Skip to content
Gemini Decision 1, de Google, lanzado el 11 de noviembre de 2026, puntúa hasta 1.000 preguntas de una sola pasada con una probabilidad para cada opción, y un índice independiente califica ya a los modelos de decisión según si se puede confiar en su confianza
IA y tecnología

Gemini Decision 1, de Google, lanzado el 11 de noviembre de 2026, puntúa hasta 1.000 preguntas de una sola pasada con una probabilidad para cada opción, y un índice independiente califica ya a los modelos de decisión según si se puede confiar en su confianza

Ilustración de tuput

Español

Google DeepMind dice que Gemini Decision 1 toma una entrada y hasta 1.000 preguntas y devuelve una probabilidad para cada opción en 150 a 250 milisegundos, a 0,10 dólares por millón de tokens de entrada. Artificial Analysis, un evaluador independiente, clasifica esta clase de modelos desde el 13 de octubre de 2026, y su segunda versión puntúa si la confianza declarada es honesta.

· · 13 min de lectura

Google DeepMind presentó Gemini Decision 1 y la API Gemini Decisions el 11 de noviembre de 2026. El modelo no escribe una respuesta palabra por palabra. En la descripción de Google, «puntúa tus opciones candidatas en una sola pasada hacia delante» y devuelve una probabilidad para cada una. Una solicitud puede llevar hasta 1.000 preguntas independientes sobre una entrada compartida de texto, imágenes, audio, vídeo o PDF de hasta 256K tokens. Google fija el tiempo de extremo a extremo en 150 a 250 milisegundos y el precio en 0,10 dólares por millón de tokens de entrada, sin facturar tokens de salida.

Gemini Decision 1 pertenece a una clase que la firma de pruebas Artificial Analysis llama modelos de decisión. Desde el 13 de octubre de 2026 la firma mantiene un índice público para ellos, y su segunda versión, publicada el 8 de noviembre, puntúa si la respuesta de un modelo es correcta y también si se puede confiar en la confianza que declara. A continuación se expone qué hacen estos modelos, qué mide el índice y qué cifras vienen de los fabricantes.

Un examen tipo test que devuelve probabilidades

Artificial Analysis explica la idea con un mensaje de un cliente: «¡Ayuda! Mis pagos llevan 3 días fallando y mañana vence mi alquiler». A un modelo de decisión se le entregan tres preguntas sobre él: a qué equipo debe ir el mensaje (facturación, técnico o cuenta), si es urgente (sí o no) y cuán molesto está quien lo escribe (tranquilo, frustrado o enfadado). Responde a las tres en una sola llamada, con una probabilidad para cada opción. Un modelo de lenguaje al que se da la misma tarea escribe una respuesta estructurada que nombra una respuesta a cada pregunta, sin probabilidades. Para saber cómo se construyen esos modelos de lenguaje y por qué escriben una palabra cada vez, véase cómo se entrena un gran modelo de lenguaje.

La API de Google admite tres tipos de pregunta. Una pregunta de sí o no devuelve la probabilidad de que se cumpla una condición. Una pregunta de elección toma de 2 a 255 opciones y devuelve la ganadora más una probabilidad normalizada para cada candidata. Una pregunta de puntuación califica la entrada según una rúbrica ordenada y devuelve una puntuación ponderada y una probabilidad para cada nivel. Cada respuesta lleva un valor de confianza de 0 a 1, «para que tu código pueda derivar los casos ambiguos a una alternativa o a un revisor humano», en palabras de la entrada.

Google nombra sus propios usos. Gemini Notebook usa la API como enrutador que envía cada consulta a un nivel de modelo y a un nivel de pensamiento, lo que según Google atiende las consultas cotidianas con una latencia hasta un 40% menor. La entrada dice que la cifra de 150 a 250 milisegundos vale para contextos de hasta 16K tokens. También dice que la entrada compartida se factura una vez por solicitud, cualquiera que sea el número de preguntas, y que cada pregunta añade solo su propia instrucción y el texto de sus opciones.

La misma idea de otros fabricantes

Gemini Decision 1 llegó a un campo con varios participantes. Liquid AI presentó su d1 el 5 de octubre de 2026 como «nuestro primer modelo de decisión», que ahora admite texto e imágenes. Liquid dice que lee las preguntas en una sola pasada hacia delante, devuelve probabilidades sin generar ningún token y tarda de 200 a 300 milisegundos en una decisión de texto. El 16 de noviembre publicó d1.2 y d1.2-ultra, que añaden entrada de audio y cinco tareas nuevas, como leer un valor de una factura, encontrar todos los datos personales de una nota o dibujar un recuadro alrededor de una firma en un formulario escaneado.

El 11 de noviembre, el mismo día del lanzamiento de Google, Subquadratic publicó SubQ Snap 1.2. La empresa lo fija en 0,04 dólares por millón de tokens de entrada, dice que maneja entradas de hasta 256K tokens y publicó LongDecisionBench, nueve pruebas de documentos largos que describe como abiertas y que dice que pondrá en GitHub y Hugging Face en breve.

El trabajo académico ya había empezado para entonces. Un artículo de Delip Rao y Chris Callison-Burch, enviado por primera vez el 24 de septiembre de 2026, compara dos modelos de decisión, Jev y Decider de Perplexity, con modelos de lenguaje usados como jueces de respuestas escritas.

Por qué la probabilidad es lo importante

Una probabilidad solo es útil si es honesta. Cuando un modelo dice 80%, debería acertar unas 80 veces de cada 100. Los investigadores lo llaman calibración. Guo y sus colegas informaron en la conferencia ICML de 2017 de que las redes neuronales modernas, a diferencia de las de una década antes, están mal calibradas, y de que el escalado de temperatura, un ajuste de un solo número, fue sorprendentemente eficaz para corregirlo en la mayoría de los conjuntos de datos que probaron. Kadavath y sus colegas informaron en 2022 de que los modelos de lenguaje más grandes están bien calibrados en preguntas de opción múltiple y de verdadero o falso «cuando se les presentan en el formato adecuado».

Artificial Analysis expone el uso práctico: sobre la respuesta de un modelo de decisión suele actuarse cuando su confianza supera un umbral, y si no se pasa a una persona o a un modelo más capaz. Google describe el mismo patrón. El esquema solo funciona si una etiqueta de «90% seguro» significa algo cercano al 90%.

Qué mide el índice independiente

Artificial Analysis lanzó su Decision Index v1.0 el 13 de octubre de 2026 con cuatro evaluaciones, cada una con un peso del 25%: AA-Omniscience-Decision (500 preguntas privadas, cada una con cuatro respuestas y una opción de «no lo sé»), HLE-MultiChoice (las 513 preguntas de opción múltiple solo de texto de Humanity’s Last Exam), When2Call (la prueba de NVIDIA sobre si un modelo debe responder, llamar a una herramienta, pedir más información o negarse) y WildGuardTest (un conjunto de clasificación de seguridad de Ai2). Jev 1.13 lideró con 58, por delante de GLiDE y Microsoft-Decision-1 con 54. Los costes iban de 17 a 199 dólares por millón de tareas y los tiempos medianos de 0,06 a 0,5 segundos por tarea.

El artículo de la v1.0 también informó de que todos los modelos de decisión eran demasiado confiados. En casi todos los niveles de probabilidad, la exactitud quedaba por debajo de la probabilidad que daba el modelo, una brecha que Artificial Analysis atribuyó sobre todo a las pruebas de conocimiento y razonamiento. En llamadas a herramientas y clasificación, la mayoría estaban relativamente bien calibrados. La opción de «no lo sé» enlaza con el problema descrito en nuestra explicación sobre la alucinación de la IA: el índice cuenta con qué frecuencia un modelo que se equivoca dice que no sabe en lugar de adivinar.

La versión 2, publicada el 8 de noviembre, trasladó el 45% del índice a conjuntos de datos privados, frente al 25%, para protegerse de que los modelos se ajusten a pruebas públicas. Añadió una Decision Score. Una respuesta correcta puntúa entre 50 y 100 y una incorrecta entre 50 y 0, y la confianza mueve la puntuación dentro de cada mitad. En el conjunto de una evaluación, la puntuación equivale a 50 veces (1 más la exactitud menos la puntuación de Brier), donde la puntuación de Brier es la media del cuadrado de la diferencia entre la probabilidad dada y si la respuesta fue correcta, y 0 significa seguro y siempre acertado.

La firma da un ejemplo del efecto. En su nueva prueba AA-Paperclip, un conjunto privado de 1.500 currículos, recibos, facturas y artículos de investigación, Clef supera el 36% de los documentos y Celeris-1.1 Decision el 24%, pero los dos empatan en Decision Score porque Celeris-1.1 Decision tiene mejor puntuación de Brier, 0,15 frente a 0,27.

La versión 2 también mostró que los precios de lista no zanjan el coste. El coste por millón de tareas entre los modelos de decisión variaba en más de 60 veces, de 14 dólares para Celeris-1.1 Decision a 859 dólares para Clef. Artificial Analysis dice que la mayoría de los modelos de decisión, incluidos Drex Max v1.1 y Decider v1.2, facturan una vez la entrada de un documento para todas sus preguntas, mientras que GLiDE v1.2 la factura por cada pregunta. Eso hizo que GLiDE v1.2 costara 780 dólares frente a 102 de Drex Max v1.1, aunque su precio de lista era solo un 33% mayor.

¿Cambia la respuesta si se barajan las opciones?

Una debilidad conocida de los modelos de lenguaje es la sensibilidad al orden. Pezeshkpour y Hruschka informaron en agosto de 2023 de una brecha de rendimiento de aproximadamente el 13% al 75% en distintas pruebas cuando se reordenaban las opciones de respuesta. Wang y sus colegas informaron en mayo de 2023 de que, cuando un modelo de lenguaje juzga dos respuestas, la clasificación puede sesgarse al cambiar el orden en que aparecen. Un ejemplo de su resumen muestra a Vicuna-13B venciendo a ChatGPT en 66 de 80 consultas de prueba cuando ChatGPT hacía de juez.

La versión 2 del índice lo prueba con AA-Symmetry: 120 preguntas base y 440 variaciones, con opciones reordenadas, etiquetas intercambiadas y preguntas de sí o no negadas. Mammoth 27B eligió la misma respuesta en todas las variaciones en el 99% de las preguntas, frente al 91% de Drex Max v1.1, el 88% de GLiDE v1.2 y el 67% de Clef. Artificial Analysis dice que la ventaja en esta prueba se debe a una alta tasa de admitir que no saben. Su página de metodología registra que la versión 2.1, en uso desde noviembre de 2026, cambió dos de los tipos de variación de la prueba.

Subquadratic informa de una medición relacionada propia. En un conjunto público de 600 decisiones de flujos de trabajo empresariales, dice, reordenar las opciones cambió la respuesta principal en el 12% al 21% de las preguntas para Snap 1.1, Jev 1.14 y d1-ultra. Dice que Snap 1.2 usa un cambio de arquitectura en el momento de la inferencia que «elimina casi por completo la sensibilidad a la permutación» en varias pruebas. Esa es la versión de la empresa sobre su propio modelo, medido con sus propias pruebas.

Dónde están los modelos el 19 de noviembre de 2026

Subquadratic dijo el 11 de noviembre que Snap 1.2 obtuvo 73 en el índice v2.1, «empatado en el primer puesto». Liquid AI dijo el 16 de noviembre que d1.2-ultra obtuvo 75, dos puntos por delante del mejor modelo de decisión anterior. Los datos de la clasificación de la página en vivo v2.1 de Artificial Analysis, leída el 19 de noviembre, son coherentes con ambos informes. La tabla da las puntuaciones redondeadas del índice, con el coste por millón de tareas y el tiempo mediano por tarea tal como los indica la página.

ModeloFabricanteDecision Index v2.1Coste por 1M de tareasTiempo por tarea
Claude Haiku 5.5 (Max), modelo de lenguajeAnthropic76unos 6.218 dólaresunos 32,3 s
GPT-6 Luna (Max), modelo de lenguajeOpenAI76unos 1.548 dólaresunos 11,4 s
d1.2-ultraLiquid AI75unos 133 dólares218 ms
Drex Max v1.1Nace.AI73unos 103 dólares283 ms
SubQ Snap 1.2Subquadratic73unos 137 dólares162 ms
GLiDE v1.2Fastino73unos 780 dólares284 ms
Mammoth 27BBase Labs71unos 264 dólares106 ms
Gemini Decision 1Google66unos 345 dólares211 ms

Gemini Decision 1 está en 66 en este índice y tiene un tiempo mediano por tarea de unos 211 milisegundos, en el mismo rango que los demás modelos de decisión de la lista. La entrada de Google dice que el modelo «lidera en toda la batería, con el menor error de calibración» en pruebas que cubren enrutamiento de agentes, razonamiento, clasificación y comprensión multimodal. La entrada no da puntuaciones, y la batería es de Google, así que la afirmación no puede contrastarse con las cifras de Artificial Analysis. Las puntuaciones del índice también dependen de la versión: el artículo de la v2 del 8 de noviembre daba 77 y 76 para los dos modelos de lenguaje y 1.530 dólares para GPT-6 Luna (Max), algo distinto de la página en vivo v2.1.

Liquid AI añade una afirmación de calibración propia. En 13 pruebas y 22.505 preguntas respondidas por los cinco modelos que comparó, informa de un error de calibración de 0,8 puntos para d1.2-ultra, frente a 1,2 para d1.2, 2,7 para Jev 1.14, 3,7 para Decider v1.3 de Perplexity y 7,2 para GPT-6 Luna en su API Decisions. Son pruebas de Liquid, ejecutadas por el fabricante, y la página no describe una replicación independiente.

Lo que la evidencia no zanja

El índice tiene límites que sus propias páginas declaran. Una de sus seis evaluaciones, EvalSafe-O*NET-AA, no tiene verdad de referencia para sus preguntas: la página de metodología dice que la respuesta de referencia es el promedio de dos modelos de lenguaje, GPT-6 Astra y Claude Fable 5.1, y que se queda solo con las preguntas en las que ambos coinciden. Los conjuntos de datos privados protegen contra el ajuste a la prueba, y también significan que los lectores no pueden inspeccionar la mayoría de las preguntas. Para un contexto más amplio sobre por qué las clasificaciones necesitan este tipo de comprobación, véase nuestro repaso de los errores y la contaminación de las pruebas.

Los modelos de lenguaje siguen liderando en la cifra principal. En AA-Paperclip, Claude Haiku 5.5 (Max) superó el 92% de los documentos en el artículo de la v2, frente al 63% de Drex Max v1.1, con las diferencias de coste y de tiempo de la tabla. El componente When2Call prueba el paso de elección de herramienta del que dependen los agentes de IA, y en la v1.0 los principales modelos de decisión obtuvieron 84 en él frente a 77 y 73 de los dos modelos de lenguaje probados en el ajuste Low.

El artículo de Rao y Callison-Burch prueba hasta qué punto un modelo de decisión puede sustituir a un modelo de lenguaje como juez. Su resumen informa de que los jueces de modelo de lenguaje costaban de 16 a 357 veces más y tardaban de 5 a 350 veces más, y aun así cada modelo de decisión quedaba significativamente por detrás en como máximo 6 de 27 comparaciones. Los dos tipos de juez también se equivocaron de forma parecida: más del 85% de los veredictos de los tres jueces de modelo de lenguaje de nivel flash sobre los errores más confiados de un modelo de decisión los repetían. Enviar los veredictos inciertos a esos jueces como alternativa ganó 2,7 puntos como máximo sobre el mejor juez individual, incluso con umbrales de oráculo.

Share
Copied!

Fuentes y lecturas adicionales

  1. Google: Gemini Decisions API, fast, calibrated multimodal decisions (11 November 2026)
  2. Artificial Analysis: Introducing the Decision Index v2 (8 November 2026)
  3. Artificial Analysis: Decision Index v1.0 (13 October 2026)
  4. Artificial Analysis: Decision Index v2.1 leaderboard and evaluation page
  5. Artificial Analysis: Decision Index benchmarking methodology and version history
  6. Subquadratic: SubQ Snap 1.2, order-robust decisions and higher long-context accuracy (11 November 2026)
  7. Liquid AI: d1.2, state-of-the-art omnimodal decision models (16 November 2026)
  8. Liquid AI: Introducing d1, the most capable decision model, now with vision (5 October 2026)
  9. arXiv 1706.04599: Guo, Pleiss, Sun and Weinberger, On Calibration of Modern Neural Networks (ICML 2017)
  10. arXiv 2207.05221: Kadavath et al., Language Models (Mostly) Know What They Know (2022)
  11. arXiv 2308.11483: Pezeshkpour and Hruschka, Large Language Models Sensitivity to the Order of Options in Multiple-Choice Questions (22 August 2023)
  12. arXiv 2305.17926: Wang et al., Large Language Models are not Fair Evaluators (29 May 2023)
  13. arXiv 2609.29769: Rao and Callison-Burch, Decision Models vs. LLMs as Rubric Judges: Cheaper, Faster, and Wrong in the Same Places (24 September 2026)

Investigado y escrito con ayuda de herramientas de IA, y editado para verificar su exactitud. Se ofrece solo como información general y para el debate, no como asesoramiento profesional. Consulta nuestros criterios editoriales y nuestro aviso legal. ¿Has visto un error? Dínoslo.

#decision models#gemini decision 1#gemini decisions api#ai calibration#artificial analysis#decision index#liquid ai#model routing

¿Te ha gustado? Recibe el siguiente.

Una buena lectura cada vez, directa a tu correo. Sin spam, cancela cuando quieras.

Más en IA y tecnología
El mejor modelo de IA abierto de China obtiene 46 en un índice independiente, frente a 58 del mejor modelo de EE. UU., y cuatro fuentes sitúan el retraso entre 2 y 8 meses
Los laboratorios chinos llenan la parte alta de las tablas de pesos abiertos, pero sus licencias difieren, su historia de chips está solo en parte documentada, y quienes miden la distancia con los modelos de EE. UU. discrepan por meses.
Le Chonk, el modelo de 1 billón de parámetros de Mistral, obtuvo 38 puntos en un índice independiente de IA, octavo entre los modelos abiertos, antes de que sus pesos se hayan publicado siquiera
La francesa Mistral ha puesto en línea un modelo de un billón de parámetros y dice que los pesos descargables llegarán este mes. Los evaluadores externos lo sitúan como el mejor modelo abierto de fuera de China y el octavo entre los abiertos, y las cifras de la propia Mistral sobre su tamaño no coinciden del todo.
AlphaGenome 2, de Google DeepMind, presentado el 11 de noviembre de 2026, predice cómo actúan las variantes del ADN en tipos celulares concretos y, según las pruebas de la propia DeepMind, encuentra casi el doble de variantes causales que su predecesor
Todas las células del cuerpo llevan el mismo ADN y lo leen de forma distinta. El nuevo modelo de DeepMind se construye sobre ese hecho y está disponible para los investigadores mediante una API. Así funciona, con qué casos se probó y en qué punto está la evidencia.
← todos los artículos