Gemini Decision 1 vs. Jev: Preise, Latenz und Python-Einrichtung

Teste Gemini Decision 1 für multimodales Routing und viele unabhängige Prüfungen derselben Eingabe. Nutze Jev als erste Vergleichsbasis für Text-Routing, wenn Latenz und Kosten entscheidend sind. Verwende ein generatives Modell, wenn du Code, Erklärungen, beliebige extrahierte Werte oder Tool-Argumente brauchst.

Google hat Gemini Decision 1 am 11. November 2026 veröffentlicht. Mit Stand 2026-11-13 ist die Decisions API über die Gemini API verfügbar. Python-Unterstützung gibt es in google-genai ab 3.2.0. Das ist ein Entscheidungs-Endpunkt, kein Ersatzmodell für einen Coding-Chat.

Was gibt Gemini Decision 1 zurück?

Gemini Decision 1 bewertet vordefinierte Ergebnisse, statt eine Antwort Token für Token zu erzeugen. Du übergibst eine gemeinsame Eingabe und bis zu 1,000 unabhängige Fragen. Das Kontextfenster umfasst 262,144 tokens, meist als 256K bezeichnet. Eingabe und Fragen müssen zusammen innerhalb dieser Grenze bleiben.

Der Leitfaden zur Decisions API beschreibt drei Fragetypen:

Typ	Das definierst du in der Anfrage	Das liest du aus der Antwort
`noul`	Eine Ja/Nein-Frage; optionale Kriterien präzisieren die beiden Ergebnisse.	`noul`, die Wahrscheinlichkeit für Ja, sowie `confidence`.
`choice`	Zwischen 2 und 255 benannte Optionen mit Beschreibungen.	Die gewählte Option `choice`, normalisierte `probabilities` und `confidence`.
`score`	Eine geordnete Bewertungsskala, deren erste Stufe den Index 0 hat.	Ein mit Wahrscheinlichkeiten gewichteter `score`, `probabilities` je Stufe und `confidence`.

In einem Coding-Agenten lassen sich damit unterschiedliche Fragen beantworten. Muss die Aufgabe Dateien aus dem Repository einbeziehen? Welches Tool soll als Nächstes laufen? Wie viel Untersuchung erfordert die Aufgabe?

Die Fragen sind unabhängig. Innerhalb derselben Anfrage kann eine Frage nicht auf die Antwort einer anderen zugreifen. Kombiniere die Ergebnisse im Anwendungscode. Sende eine weitere Anfrage, wenn eine spätere Entscheidung ein vorheriges Ergebnis braucht.

Eine hohe Konfidenz bei noul bedeutet nicht automatisch „Ja“. Das SDK definiert noul als Wahrscheinlichkeit zwischen 0.01 und 0.99. Die Konfidenz beträgt max(noul, 1 - noul). Ein Ergebnis von noul = 0.03 bedeutet daher „Nein“ mit einer Konfidenz von 0.97.

Bei score kann der Wert zwischen den Stufen der Bewertungsskala liegen. Seine Konfidenz ist die höchste Wahrscheinlichkeit einer einzelnen Stufe. Sie beschreibt nicht, wie wahrscheinlich der kontinuierliche Mittelwert exakt richtig ist. Beachte diesen Unterschied, wenn dein Code Schwellenwerte anwendet.

Wenn du Jev bereits kennst, kannst du diese Fragetypen den Mustern aus unserem Leitfaden zu Jev-Anwendungsfällen zuordnen. Ähnliche Konzepte machen die Anfrageformate der Anbieter nicht austauschbar.

Gemini Decision 1 vs. Jev: Was zeigen die Messwerte?

Jev ist die bessere erste Vergleichsbasis für einen reinen Text-Router, sofern deine eigenen Qualitätstests vergleichbare Ergebnisse liefern. Teste Gemini zusätzlich, wenn native multimodale Eingaben den Arbeitsablauf verändern.

Die folgenden direkten Tarife stammen von Googles Preisseite und aus TypeSafes Erläuterung der Jev-Kosten. Die Benchmark-Werte stammen aus den Profilen für Gemini Decision 1 und Jev 1.14 bei Artificial Analysis. Alle Angaben wurden am 2026-11-13 geprüft.

Messgröße	Gemini Decision 1	Jev 1.14
Modell-ID beim direkten Zugriff	`gemini-decision-1`	`jev-1.14.0`
Direkter Eingabepreis, USD je 1M tokens	$0.10	$0.042
Direkte Kosten für Ausgabe-Token	$0	$0
Artificial Analysis Decision Index	66	66
AA-Kosten je 1M Benchmark-Aufgaben, USD	$345	$156
AA-Zeit je Aufgabe, Time per Task	211 ms	92 ms

Die AA-Werte sprechen bei gleichem gerundetem Indexwert in Kosten und Zeit für Jev. Sie belegen keine gleiche Genauigkeit bei deinen Fragen zur Tool-Auswahl. Benchmark-Aufgaben sind zudem nicht mit HTTP-Anfragen gleichzusetzen. Multipliziere diese Werte nicht mit deiner Anzahl an Anfragen.

Google berichtet von einem Vorsprung in seiner eigenen Benchmark-Suite zum Start. Auf gemeinsamen Benchmarks meldet Google außerdem nahezu 5x geringere Kosten als bei Gemini 3.5 Flash-Lite über die Interactions API. Das ist ein anderer Vergleich als der AA-Index. Er belegt keinen allgemeinen Vorsprung gegenüber Jev.

In der Analyse zum Start vom 12. November meldete Artificial Analysis einen Brier score von 0.18 für Gemini und 0.19 für Jev. Bei diesem Maß für den Fehler von Wahrscheinlichkeitsprognosen ist ein niedrigerer Wert besser. Der kleine Unterschied im Gesamtergebnis liefert keine sichere Konfidenzschwelle für deine Anwendung.

Auch Googles Latenzangabe gilt nur unter bestimmten Bedingungen: 50–100 ms mediane Modellrechenzeit und 150–250 ms Ende-zu-Ende-Zeit. Sie bezieht sich auf Kontexte bis 16K tokens. Zwischen 1 und 100 Fragen bleibt die Latenz nahezu gleich. Übertrage diese Aussage nicht auf 1,000 Fragen oder einen vollständigen 256K-Kontext.

Bei multimodalen Aufgaben ist der Unterschied deutlicher. Google dokumentiert native Eingaben für Text, Bilder, Audio, Video und PDF. TypeSafes Modellreferenz nennt Text und Bilder, aber keine native Audio- oder Video-Unterstützung. Im Beitrag zu Jev 1.14 bezeichnet TypeSafe die Bildfunktionen außerdem als experimentell.

Beginne mit Gemini für Entscheidungen über Aufnahmen, Videos oder PDFs. Beginne mit Jev für einen vorhandenen Text-Router. Ändere die Wahl, wenn ein Test mit gelabelten Daten weniger Fehler, akzeptable Latenz und geringere Gesamtkosten zeigt.

Wie verändert die gemeinsame Eingabe die Rechnung?

Sende zusammengehörige Fragen gemeinsam, wenn sie dieselbe Eingabe bewerten. Google berechnet diese gemeinsame Eingabe nur einmal pro Anfrage. Jede Frage fügt weiterhin die Token ihrer Anweisungen, Kriterien und Formatierung hinzu.

Beim am 2026-11-13 geprüften direkten Bezahltarif gilt:

request cost in USD =
(shared input tokens + all question tokens) × $0.10 / 1,000,000

Betrachte eine Schätzung mit 10,000 tokens gemeinsamer Eingabe und 100 Fragen. Jede Frage fügt angenommen 80 berechnete Token hinzu, einschließlich Formatierung.

Aufbau der Anfragen	Geschätzte berechnete Eingabe	Geschätzte direkte Kosten
Eine Anfrage mit 100 Fragen	10,000 + 100 × 80 = 18,000 tokens	$0.0018
100 separate Anfragen mit wiederholter Eingabe	100 × (10,000 + 80) = 1,008,000 tokens	$0.1008

Hier werden zwei Arten von Gemini-Anfragen verglichen. Daraus folgt nicht, dass nur Google mehrere Fragen anhand gemeinsamer Eingaben bewerten kann.

Die Schätzung enthält keine Wiederholungsversuche, nachgelagerten Modellaufrufe oder Gateway-Gebühren. Sie setzt weder Rabatte noch ein kostenloses Kontingent voraus. Nutze result.usage.total_input_tokens, um die angenommene Tokenzahl durch den gemessenen Verbrauch zu ersetzen.

Mehrere Fragen in einer interaktiven Anfrage sind außerdem nicht dasselbe wie ein asynchroner Batch-Auftrag. Googles Preisseite erklärt, dass Gemini Decision 1 die Batch API nicht unterstützt.

Ein Python-Beispiel zur Tool-Auswahl ausführen

Nutze für den ersten Test die Gemini API direkt. So erschwert eine Übersetzung des Gateway-Schemas nicht die erste Funktionsprüfung.

Für die unten festgelegte SDK-Version brauchst du Python 3.11 oder neuer. Erstelle einen Schlüssel nach Googles Anleitung für API-Schlüssel und prüfe die unterstützten Regionen.

Verwende synthetische Eingaben für den Test. Lies die Nutzungsbedingungen der Gemini API, bevor du Inhalte eines privaten Repositorys überträgst.

SDK installieren und Schlüssel laden

Führe diese Befehle in Bash aus. Die Schlüsseleingabe bleibt verborgen, und der Schlüsselwert landet nicht als Klartext im Befehlsverlauf.

python3 -m venv .venv
source .venv/bin/activate
python -m pip install "google-genai==3.2.0"
read -rs GEMINI_API_KEY && export GEMINI_API_KEY

Das Beispiel übergibt den Wert dieser Umgebungsvariablen ausdrücklich an den Client. Es nutzt v1beta und client.decisions.create statt einer Methode zur Textgenerierung. Der entsprechende direkte REST-Aufruf lautet POST https://generativelanguage.googleapis.com/v1beta/decisions.

Die Antwort in einen Routing-Plan umwandeln

Speichere den Code als route_decision.py. Er stellt Fragen aller drei Typen, prüft die Antworttypen und gibt einen maschinenlesbaren Routing-Plan aus.

import json
import os

from google import genai
from google.genai.decisions import ChoiceAnswer, NoulAnswer, ScoreAnswer

api_key = os.environ.get("GEMINI_API_KEY")
if not api_key:
    raise SystemExit("Set GEMINI_API_KEY before running this script.")

client = genai.Client(
    api_key=api_key,
    http_options={"api_version": "v1beta"},
)

try:
    result = client.decisions.create(
        model="gemini-decision-1",
        input=(
            "Task: Explain why parse_config rejects an empty YAML file. "
            "Repository: Python service with src/config.py and "
            "tests/test_config.py. No file contents are provided. "
            "Start with read-only investigation."
        ),
        questions={
            "needs_repo": {
                "type": "noul",
                "instructions": "Must the next step inspect repository files?",
            },
            "next_tool": {
                "type": "choice",
                "instructions": "Choose the next read-only investigation step.",
                "criteria": {
                    "read_repo": "Inspect existing source files or tests.",
                    "read_docs": "Look up public API behavior.",
                    "no_tool": "The supplied text is sufficient.",
                    "human_review": "The task is ambiguous or outside these options.",
                },
            },
            "effort": {
                "type": "score",
                "instructions": "Rate the investigation effort this task needs.",
                "criteria": [
                    "Simple lookup or local explanation.",
                    "Investigation across source code and tests.",
                    "Architecture or security analysis with several dependencies.",
                ],
            },
        },
    )
except Exception as exc:
    raise SystemExit(
        f"Decision request failed ({type(exc).__name__}); no action selected."
    ) from None

answers = result.answers or {}
repo = answers.get("needs_repo")
tool = answers.get("next_tool")
effort = answers.get("effort")
if not (
    isinstance(repo, NoulAnswer)
    and isinstance(tool, ChoiceAnswer)
    and isinstance(effort, ScoreAnswer)
    and result.usage is not None
):
    raise SystemExit("Incomplete decision response; send this task for review.")

# Illustrative thresholds. Tune them on labeled traffic before deployment.
next_tool = tool.choice if tool.confidence >= 0.85 else "human_review"
if next_tool == "read_repo" and repo.noul < 0.85:
    next_tool = "human_review"
if next_tool not in {"read_repo", "read_docs", "no_tool", "human_review"}:
    next_tool = "human_review"

model_tier = (
    "reasoning"
    if effort.score >= 1.5 or effort.confidence < 0.80
    else "small"
)

print(json.dumps({
    "next_tool": next_tool,
    "model_tier": model_tier,
    "repository_probability": repo.noul,
    "tool_confidence": tool.confidence,
    "effort_score": effort.score,
    "input_tokens": result.usage.total_input_tokens,
    "output_tokens": result.usage.total_output_tokens,
}, indent=2))

Starte das Skript in derselben Bash-Sitzung:

python route_decision.py

Ein erfolgreicher Aufruf liefert Antworten unter den drei angeforderten Schlüsseln und meldet null Ausgabe-Token. Das Skript sollte ein Tool-Label, ein Modellklassen-Label, Wahrscheinlichkeiten und Verbrauchswerte ausgeben. Betrachte weder eine bestimmte Wahrscheinlichkeit noch eine bestimmte Route als garantiertes Ergebnis.

Die Schwellenwerte 0.85, 0.80 und 1.5 sind beispielhafte Anwendungsregeln, keine Empfehlungen des Anbieters. Die Zeichenketten small und reasoning sind lokale Routing-Labels, keine API-Modell-IDs.

Das Programm erstellt einen Plan. Es liest keine Dateien, führt keine Befehle aus und ruft die ausgewählte Modellklasse nicht auf. Deine Agentensteuerung muss die Labels erlaubten Tools und bereitgestellten Modellen zuordnen. Verwalte Dateisystemrechte und Befehlsfreigaben getrennt vom Urteil des Modells.

Diese Trennung gilt auch für Geschäftsprozesse. Unser Workflow zum Ticket-Routing mit Jev erklärt, wie sich Klassifizierung mit Validierung und Eskalation verbinden lässt.

Welche kostenlosen Kontingente und typischen Fehler gibt es?

Prüfe vor einem Lasttest sowohl das Anfrage- als auch das Tokenkontingent. Eine hohe Grenze für die Zahl der Fragen hebt keine Ratenbegrenzung auf.

Zu den am 2026-11-13 geprüften veröffentlichten Grenzen für Gemini Decision 1 gehören:

Nutzungsstufe	Anfragen pro Minute	Eingabe-Token pro Minute	Anfragen pro Tag
Free	200	50,000	10,000
Tier 1	1,500	1,000,000	50,000

Prüfe vor der Bereitstellung die aktiven Projektgrenzen in AI Studio. Google weist darauf hin, dass veröffentlichte Grenzen keine Kapazität garantieren. Weitere kostenpflichtige Stufen stehen in der verlinkten Referenz.

Fehlt dem Client das Attribut decisions, prüfe das installierte Paket mit python -m pip show google-genai. Aktualisiere es in derselben virtuellen Umgebung, in der das Skript läuft. Decisions-Unterstützung kam mit SDK 3.2.0 hinzu.

Reduziere bei Fehlern durch Ratenbegrenzung die Anfragefrequenz oder Eingabemenge, bevor du es erneut versuchst. Für vorübergehende Fehler empfiehlt Googles Anleitung zur Fehlerbehebung exponentielle Wartezeiten, zufällige Abweichungen namens Jitter und eine begrenzte Zahl von Versuchen. Ein ausgeschöpftes Tageskontingent erfordert einen Reset oder eine Erhöhung. Eine enge Wiederholungsschleife hilft dabei nicht.

Plane für Inhaltsmoderation einen zusätzlichen Fehlerpfad ein. Wenn Sicherheitsfilter die Eingabe blockieren, kann die Decisions API statt Antworten 400 Bad Request zurückgeben. Eine blockierte Anfrage bedeutet nicht, dass die Richtlinienprüfung mit „Nein“ beantwortet wurde. Leite den Fall zur Prüfung oder an einen anderen freigegebenen Prozess weiter. Werte fehlende Antworten nicht als Erlaubnis, fortzufahren.

Funktioniert dieselbe Anfrage bei OpenRouter und Vercel?

Beide führen google/gemini-decision-1, ihre Schnittstellen unterscheiden sich aber vom direkten Python-Beispiel für Google. Wähle ein Gateway passend zur vorhandenen Integration. Nur die Basis-URL zu ändern reicht nicht.

Die Modellseite von OpenRouter listet das Modell. Die Referenz der Decisions API dokumentiert POST https://openrouter.ai/api/alpha/decisions; gemeinsame Inhalte stehen in state. Der Endpunkt befindet sich in der Alpha-Phase, und sein Schema kann sich ändern. Laut Modellseite ist EU-internes regionales Routing derzeit nicht verfügbar.

Vercels Dokumentation zur Einführung nennt dieselbe Modell-ID. PDF-, Audio- und Video-Eingaben erfordern den dort beschriebenen Weg über AI SDK 7. Die TypeSafe-kompatible API und die Decisions API unterstützen Text und Bilder.

Auch Vercels Dokumentation der Entscheidungsschnittstellen zeigt unterschiedliche Anfrageformen. Das AI SDK verwendet state und boolean; die HTTP-Decisions-Schnittstelle verwendet input und predicate. Kopiere eine Google-Anfrage mit noul nicht unverändert. Passe sie zuerst an das dokumentierte Schema an.

Ein Eintrag im Gateway-Katalog belegt weder Zugriff aus jedem Land noch die Einhaltung von Vorgaben zur Datenresidenz. Prüfe Zugangsbedingungen, Datenverarbeitung und Gateway-Gebühren, bevor du produktiven Datenverkehr verlagerst.

Was solltest du vor dem Austausch eines Routers messen?

Lass den neuen Router zunächst laufen, ohne ihm die Kontrolle über Aktionen zu geben. Vergleiche seine vorgeschlagenen Routen mit gelabelten Beispielen und den Entscheidungen deines bestehenden Systems.

Miss falsche automatische Aktionen bei gleichbleibendem Automatisierungsanteil. Erfasse außerdem die Häufigkeit von Ausweichpfaden, die Ende-zu-Ende-Latenz p50 und p95, Wiederholungsversuche und Gesamtkosten. Prüfe die Schwellenwerte erneut, wenn sich Modellversion, Frageformulierung oder Kandidatenliste ändern.

Lass deterministische Aufgaben im Code. Ein Entscheidungsmodell bringt wenig Nutzen beim Prüfen eines bekannten Exit-Codes oder beim Anwenden einer exakten Berechtigungsregel. Ein generatives Modell bleibt passend, wenn das Ergebnis ein Patch, eine Erklärung oder ein Tool-Aufruf mit neu gebildeten Argumenten sein soll.

Beziehe bei Coding-Workflows auch Kosten und Fehler des ausgewählten ausführenden Modells in den Vergleich ein. Unser Leitfaden zu Kosten pro Coding-Agent-Aufgabe erklärt, warum ein günstigerer Routing-Aufruf die abgeschlossene Aufgabe trotzdem verteuern kann.