Google lanza Gemini Decision 1: moderación de vídeo y PDF por 0,10 $ por 1M de tokens

Si tienes contenido generado por usuarios, tienes una cola de moderación. Vídeos, capturas de pantalla, mensajes de voz, contratos en PDF: todo hay que revisarlo según las normas. Pasar cada archivo por un gran LLM de propósito general es caro y lento. Google intenta cubrir ese hueco con un producto específico: Gemini Decision 1, un modelo clasificador para la evaluación rápida de decisiones.

Qué es esta bestia

Decision 1 no es un chatbot ni un agente. Es una herramienta especializada: le das un material y una pregunta del tipo «¿infringe este vídeo la norma sobre publicidad de alcohol?», y devuelve una puntuación. Según la descripción, la puntuación está calibrada: no es un simple «sí/no», sino un nivel de confianza al que se puede aplicar un umbral. El modo por lotes permite plantear hasta 1000 preguntas en una sola solicitud. El mismo archivo se comprueba de una vez con todo el conjunto de reglas, y no hay que pagar por volver a subirlo.

Los clasificadores de Cloudflare y OpenAI ya funcionan con esta lógica. El autor del análisis en el canal de Telegram @cgevent señala la diferencia principal: el modelo de Google sabe trabajar con vídeo. El modelo es multimodal de forma nativa, con una ventana de contexto de 256 000 tokens. Como entrada admite matrices de texto, imágenes de alta resolución, audio, flujos de vídeo y PDF de varias páginas.

Por qué importa en la práctica

Imagina un marketplace donde los vendedores suben reseñas en vídeo. El esquema habitual hoy es este: extraer fotogramas, reconocer el habla por separado, pasar el texto por un clasificador y las imágenes por otro, y luego unir los veredictos. Cada eslabón falla a su manera y en las uniones se pierde contexto. Si la red neuronal ve el vídeo completo, parte de ese andamiaje se puede eliminar. Los modelos de Google, desde Flash, ya se consideran sólidos para entender vídeo «puro» sin apoyarse en subtítulos ni en la pista de audio.

El segundo argumento es el dinero. La tarifa es de 0,10 $ por millón de tokens de entrada, sin recargo por multimodalidad. Según Google, es aproximadamente diez veces más barato que los modelos frontier de propósito general. Para la auditoría continua, donde los volúmenes se miden en millones de archivos, es una cuestión de economía unitaria: revisar todo, y no solo una muestra.

El tercer argumento es la calidad. En las pruebas propias de Google, el modelo superó a Jev 1 de TypeSafe (el nombre tal como figura en la fuente) en precisión en casos límite complejos y en resistencia a los falsos positivos. En moderación lo segundo es tan importante como lo primero: cada falso positivo es un usuario honesto bloqueado y una consulta a soporte.

Qué conviene comprobar antes de implantarlo

Primero, las limitaciones. La comparación con Jev 1 son datos de la propia Google, y en el análisis no hay cifras ni descripción de la metodología. La tarifa se indica para los tokens de entrada, y el precio de los de salida no aparece en el post, así que consúltalo en la documentación. Tampoco olvides que el vídeo y el audio se convierten en tokens, por lo que el presupuesto debe calcularse en tokens y no en «número de archivos». Los vídeos largos pueden consumir una parte notable del ahorro.

Qué debe hacer un desarrollador o product manager:

• Reúne tu propio conjunto de 200–500 ejemplos etiquetados, sobre todo casos límite: sátira, citas, contenido «al borde». Solo con él se ve la proporción real de falsos positivos.
• Pásalo por Decision 1 en Google AI Studio, donde hay demos web listas para usar, y compáralo con tu solución actual en precisión y coste por verificación.
• Usa las puntuaciones calibradas, no un veredicto binario: automatiza los casos seguros y envía los dudosos a personas.
• Si pagas por varios clasificadores especializados para distintas modalidades, calcula si una sola llamada con un lote de preguntas podría sustituirlos.

El modelo ya está disponible a través de la API pública de Gemini, así que la hipótesis se puede comprobar en una tarde. Lo más probable es que la mayor ganancia no esté en benchmarks llamativos, sino en que el vídeo deje de ser una rama aparte y cara de tu pipeline de moderación.

Fuente: blog de Google sobre la API de Gemini Decisions (enlace en las fuentes primarias del post de @cgevent).