年11月13日です）。
リクエストやレスポンスの形式、入力ごとのトークン数、応答時間を中心に整理しています。

1. Gemini Decision 1 とは

Gemini Decision 1 は、Gemini API の Decisions API で提供されている decision model です。
公式ドキュメントによると、テキスト・画像・動画・音声・PDF に対する質問を1回の処理で評価し、出力トークンを消費せずに確率値を返します。

Gemini Decision 1 is a specialized multimodal model built for the Decisions API. It evaluates typed questions over text, images, video, audio, and PDFs in a single prefill pass and returns calibrated outcome probabilities with zero output tokens.

引用元: Gemini Decision 1 | Google AI Studio

質問の型には次の3つが用意されています。

• noul：yes/no の質問。yes の確率（0.01〜0.99）を返す

• choice：2〜255個の選択肢から1つを選ぶ質問。選んだ値と、選択肢ごとの確率を返す

• score：順序のある2〜255段階で採点する質問。段階ごとの確率と、確率で重み付けした点数を返す

1回のリクエストにおいて、最大262,144トークンの共通入力に対して最大1,000問まで同時に質問できます。

2. Jev・Decisions API・Microsoft-Decision-1 との違い

同種の decision model について、リクエストの形式と料金を比較してみました。

料金は入力トークンに対してのみ発生し、出力は0トークンのため課金されません。
無料枠も用意されていますが、無料枠で送信したデータは Google の製品改善に利用される規約となっています。
そのため、本記事の検証は有料枠で実施しました。

引用元: Pricing | Google AI Studio

3. リクエストと応答の形

日本語の問い合わせ文1件に対して、yes/no と選択式の2問を投げるリクエスト例です。

curl -X POST "https://generativelanguage.googleapis.com/v1beta/decisions" \
  -H "x-goog-api-key: $GEMINI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gemini-decision-1",
    "input": "注文した青いマグカップが、水曜日に割れた状態で届きました。",
    "questions": {
      "is_damaged": {"type": "noul", "instructions": "商品は破損した状態で届いたか？"},
      "queue": {
        "type": "choice",
        "instructions": "この問い合わせはどの窓口が担当すべきか？",
        "criteria": {
          "billing": "支払い・請求・返金",
          "replacements": "破損・欠品・誤配送",
          "general": "商品の質問・アカウント変更"
        }
      }
    }
  }'

実際のレスポンスがこちらです。

{
  "answers": {
    "is_damaged": {"type": "noul", "noul": 0.9840137462708173, "confidence": 0.9840137462708173},
    "queue": {
      "type": "choice",
      "choice": "replacements",
      "confidence": 0.9954992504366662,
      "probabilities": {
        "general": 0.0008395011506577694,
        "billing": 0.0036612484126759973,
        "replacements": 0.9954992504366662
      }
    }
  },
  "usage": {
    "total_input_tokens": 181,
    "input_tokens_by_modality": [{"modality": "text", "tokens": 181}],
    "total_output_tokens": 0
  }
}

このレスポンスは次の3点を示しています。

• noul：破損して届いた内容である確率

• choice と probabilities：最も確率の高い窓口と、各窓口の確率内訳

• usage：入力モダリティごとのトークン数（出力は0）

つまり、Gemini Decision 1 はこの問い合わせを約0.98の確率で破損の連絡と判定し、「破損・欠品・誤配送」窓口へ適切に振り分けられています。

画像・PDF・音声・動画を渡す場合は、input を配列形式にしてモダリティごとのオブジェクトを指定します。
ファイルデータは base64 エンコードした文字列を data に渡し、mime_type を指定します。

{
  "model": "gemini-decision-1",
  "input": [
    {"type": "image", "data": "<BASE64>", "mime_type": "image/jpeg", "resolution": "low"}
  ],
  "questions": {
    "damaged": {"type": "noul", "instructions": "箱につぶれや破れ、開いて中身がこぼれているなどの破損があるか？"}
  }
}

指定できる type は text・image・audio・video・document（PDF）の5種類です。
resolution は、画像や動画のフレームをモデルがどの細かさで読み込むかの指定です。
細かく読み込むほど入力トークンが増え、そのぶん料金も上がります。
画像と動画のみ指定可能で、low・medium・high・ultra_high（画像のみ）から選択できます。

4. 入力ごとに試す

入力のモダリティごとに質問を用意し、正解と照らし合わせて検証しました。
yes/no 判定は、確率 0.5 以上を「はい」とみなして採点しています。

4.1 テキスト

自分で作成した問い合わせ文3件に対して、同じ3つの質問を投げてみました。

担当窓口と yes/no 判定は3件とも正解でした。
緊急度についても、二重引き落としに最も高いスコアを付け、メールアドレス変更を最も低く判定できています。
入力トークン数はいずれも約255トークンでした。

4.2 画像

Pexels の配達写真4枚に対して、7つの質問をまとめて投げてみました。
解像度を low と high に変えて、同じ質問を2回ずつ検証しています。

使用した配達写真4枚（Pexels。番号は下の表の順）

解像度 low の結果

yes/no 判定と次の対応の選択は、4枚ともすべて正解でした。
箱が開いて緩衝材が外にこぼれている2枚目だけを的確に破損と判定し、「破損の確認に回す」を選べています。
一方で配達の質スコアは、特に問題のない写真に対しても 1.3〜1.6 とやや控えめな点数が付きました。

解像度による挙動の違いは次のとおりです。

解像度を low に下げても回答精度は落ちず、画像トークン数は約4分の1になり、応答時間も短縮されました。

4.3 PDF

総務省統計局が公開している「随意契約に係る情報の公表」の PDF をそのまま入力に渡しました。
契約件名・相手方・金額・落札率などがまとめられた1ページの表形式文書です。

総務省統計局（令和7年10月分）。出典：総務省統計局ホームページ（当ブログにて余白を切り詰めて掲載）

2問とも正解で、応答時間も約1.09秒に収まりました。
PDF の各ページは画像としてカウントされ、1ページあたり532トークンを消費していました。

4.4 音声

英語音声には NASA が公開している Artemis II の打ち上げ前確認音声（Go/No-Go poll、約171秒）を使用しました。
日本語音声には、架空のシナリオを私が読み上げて録音した2本（約19秒と約17秒）を用いています。

NASA Artemis II の Go/No-Go poll（英語、約171秒）

NASA の音声ライブラリで公開されている、打ち上げ前に責任者が各担当へ「Go か No-Go か」を順に確認していく交信です。

{
  "model": "gemini-decision-1",
  "input": [
    {"type": "audio", "data": "<BASE64>", "mime_type": "audio/mpeg"}
  ],
  "questions": {
    "poll": {"type": "noul", "instructions": "打ち上げをしてよいかを、責任者が各担当に順に確認しているか？"},
    "lang": {"type": "choice", "instructions": "話されている言語はどれか？", "criteria": {"en": "英語", "ja": "日本語", "es": "スペイン語"}}
  }
}

{
  "answers": {
    "poll": {"type": "noul", "noul": 0.8038835784645741, "confidence": 0.8038835784645741},
    "lang": {
      "type": "choice",
      "choice": "en",
      "confidence": 0.9858712444987193,
      "probabilities": {
        "es": 0.0018284270695773715,
        "ja": 0.012300328431703275,
        "en": 0.9858712444987193
      }
    }
  },
  "usage": {
    "total_input_tokens": 5620,
    "input_tokens_by_modality": [{"modality": "text", "tokens": 497}, {"modality": "audio", "tokens": 5123}],
    "total_output_tokens": 0
  }
}

問い合わせ（日本語、約19秒）

読み上げた台本

お世話になっております。
株式会社みなと商事の佐藤です。
先週の金曜日に注文した事務用の椅子10脚のうち、2脚が脚の折れた状態で届きました。
来週の月曜日までに、交換品を送っていただけますか。
急ぎではありませんので、ご返信をお待ちしております。

{
  "model": "gemini-decision-1",
  "input": [
    {"type": "audio", "data": "<BASE64>", "mime_type": "audio/x-wav"}
  ],
  "questions": {
    "damaged": {"type": "noul", "instructions": "商品が壊れて届いたという内容か？"},
    "queue": {"type": "choice", "instructions": "どの窓口が担当すべき内容か？", "criteria": {"billing": "請求（支払い・請求・返金）", "replacements": "交換（破損・欠品・誤配送）", "general": "一般（社内の連絡・商品の質問など）"}},
    "deadline": {"type": "noul", "instructions": "締め切りのある頼みごとが含まれているか？"}
  }
}

{
  "answers": {
    "damaged": {"type": "noul", "noul": 0.9250404528791057, "confidence": 0.9250404528791057},
    "queue": {
      "type": "choice",
      "choice": "replacements",
      "confidence": 0.9966262520300841,
      "probabilities": {
        "general": 0.0021148546362017516,
        "billing": 0.0012588933337142408,
        "replacements": 0.9966262520300841
      }
    },
    "deadline": {"type": "noul", "noul": 0.7521579306702354, "confidence": 0.7521579306702354}
  },
  "usage": {
    "total_input_tokens": 1056,
    "input_tokens_by_modality": [{"modality": "text", "tokens": 478}, {"modality": "audio", "tokens": 578}],
    "total_output_tokens": 0
  }
}

会議の連絡（日本語、約17秒）

読み上げた台本

来週の定例会議は、水曜日の午後3時から、木曜日の午前10時に変更になりました。
場所は変わらず、5階の会議室です。
資料は前の日までに共有フォルダに置いてください。
欠席する人は、田中さんまで連絡をお願いします。

{
  "model": "gemini-decision-1",
  "input": [
    {"type": "audio", "data": "<BASE64>", "mime_type": "audio/x-wav"}
  ],
  "questions": {
    "schedule_change": {"type": "noul", "instructions": "日時が変わったという連絡か？"},
    "place_change": {"type": "noul", "instructions": "場所も変わったという内容か？"},
    "deadline": {"type": "noul", "instructions": "締め切りのある頼みごとが含まれているか？"}
  }
}

{
  "answers": {
    "schedule_change": {"type": "noul", "noul": 0.8786937301730974, "confidence": 0.8786937301730974},
    "place_change": {"type": "noul", "noul": 0.02382484762107802, "confidence": 0.9761751523789219},
    "deadline": {"type": "noul", "noul": 0.16961928429576015, "confidence": 0.8303807157042399}
  },
  "usage": {
    "total_input_tokens": 992,
    "input_tokens_by_modality": [{"modality": "text", "tokens": 474}, {"modality": "audio", "tokens": 518}],
    "total_output_tokens": 0
  }
}

会議の連絡にある「資料は前の日までに共有フォルダに置いてください」という期限付きの依頼事項のみ、0.17 と判定して見落としてしまいました。
それ以外の質問はすべて正解しています。
消費トークン数は、約19秒の音声で578トークン、約171秒の音声で5,123トークンでした。

4.5 動画

Pexels の配達動画5本（約11〜29秒、解像度 640×360）に対して、それぞれ4つの質問を投げました。

使用した配達動画5本の中ほどの1コマ（Pexels。番号は下の表の順）

5本×4問の計20問すべてで正解を選べています。
ただし、手渡し判定の2本は 0.544 と 0.723 にとどまり、確信度としてはやや控えめな値でした。
動画は映像と音声の両方でトークンが消費され、29秒の動画では映像が1,914トークン、音声が1,004トークンでした。

4.6 1回に聞く質問の数

Google はリリース発表時、配達写真1枚に対して16問を同時に判定させるデモを X に投稿していました。
そこで、同じ写真1枚に対して16問・60問・200問をまとめて投げ、応答時間と入力トークン数を比較してみました。

200問を同時に聞いても、1秒以内でレスポンスが返ってきました。
質問数を増やすと質問文の分だけ入力トークンが増え、応答時間は16問の約0.57秒から60問で約0.90秒に伸びましたが、200問でもそれ以上は伸びませんでした。
また、最初の7問の判定値は、16問や60問のときも7問単体で聞いたときと完全に一致しており、200問に増やしてもほぼ同じ結果を維持していました。
公式ドキュメントにも記載があるとおり、各質問は互いに独立して評価されるため、質問を追加・削除しても他の回答には影響しません。

The API evaluates each question independently against the shared input. Questions can't see each other, and adding or removing one doesn't change the other answers.

引用元: Decisions API | Google AI Studio

5. まとめ

Gemini Decision 1 に、テキスト・画像・PDF・音声・動画の5種類の入力を渡し、Jev と同じ書き方の質問で判定させてみました。

Jev と同じ noul・choice・score の質問がそのまま通り、判定材料を state から input に替えるだけで、文書以外の入力も同じ手順で判定できました。
音声や PDF では日本語の素材も使いましたが、英語と同じように答えられており、英語に限らず日本語でも問題なく精度が出そうな雰囲気はありますね。
画像を low にしても判定結果が変わらず、200問をまとめて聞いても1秒以内に返ってきたため、写真1枚に対してたくさんのチェック項目を並べるような使い方とは相性がよいと感じました。

料金は入力100万トークンあたり $0.10 で、Jev（$0.042）と比べると高めです。
ただ、同じく画像を扱える OpenAI の Decisions API も $0.10 なので、マルチモーダルな decision model としては同等の金額です。

Gemini Decision 1 は、Google AI Studio で発行した API キーを使い、Gemini API（REST または Google Gen AI SDK）から呼び出せます。
コードを書かずに試したい場合は、Google AI Studio のサンプルアプリ「Decisions Playground」で質問と入力を変えながら動きを確かめられます。
Google Cloud（Vertex AI）側からの提供は、2026年11月14日時点では「近日対応予定」とされています。

参考

• Pexels License | Pexels