2026年11月11日、米Google DeepMindは、マルチモーダル入力による選択肢評価に特化した「Gemini Decisions API」および「Gemini Decision 1」モデルを発表した。画像や音声を含む多様なデータを一度の処理で高速に判定できるのが特徴で、Google AI Studioを通じて提供が開始されている。
マルチモーダル対応と高速・低コストを実現したAPIの全貌
Gemini Decisions APIは、ツール選択やポリシーチェック、モデルルーティング、コンテキストの評価など、限られた選択肢の中から最適な結果を導き出すことに特化した専用エンドポイントである。
ユーザーはテキスト、画像、音声、ビデオ、PDFなどのマルチモーダル入力を最大25.6万トークンまで組み合わせることができ、最大1,000問の質問を同時に処理させることが可能だ。
従来の生成AIのようにトークンを1つずつ生成するのではなく、1回のフォワードパスですべての候補オプションをスコア化する仕組みを採用している。これにより、最大16Kトークンまでのコンテキスト、1リクエストあたり1〜100問の質問では、150〜250ミリ秒という極めて短いエンドツーエンドのレイテンシーを実現しており、モデル計算における中央値も50〜100ミリ秒に抑えられている。
料金面においても、入力トークン100万あたり0.10ドルという低価格を打ち出しており、出力トークンの課金が一切発生しない設計になっている。これにより、Interactions APIを用いたGemini 3.5 Flash-Liteと比較して約5分の1という圧倒的な低コスト運用が可能となり、開発者にとって使いやすい環境が整備されている。
判定形式としては、イエス・ノー形式(※)、マルチプルチョイス、順序付きルーブリックの3種類が用意されている。すべての回答には0から1までの信頼度スコアが付与されるため、システムの自動化や曖昧なケースにおけるヒューマンレビューへの切り替えも容易になる見通しだ。
Google社内のチームでは、すでにこのAPIを低レイテンシーな制御プレーンとして活用し、実際のプロダクトへの導入が進められている。例えば、Gemini Notebookではリアルタイムなモデルルーターとして活用されており、日常的なクエリを最大40%低い遅延で処理しつつ、複雑なタスクには高度な推論モデルを割り当てることが可能になっている。
さらに、Google Labsの「CC」では絵文字の選択処理に活用され、200以上の選択肢から一瞬で適切なリアクションを提示する仕組みを支えている。検索部門においても、検索におけるMCP(Model Context Protocol)ツールの安全レイヤーとして実用化されており、パフォーマンスとセキュリティの両立を実現している。
※イエス・ノー形式:肯定または否定の2択において、条件が成り立つ確率を推定する判定方式。任意で真偽の基準を説明する条件を設定できる。
導入のメリットと課題、そして今後の発展性に関する見解
今回のAPI公開がもたらすメリットとして、開発者がカスタム分類モデルの訓練や重い生成処理を回避できる点が挙げられる。あらかじめ選択肢を定義するだけで高度な判定システムを構築できるようになり、結果として応答速度の向上と運用コストの大幅な削減を同時に達成できるとみられている。
一方で、用途が閉じた選択肢(クローズドセット)の判定に特化している性質上、自由な文章生成やオープンエンドな対話が求められるタスクにはあまり向いていないという側面がある。
また、出力トークンの課金が発生しない仕組みである一方、大量のマルチモーダル入力を継続的に処理する場合には、入力トークンの蓄積によるコスト管理が重要になると考えられる。
今後の展望としては、OpenRouter、LangChain、Vercel、LiteLLMなどの主要な外部エコシステムやSDKへの統合が順次進められていく計画となっている。Google CloudにおけるGeminiへのサポートも近々予定されており、今後は企業システムへの組み込みがさらに加速していくことが予想される。
この新しいAPIの登場により、従来の複雑な開発プロセスは大きく変化する可能性を秘めていると言える。今後は多様なビジネス現場での実用例が増加し、アプリケーションの効率化やシステムのスマート化に大きく寄与していく見通しだ。
関連記事: