Google запустила Gemini Decision 1: модерация видео и PDF за $0,10 за 1M токенов

Если у вас есть пользовательский контент, у вас есть и очередь на модерацию. Ролики, скриншоты, голосовые, PDF-договоры: всё это нужно проверить на соответствие правилам. Гонять каждый файл через большую универсальную LLM дорого и медленно. Google пытается закрыть эту дыру отдельным продуктом: Gemini Decision 1, моделью-классификатором для быстрой оценки решений.

Что это за зверь

Decision 1 — не чат-бот и не агент. Это узкий инструмент: вы даёте ему материал и вопрос вроде «нарушает ли этот ролик правило о рекламе алкоголя?», а он возвращает оценку. По описанию, оценка калиброванная, то есть это не просто «да/нет», а уверенность, на которую можно навесить порог. Пакетный режим позволяет задать до 1000 вопросов за один запрос. Один и тот же файл проверяется сразу по всему своду правил, и не нужно платить за повторную загрузку.

По этой логике уже работают классификаторы от Cloudflare и OpenAI. Автор разбора в Telegram-канале @cgevent обращает внимание на главное отличие: у Google модель умеет работать с видео. Модель мультимодальна нативно, окно контекста — 256 000 токенов. На вход идут текстовые массивы, изображения высокого разрешения, аудио, видеопотоки и многостраничные PDF.

Почему это важно на практике

Представьте маркетплейс, где продавцы заливают видеообзоры. Сейчас типичная схема такая: вытащить кадры, отдельно распознать речь, прогнать текст через один классификатор, картинки через другой, а потом склеить вердикты. Каждое звено ломается по-своему, а на стыках теряется контекст. Если нейросеть смотрит видео целиком, часть этой обвязки можно выбросить. Модели Google, начиная с Flash, и так считаются сильными в понимании «чистого» видео без опоры на субтитры и звуковую дорожку.

Второй аргумент — деньги. Тариф — $0,10 за миллион входных токенов, без надбавок за мультимодальность. По заявлению Google, это примерно в десять раз дешевле универсальных frontier-моделей. Для потокового аудита, где объёмы измеряются миллионами файлов, это вопрос юнит-экономики: проверять всё, а не выборку.

Третий довод — качество. В собственных тестах Google модель обошла Jev 1 от TypeSafe (так название указано в источнике) по точности на сложных пограничных случаях и по устойчивости к ложным срабатываниям. Для модерации второе не менее важно, чем первое: каждое ложное срабатывание — это заблокированный честный пользователь и обращение в поддержку.

Что стоит проверить до внедрения

Сначала про ограничения. Сравнение с Jev 1 — данные самой Google, в разборе нет ни цифр, ни описания методики. Тариф указан за входные токены, а цена выходных в посте не названа, так что уточните её в документации. Не забудьте и про то, что видео и аудио превращаются в токены, поэтому считать бюджет надо в токенах, а не в «штуках файлов». Длинные ролики могут съесть заметную часть выгоды.

Что делать разработчику или продакту:

• Соберите свой набор из 200–500 размеченных примеров, особенно пограничных: сатира, цитаты, контент «на грани». Только на нём видно реальную долю ложных срабатываний.
• Прогоните его через Decision 1 в Google AI Studio, где доступны готовые веб-демо, и сравните с текущим решением по точности и цене за проверку.
• Используйте калиброванные оценки, а не бинарный вердикт: уверенные случаи автоматизируйте, неуверенные отправляйте людям.
• Если вы платите за несколько узких классификаторов по разным модальностям, посчитайте, не заменит ли их один вызов с пакетом вопросов.

Модель уже доступна через публичный Gemini API, так что проверить гипотезу можно за вечер. Скорее всего, главный выигрыш будет не в красивых бенчмарках, а в том, что видео перестанет быть отдельной и дорогой веткой вашего пайплайна модерации.

Источник: блог Google про Gemini Decisions API (ссылка в первоисточниках поста @cgevent).