Google lance Gemini Decision 1 : modération de vidéos et de PDF à 0,10 $ le million de tokens

Si vous avez du contenu généré par les utilisateurs, vous avez aussi une file de modération. Vidéos, captures d'écran, messages vocaux, contrats en PDF : tout cela doit être vérifié au regard des règles. Faire passer chaque fichier par un grand LLM généraliste est coûteux et lent. Google tente de combler ce manque avec un produit dédié : Gemini Decision 1, un modèle classificateur pour l'évaluation rapide de décisions.

De quoi s'agit-il

Decision 1 n'est ni un chatbot ni un agent. C'est un outil spécialisé : vous lui fournissez un contenu et une question du type « cette vidéo enfreint-elle la règle sur la publicité pour l'alcool ? », et il renvoie un score. D'après la description, ce score est calibré : il ne s'agit donc pas d'un simple « oui/non », mais d'un niveau de confiance auquel on peut appliquer un seuil. Le mode par lots permet de poser jusqu'à 1000 questions en une seule requête. Un même fichier est vérifié d'un coup par rapport à l'ensemble des règles, sans avoir à payer pour un nouveau téléversement.

Les classificateurs de Cloudflare et d'OpenAI fonctionnent déjà selon cette logique. L'auteur de l'analyse sur la chaîne Telegram @cgevent souligne la principale différence : le modèle de Google sait traiter la vidéo. Le modèle est nativement multimodal, avec une fenêtre de contexte de 256 000 tokens. En entrée, il accepte des volumes de texte, des images haute résolution, de l'audio, des flux vidéo et des PDF de plusieurs pages.

Pourquoi c'est important en pratique

Imaginez une place de marché où les vendeurs publient des vidéos de présentation. Le schéma habituel aujourd'hui : extraire des images, reconnaître la parole séparément, faire passer le texte par un classificateur, les images par un autre, puis recoller les verdicts. Chaque maillon casse à sa manière, et le contexte se perd aux jonctions. Si le réseau de neurones regarde la vidéo en entier, une partie de cette tuyauterie peut disparaître. Les modèles de Google, à partir de Flash, sont déjà réputés solides pour comprendre la vidéo « brute », sans s'appuyer sur les sous-titres ni sur la piste audio.

Deuxième argument : l'argent. Le tarif est de 0,10 $ par million de tokens en entrée, sans supplément pour la multimodalité. Selon Google, c'est environ dix fois moins cher que les modèles frontier généralistes. Pour un audit en flux continu, où les volumes se comptent en millions de fichiers, c'est une question d'unit economics : tout vérifier, et pas seulement un échantillon.

Troisième argument : la qualité. Dans ses propres tests, Google affirme que le modèle a dépassé Jev 1 de TypeSafe (nom tel qu'indiqué dans la source) en précision sur les cas limites difficiles et en résistance aux faux positifs. En modération, le second point compte autant que le premier : chaque faux positif, c'est un utilisateur honnête bloqué et une demande au support.

Ce qu'il faut vérifier avant de déployer

D'abord, les limites. La comparaison avec Jev 1 repose sur des données de Google lui-même ; l'analyse ne fournit ni chiffres ni description de la méthodologie. Le tarif est indiqué pour les tokens d'entrée, tandis que le prix des tokens de sortie n'est pas mentionné dans le post : vérifiez-le dans la documentation. N'oubliez pas non plus que la vidéo et l'audio sont convertis en tokens ; le budget doit donc se calculer en tokens, et non en « nombre de fichiers ». Les vidéos longues peuvent absorber une part notable de l'avantage.

Ce que peuvent faire développeurs et product managers :

• Constituez votre propre jeu de 200 à 500 exemples annotés, en particulier des cas limites : satire, citations, contenu « à la limite ». Seul ce jeu révèle la vraie part de faux positifs.
• Faites-le passer par Decision 1 dans Google AI Studio, où des démos web prêtes à l'emploi sont disponibles, et comparez avec votre solution actuelle en précision et en coût par vérification.
• Utilisez les scores calibrés plutôt qu'un verdict binaire : automatisez les cas sûrs et envoyez les cas incertains à des humains.
• Si vous payez pour plusieurs classificateurs spécialisés selon les modalités, calculez si un seul appel avec un lot de questions ne pourrait pas les remplacer.

Le modèle est déjà disponible via l'API Gemini publique : vous pouvez donc tester l'hypothèse en une soirée. Le principal gain ne viendra probablement pas de benchmarks flatteurs, mais du fait que la vidéo cessera d'être une branche à part, et coûteuse, de votre pipeline de modération.

Source : blog de Google sur l'API Gemini Decisions (lien dans les sources d'origine du post de @cgevent).