NumActu

Gemini Decisions API : Google lance un modèle qui note au lieu de rédiger

· Par NumActu · 4 min de lecture

Google a présenté le 11 novembre la Gemini Decisions API, disponible dans Google AI Studio et via l'API Gemini. Elle repose sur Gemini Decision 1, un modèle qui évalue des contenus au lieu de générer du texte. Les performances avancées sont celles de Google et n'ont pas été vérifiées de façon indépendante.

Google propose un modèle d'un genre particulier. Gemini Decision 1 ne rédige pas de réponse. Il note. La firme l'a introduit avec la Gemini Decisions API, accessible dans Google AI Studio et via l'API Gemini. La date du 11 novembre se déduit de l'URL de l'article de MarkTechPost, daté du 2026-11-11. Je n'ai pas pu lire le contenu détaillé de cette page.

Le fait : un modèle qui évalue, sans écrire

Selon Google, Gemini Decision 1 « n'écrit pas de réponse jeton par jeton ». Il évalue une entrée par rapport à une liste de questions pouvant aller jusqu'à 1 000. Le blog officiel précise les formats de questions : oui/non, choix, notation par grille. Le tout se fait en une seule passe.

Les entrées peuvent être du texte, des images, de l'audio, de la vidéo ou des PDF. Le compte Google AI Studio parle de « our new multimodal decision model » et promet des décisions « fast, calibrated ».

Runtimewire décrit le fonctionnement ainsi. Le modèle note des options candidates en une seule passe (« forward pass »). Il renvoie des probabilités et des scores de confiance, sans générer de texte. Interesting Engineering retient surtout la capacité à traiter 1 000 questions à la fois. Le titre de cet article associe l'outil à des agents d'IA rapides.

Le prix et les limites techniques

D'après Runtimewire, le tarif est de 0,10 $ par million de jetons en entrée. Les jetons de sortie ne sont pas facturés. Le même média cite un récapitulatif qui note l'absence d'API Batch et de mise en cache de contexte pour ce modèle.

Sur la taille du contexte, les sources divergent. Un résumé de seconde main indique que le blog de Google donne une limite de 16K jetons. Une autre source cite 256K jetons. Je n'ai pas pu trancher entre les deux.

Les autres éléments qui circulent, dont la latence annoncée et la place du modèle dans un classement indépendant, ne figurent pas dans les sources que j'ai pu consulter. Je ne les reprends donc pas ici.

Les performances : des chiffres venus de Google

Google affirme que le modèle est en tête sur sa propre suite de tests. Il dit aussi qu'il a la plus faible erreur de calibration. La calibration mesure l'écart entre la confiance affichée par un modèle et sa fréquence réelle de réussite. Ces chiffres sont ceux de Google, et je n'ai trouvé aucune vérification indépendante.

Un point nuance ces annonces. Runtimewire cite un test indépendant selon lequel Google n'a publié aucun tableau de benchmark propre pour ce modèle. Cela ne cadre pas avec l'idée d'un classement détaillé. Faute de ces données, il est difficile de juger la revendication de tête de classement.

Les enjeux

Ce qui suit relève de l'analyse, pas des faits rapportés par les sources.

  • Un changement d'usage. Les modèles génératifs servent souvent à classer, trier ou valider. Un modèle qui renvoie directement des scores et des probabilités vise ces tâches sans passer par un texte à interpréter.
  • La fiabilité des scores. L'argument de la calibration compte si ces scores doivent déclencher des décisions automatisées. Il reste à confirmer par des tests indépendants.
  • Le coût. Une facturation limitée aux jetons d'entrée, à 0,10 $ le million selon Runtimewire, est un argument pour les usages à grand volume. L'absence de mise en cache et d'API Batch peut en limiter l'intérêt.

À ce stade, le lancement est documenté surtout par Google et par des relais de presse spécialisée. Les mesures indépendantes manquent, et le flou sur la limite de contexte reste à lever.

Sources

PartagerXLinkedInWhatsApp