Google เปิดตัว Gemini Decision 1 ประมวลผลคำถามอิสระสูงสุด 1,000 ข้อในครั้งเดียว คิดค่าอินพุต 0.10 ดอลลาร์ต่อหนึ่งล้านโทเคน
รูปภาพเพื่อช่วยให้เข้าใจบทความ
Google เปิดตัวโมเดลปัญญาประดิษฐ์รุ่นใหม่ Gemini Decision 1 เมื่อวันที่ 11 พฤศจิกายน 2026 โดยออกแบบมาเพื่อประเมินและตัดสินใจจากคำถามหลายรายการที่เป็นอิสระต่อกัน สามารถประมวลผลได้สูงสุด 1,000 คำถามภายในการคำนวณแบบ Forward Pass ครั้งเดียว พร้อมกำหนดราคาอินพุตไว้ที่ 0.10 ดอลลาร์สหรัฐต่อหนึ่งล้านโทเคน โดยไม่คิดค่าบริการสำหรับโทเคนเอาต์พุต
ราคาเข้าถึงง่าย รองรับหลายแพลตฟอร์ม
โมเดลนี้ใช้รหัส gemini-decision-1 และเปิดให้บริการผ่าน Gemini Decisions API นักพัฒนาที่ต้องการสร้างต้นแบบสามารถเริ่มใช้งานผ่านแพ็กเกจฟรีของ Google AI Studio ขณะที่ Google ระบุว่าจะเพิ่มการรองรับผ่าน Gemini บน Google Cloud ในเร็ว ๆ นี้ นอกจากนี้ยังเปิดให้ใช้งานผ่าน OpenRouter และ Vercel AI Gateway ด้วย
Google ระบุว่าใช้เวลาตอบสนองตั้งแต่รับคำขอจนส่งคำตอบประมาณ 150–250 มิลลิวินาที ส่วนเวลาประมวลผลของโมเดลโดยตรงมีค่ามัธยฐานอยู่ที่ 50–100 มิลลิวินาที บริษัทอ้างว่าเมื่อเปรียบเทียบต้นทุนจากชุดทดสอบมาตรฐานที่เปิดเผย Gemini Decision 1 ผ่าน Decisions API มีราคาถูกกว่า Gemini 3.5 Flash-Lite ผ่าน Interactions API เกือบ 5 เท่า
สำหรับคู่แข่ง Jev 1.14 มีราคาอินพุต 0.042 ดอลลาร์ต่อหนึ่งล้านโทเคน ส่วน GPT-6 Luna คิดค่าอินพุตที่ไม่ได้ผ่านการแคช 0.10 ดอลลาร์ต่อหนึ่งล้านโทเคน
รองรับคำถามแบบเลือกตอบ แต่มีข้อจำกัดด้านการใช้งาน
ข้อมูลจาก Google ระบุว่า Gemini Decision 1 รองรับบริบทสูงสุด 16,000 โทเคน และคำถามแบบปรนัยหนึ่งข้อสามารถมีตัวเลือกได้สูงสุด 255 ตัวเลือก ขณะที่คำถามทั้งหมดภายในคำขอเดียวกันจะใช้หน้าต่างบริบทขนาด 262,144 โทเคนร่วมกัน
อย่างไรก็ตาม โมเดลนี้ไม่ได้ออกแบบมาสำหรับงานที่ต้องอธิบายเหตุผลหรือสร้างข้อมูลตามอำเภอใจ แต่เน้นการประเมินคำถามแต่ละข้อแยกจากกัน หากคำถามหนึ่งต้องอาศัยคำตอบจากอีกคำถามหนึ่ง ผู้ใช้งานจำเป็นต้องส่งคำถามดังกล่าวผ่านการเรียก API แยกต่างหาก
Google เผยผลทดสอบเด่น แต่คู่แข่งยังทำคะแนนได้ดีกว่าบางรายการ
Google เปิดเผยว่า Gemini Decision 1 ทำผลงานได้ดีในการทดสอบหลายด้าน ทั้งการกำหนดเส้นทางให้เอเจนต์ AI การใช้เหตุผล การจัดอันดับ และความเข้าใจข้อมูลหลายรูปแบบ โดยระบุว่ามีค่าความคลาดเคลื่อนในการปรับเทียบความเชื่อมั่น (Calibration Error) ต่ำที่สุด และได้อันดับหนึ่งใน 5 จากการทดสอบทั้งหมด 7 รายการที่เผยแพร่พร้อมการเปิดตัว
ในการทดสอบ JevBench โมเดลของ Google ได้คะแนน 92.2% สูงกว่า GPT-6 Luna ที่ 90.9% และ Jev 1.14 ที่ 90.0% ส่วนค่า Calibration Error ซึ่งยิ่งต่ำยิ่งดี อยู่ที่ 0.0250 เทียบกับ Jev ที่ 0.0494
อย่างไรก็ตาม ผลทดสอบบางรายการยังเป็นรองคู่แข่ง โดย Mind2Web Multimodal นั้น Jev ทำคะแนนได้ 86.8% สูงกว่า Gemini Decision 1 ที่ 86.2% ขณะที่การทดสอบ When2Call Jev ได้ 82.0% เทียบกับ 79.9% ของโมเดล Google
ด้านความเข้าใจเสียง Gemini Decision 1 ทำคะแนน MMAU ได้ 71.8% สูงกว่า Gemini 3.5 Flash-Lite ที่ 67.7% ส่วนการทดสอบวิดีโอ Video-MME ทำได้ 69.1% เทียบกับคะแนน 63.3% ของโมเดลที่นำมาเปรียบเทียบ
ผลประเมินอิสระชี้ยังมีช่องว่างด้านต้นทุนและประสิทธิภาพ
ผลประเมินจาก Artificial Analysis ผ่านดัชนี Decision Index v2.1 ซึ่งเป็นการจัดอันดับแยกจากข้อมูลของ Google ระบุว่า Gemini Decision 1 อยู่ในอันดับ 9 จากโมเดลประเภท Decision ทั้งหมด 18 รุ่น ณ ช่วงเปิดตัว ด้วยคะแนน 66 คะแนน อย่างไรก็ตาม โมเดลนี้ทำคะแนนด้านความรู้และการใช้เหตุผลได้สูงที่สุดในกลุ่มโมเดล Decision ที่เข้าร่วมการประเมิน
ในด้านอื่น Drex Max v1.1 ทำอัตราผ่านการทดสอบ AA-Paperclip ซึ่งมีน้ำหนัก 30% ของดัชนี ได้ 63% ขณะที่ Gemini Decision 1 ทำได้ 33% ส่วนการทดสอบ When2Call ที่ Artificial Analysis ประเมินใหม่โดยตรงและมีน้ำหนัก 10% Drex Max v1.1 ได้ 95.3 คะแนน เทียบกับ 80.5 คะแนนของโมเดล Google ขณะที่การทดสอบ AA-Symmetry นั้น Mammoth 27B ทำได้ 88.2 คะแนน สูงกว่า Gemini Decision 1 ที่ 70.5 คะแนน
ด้านต้นทุนการประมวลผลตามเกณฑ์รวมของดัชนี Artificial Analysis ประเมินว่า Gemini Decision 1 มีค่าใช้จ่าย 345 ดอลลาร์ต่อหนึ่งล้านงาน สูงกว่า Drex Max v1.1 ที่ 103 ดอลลาร์ และ Jev 1.14 ที่ 156 ดอลลาร์ ส่วนเวลาเฉลี่ยที่ใช้ประมวลผลต่อหนึ่งงานอยู่ที่ 211 มิลลิวินาที
ผลทดสอบทั้งสองชุดสะท้อนว่า Gemini Decision 1 มีจุดแข็งด้านการประเมินความรู้และการใช้เหตุผล รวมถึงความสามารถในการประมวลผลคำถามจำนวนมากในครั้งเดียว แต่ประสิทธิภาพและต้นทุนยังแตกต่างกันตามประเภทงาน จึงเป็นปัจจัยที่นักพัฒนาต้องพิจารณาก่อนเลือกใช้งานจริง
ความคิดเห็น
แสดงความคิดเห็น