Quem acompanhou o Jev já conhece a proposta: em vez de pedir uma redação, definir as opções e receber uma decisão que o software consegue usar. O Gemini Decision 1 leva essa lógica ao vídeo e ao áudio nativos.
Em 11 de novembro de 2026, o Google lançou o Gemini Decision 1. Para medir sua eficiência com vídeo, vamos compará-lo ao Gemini 3.5 Flash-Lite, como a própria Google fez, em 27 perguntas sobre 24 clipes e 32 criativos de skincare. Jev, Clef e outros modelos de decisão ficam fora desta bateria por não oferecerem, no protocolo adotado, uma entrada equivalente de vídeo.
O que vamos avaliar
- O que ele vê: objetos, pessoas, embalagem e texto na tela.
- O que ele ouve: latidos, fala e frases específicas.
- O que ele acompanha: o resultado de um lance e o que acontece a seguir.
- Onde ele falha: vídeos gerados por IA e previsão de desempenho comercial.
Medimos acerto, tempo, custo e confiança. Primeiro, veja os exemplos. Vídeo, pergunta e gabarito precisam oferecer a mesma evidência aos dois modelos.
O Modelo de Decisões que assiste a vídeo
O Gemini Decision 1 entra pela Decisions API do Google. Você envia o material e define as respostas possíveis: sim ou não, uma opção entre alternativas, ou uma nota em uma rubrica. O modelo pontua essas opções, sem gerar texto token a token. A janela aceita até 262.144 tokens e o preço é US$ 0,10 por milhão de tokens de entrada, sem cobrança de saída.
O Gemini 3.5 Flash-Lite é um modelo generativo. Também recebe vídeo e áudio, mas pode explicar o que viu, conversar e escrever. Na tarifa padrão, cobra US$ 0,30 por milhão de tokens de entrada e US$ 2,50 por milhão de tokens de saída, incluindo pensamento. Preços do Google.
Os testes deste artigo medem respostas fechadas. Não avaliam redação, explicações ou uso de ferramentas. O Decision 1 não substitui o Flash-Lite nessas outras funções.
Do vídeo ao veredito
Explore o que cada modelo faz com o mesmo tipo de material.
Por que comparar com o Flash-Lite?
Porque ele foi o modelo generativo usado como referência de vídeo no experimento. Os dois receberam vídeo nativo, perguntas fechadas e o mesmo gabarito. O Google também usa esse par no anúncio. Isso permite perguntar: vale trocar uma chamada generativa por uma decisão especializada quando a saída desejada é só uma escolha?
Entre os outros serviços de decisão, Jev e OpenAI Decisions API não documentam entrada nativa de vídeo. Enviar uma transcrição ou frames extraídos exigiria outra preparação e mudaria o que está sendo comparado. A TypeSafe explicita que Jev não aceita áudio ou vídeo nativamente; a OpenAI lista texto, imagens e JSON. TypeSafe · OpenAI.
Há uma ressalva com o Clef: as páginas atuais do Clef e do Clef-flash mencionam vídeo na descrição, mas o esquema de entrada exibido detalha texto, estado estruturado e imagens, sem um campo de vídeo ou áudio. Não reproduzimos uma chamada de vídeo nesses modelos. Por isso, não afirmamos que nenhum concorrente lê vídeo, nem apresentamos uma disputa que não foi testada. Documentação do Clef.
O Flash-Lite é uma referência prática do teste, não uma prova de superioridade sobre toda a categoria de modelos de decisão.
Os três pinos caem?
O que estamos avaliando: acompanhar uma ação até o resultado. Olhe a pista 29 e pause no fim do lance.
Pergunta enviada: Na pista 29 (marcador 29), os três pinos que estavam de pé caem todos depois da bola chegar?
| Gabarito | Gemini Decision 1 | Gemini 3.5 Flash-Lite |
|---|---|---|
| Não | Não · 60,4% · acertou | Sim · 100% · errou |
O que aconteceu: restou um pino. O Decision 1 acertou; o Flash-Lite declarou que todos caíram, com 100%. O nome do arquivo-fonte fala em spare, mas o gabarito veio da imagem.
Experimento 1: um juiz de vídeos virais
Foram 27 perguntas sobre 24 arquivos de vídeo de licença aberta ou gerados pelo Lab. As tarefas incluíram real ou IA, o que acontece a seguir, a jogada valeu, presença de latido, busca de um objeto, contagem e tempo. Segundo o registro do experimento, o gabarito foi fixado por inspeção visual e sonora às 18h42 de 11 de novembro, horário de Brasília, antes das chamadas. A bateria oficial correu das 18h44 às 18h48.
| Métrica | Decision 1 | Flash-Lite |
|---|---|---|
| Acertos | 20/27 · 74,1% | 19/27 · 70,4% |
| Confiança média nos erros | 64% | 95% |
| Erros com confiança ≥ 80% | 2 | 8 |
| Tokens de entrada / saída | 33.252 / 0 | 29.143 / 1.097 |
| Latência mediana / percentil 90 | 0,84 s / 1,64 s | 1,29 s / 1,95 s |
| Custo oficial | US$ 0,00333 | US$ 0,01149 |
| Custo por avaliação | US$ 0,000123 | US$ 0,000425 |
| Custo por acerto | US$ 0,000166 | US$ 0,000604 |
O Decision 1 teve um acerto a mais, latência mediana cerca de 35% menor e custo aproximadamente 3,5 vezes menor. São 27 perguntas: uma vantagem pequena em acerto, sem base para declarar liderança geral.
A confiança média nos erros foi menor no Decision 1. É um sinal útil desta amostra, mas não uma validação formal de calibração. Também não são a mesma coisa uma probabilidade produzida pelo endpoint de decisão e uma certeza escrita por um modelo generativo. O protocolo de obtenção da confiança do Flash-Lite precisa acompanhar qualquer comparação mais forte.
Explore o placar dos virais
As mesmas 27 perguntas, com resultados separados por critério.
Maior é melhor. A diferença é de uma resposta correta em 27.
O resultado muda conforme a pergunta
| Tipo de teste | Decision 1 | Flash-Lite |
|---|---|---|
| Real ou IA? | 3/5 | 3/5 |
| O que acontece a seguir? | 4/4 | 3/4 |
| VAR: a jogada valeu? | 2/3 | 1/3 |
| Áudio: tem latido? | 4/5 | 5/5 |
| Agulha no vídeo | 5/5 | 5/5 |
| Contagem e tempo | 2/5 | 2/5 |
Os dois foram bem em encontrar a agulha e mal em contar e cronometrar. No recorte real ou IA, empataram e erraram os clipes gerados. O Decision 1 foi melhor em previsão e no pequeno recorte de lances; o Flash-Lite foi melhor em detectar latido.
Ele percebe que este cão foi gerado por IA?
O que estamos avaliando: distinguir uma gravação real de um vídeo sintético. Os dois modelos receberam o arquivo abaixo.
Pergunta enviada: Este vídeo é uma gravação real do mundo físico ou foi gerado por inteligência artificial?
| Gabarito | Gemini Decision 1 | Gemini 3.5 Flash-Lite |
|---|---|---|
| IA | Real · 87,6% · errou | Real · 100% · errou |
O que isso mostra: aparência convincente ainda engana os dois. No chute e gol também gerado por IA, ambos repetiram o erro: Flash-Lite com 99% e Decision 1 com 57%.
Ele ouve um latido que não existe?
O que estamos avaliando: reconhecer a ausência de áudio. Este arquivo teve a faixa sonora removida; o movimento da boca do cachorro não é evidência de som.
Pergunta enviada: Este arquivo contém som de latido de cachorro?
| Gabarito | Gemini Decision 1 | Gemini 3.5 Flash-Lite |
|---|---|---|
| Não | Sim · 60,9% · errou | Não · 95% · acertou |
O Decision 1 apontou um latido ausente. O Flash-Lite acertou. Em outro limite da bateria, os dois erraram um field goal pela esquerda: declararam válido o chute que não passou entre as traves.
O custo da sessão dos virais, incluindo sondas e teste prévio, foi US$ 0,0158. A bateria oficial é o recorte de US$ 0,00333 contra US$ 0,01149.
Experimento 2: ele está vendo o criativo?
A segunda bateria usou o AdsTrace, de Xiuze. O registro do Lab descreve um banco de 2.833 anúncios curtos de skincare com métricas de negócio. A amostra teve 32 criativos, quatro produtos e 16 pares A/B do mesmo produto, com duração de 12 a 30 segundos.
O gabarito de percepção veio dos frames e da transcrição: cor da embalagem, texto na tela, número de pessoas, close no produto e frase dita. Não veio da planilha de desempenho. Os modelos receberam vídeo e áudio nativos, as mesmas perguntas e o mesmo gabarito.
Texto, pessoas e aplicação na pele
O que estamos avaliando neste exemplo: três detalhes que você pode conferir no vídeo. O arquivo reconstruído tem 22 segundos; pause no primeiro frame para ver o texto e acompanhe a pessoa demonstrando o produto.
| O que observar | Gabarito | Decision 1 | Flash-Lite |
|---|---|---|---|
| Texto no primeiro frame? | Sim | Sim · 96,0% · acertou | Sim · 90,0% · acertou |
| Quantas pessoas aparecem? | Duas ou mais | Uma pessoa · 49,3% · errou | Duas ou mais · 70,0% · acertou |
| Mão aplicando o produto na pele? | Sim | Não · 65,6% · errou | Sim · 95,0% · acertou |
Os dois reconheceram o texto inicial. Nas outras duas perguntas, o Flash-Lite acertou e o Decision 1 errou. Há duas pegadinhas neste exemplo.
Uma protagonista, mas duas pessoas. O vídeo tem uma protagonista, com o rosto em evidência. Mas, por volta de 18 segundos, surge o braço de uma segunda pessoa entregando a caixa à mulher no carro. Contamos pessoas distinguíveis mesmo quando só parte do corpo aparece; não exigimos rosto visível. Contar apenas quem protagoniza o anúncio deixa essa participação passar.
A mão aplica; o rosto recebe o produto. A pergunta sobre “mão aplicando produto na pele” procura a ação da mão sobre a pele do rosto ou do corpo. Na cena, a aplicação é no rosto, não na própria mão. Uma possível explicação para o erro do Decision 1 é confundir a mão que aplica com a região que recebe o produto. Isso é uma hipótese: a resposta do modelo não revela a causa do erro, e não repetimos o teste com outra formulação.
Ver as três perguntas exatas
- No primeiro segundo (primeiro frame) do vídeo, há texto escrito na tela?
- Quantas pessoas diferentes aparecem com clareza no vídeo?
- Há uma mão aplicando ou demonstrando o produto na pele (rosto ou corpo) em algum momento?
O placar dos 32 criativos
Gabarito revisado em 12 de novembro: este exemplo havia sido marcado como uma pessoa. A revisão do vídeo mudou a resposta para duas ou mais e inverteu o acerto dos modelos nessa questão. Os totais abaixo incorporam essa correção; as respostas e probabilidades originais foram preservadas, sem novas chamadas.
| Eixo | Decision 1 | Flash-Lite | Acaso no teste |
|---|---|---|---|
| Percepção: visão e áudio | 292/320 · 91,3% | 287/320 · 89,7% | 41% |
| Só visão | 177/192 · 92,2% | 173/192 · 90,1% | 38% |
| Só áudio | 115/128 · 89,8% | 114/128 · 89,1% | 44% |
| Frase dita | 30/32 · 93,8% | 27/32 · 84,4% | 25% |
| Qual dos dois mostra X | 14/16 · 87,5% | 12/16 · 75,0% | 50% |
| Qual teve maior clique | 5/16 · 31,3% | 3/16 · 18,8% | 50% |
Os dois reconheceram elementos visuais e sonoros acima das linhas de acaso informadas no teste. Nenhum previu bem o vencedor em clique nos 16 pares. Os percentuais de acaso variam porque as perguntas têm conjuntos de alternativas diferentes.
Sem o vídeo, sobra o estereótipo?
O Lab repetiu perguntas com a evidência alterada. Cada controle precisa ser lido contra o gabarito correspondente.
| Controle | O que aconteceu | O que isso permite dizer |
|---|---|---|
| Tela preta | 100% nos dois, contra o conteúdo preto mostrado | Os modelos acompanharam a ausência de elementos na tela. |
| Vídeo trocado | 93,8% nos dois, contra o novo vídeo; cerca de 64% a 67% contra o gabarito antigo | As respostas mudaram com a evidência visual. |
| Sem vídeo | Decision 1: 16% contra o gabarito original. Flash-Lite: 73,8%, próximo à maioria da amostra | Acertar a ficha antiga sem vê-la pode refletir padrões da categoria. Não é prova de percepção. |
No controle sem vídeo, o Decision 1 indicou ausência de conteúdo. O Flash-Lite preencheu respostas compatíveis com um anúncio típico de skincare. A leitura é sugestiva e restrita a esse desenho: não prova que um modelo nunca inventa, nem que o outro sempre responde por estereótipo.
O preço das duas baterias
Na bateria de skincare, o Decision 1 consumiu 284.500 tokens de entrada e zero de saída em 80 chamadas, a um custo informado de cerca de US$ 0,028. O Flash-Lite usou 248.922 de entrada e 58.946 de saída em 80 chamadas, por US$ 0,222. O total arredondado foi US$ 0,25. A execução ocorreu das 19h06 às 19h21 de 11 de novembro.
O volume de saída do Flash-Lite explica boa parte da diferença de quase oito vezes nessa bateria. Isso não significa que toda chamada ao Flash-Lite precise gerar essa quantidade de texto. Um protocolo que restrinja mais a saída pode reduzir o custo e deve ser medido se a decisão de adoção depender disso.
Projete o custo das avaliações
Mude o volume mantendo o custo médio observado na bateria dos virais. É uma projeção aritmética, não uma previsão de capacidade ou de acerto.
Ver bem não é prever venda
O Lab também perguntou se o criativo teve retorno alto ou baixo. O Decision 1 acertou 16 de 32, igual ao chute, e escolheu alto nas 32 peças, com confiança média de 57%. O Flash-Lite acertou 15 de 32 e registrou 13 erros com alta confiança.
No banco completo, o registro informa correlação de Pearson de cerca de −0,09 entre clique e retorno. Nos 16 pares, o vencedor em clique coincidiu com o de retorno em seis. São variáveis diferentes: reconhecer a embalagem ou ouvir uma frase não permite deduzir o desempenho comercial.
O limite importa mais que o entusiasmo: o modelo pode enxergar o criativo e ainda assim não prever o retorno.
É mais caro que outros modelos de decisão?
Mais caro que Jev e Clef-flash, sim. Mais caro que todos, não. A comparação abaixo usa tarifas públicas por milhão de tokens de entrada, sem cache, franquias, lote ou processamento regional. Consulta em 12 de novembro de 2026.
| Serviço | Entrada / 1 milhão | Saída | Vídeo nativo |
|---|---|---|---|
| Jev 1.14 · TypeSafe | US$ 0,042 | Sem cobrança | Não |
| Clef-flash · Cloudflare | US$ 0,038 | Sem cobrança | Mencionado na descrição; formato não detalhado no esquema consultado |
| Gemini Decision 1 · Google | US$ 0,10 | Zero tokens de saída | Sim, com exemplo na API |
| Decisions API · OpenAI, gpt-6-luna | US$ 0,10 | Sem cobrança | Não no endpoint Decisions |
| Clef · Cloudflare | US$ 0,24 | Sem cobrança | Mesma ressalva do Clef-flash |
Na tarifa nominal de entrada, o Decision 1 custa 2,38 vezes o Jev e 2,63 vezes o Clef-flash. Empata com a OpenAI Decisions API e custa cerca de 58% menos que o Clef. A ordem de preço não é um ranking de qualidade, velocidade ou custo por acerto.
Tokens não são uma unidade universal de vídeo. A duração, a resolução, a amostragem e a tokenização podem mudar o volume faturado. Sem suporte e preparação equivalentes, não dá para transformar essa tabela em custo comparável por minuto de vídeo. Transcrição, extração de frames e operação também entram na conta quando forem necessárias.
Tarifa Jev · Clef-flash · Clef · OpenAI Decisions · Google Decision.
Quanto custa o mesmo volume faturado?
Compare a tarifa de entrada. Os volumes são ilustrativos e não equivalem ao mesmo vídeo em todos os serviços.
Projeção aritmética pela tarifa pública, sem cache ou outros descontos.
E quase o preço de um LLM?
Depende de qual LLM e de quanto ele escreve. O GPT-6 Luna na API generativa tem a mesma tarifa padrão de entrada do Decision 1: US$ 0,10 por milhão de tokens. Acrescenta US$ 0,50 por milhão de tokens de saída. Com resposta muito curta, o custo total pode ficar próximo. Isso compara tarifas, não suporte equivalente a vídeo nem desempenho na mesma tarefa. Preços da OpenAI.
Já o Flash-Lite usado aqui cobra três vezes mais pela entrada e também cobra a saída. O custo do teste depende, portanto, do volume de vídeo tokenizado e do formato da resposta. Gerar explicações longas amplia a diferença. Pedir só a escolha, reduzir a saída ou usar cache quando disponível pode diminuir essa distância.
O que levar para a próxima decisão
Se a tarefa é receber vídeo e devolver uma escolha, o Gemini Decision 1 é um candidato concreto a testar. Nessas duas baterias, ficou próximo do Flash-Lite em acerto e custou menos. No teste dos virais, também teve menor latência mediana. Isso descreve esses experimentos, não uma vantagem universal.
Se a evidência é texto ou imagem, a discussão volta à qualidade, à tarifa, ao tamanho do contexto e à integração. Jev e Clef-flash têm entrada nominal mais barata; a OpenAI Decisions empata com o Google nessa tarifa. Se você precisa de explicação ou texto livre, inclua um modelo generativo no desenho.
Na visão.md temos o time mais obcecado por explorar IA. Por isso, o próximo passo útil não é escolher pelo anúncio: é repetir perguntas representativas da sua operação, com gabarito anterior às chamadas, custo de erro definido e registro do consumo real.
Método e limites
Resultados: registro do Lab de 11 de novembro de 2026. Capacidades e tarifas públicas conferidas em 12 de novembro. Os testes não foram repetidos para esta edição. Em 12 de novembro, a revisão editorial corrigiu uma questão de contagem de pessoas no criativo 810091 e recalculou os totais de percepção e visão. Essa revisão não é uma nova execução nem uma auditoria completa dos demais gabaritos. Os clipes e as perguntas dos exemplos foram conferidos com o manifesto do experimento; a integridade dos arquivos foi verificada por SHA-256.
As amostras são pequenas e selecionadas. As 320 respostas de percepção pertencem a 32 vídeos, não a 320 vídeos independentes. Não há intervalo de confiança, teste de significância ou avaliação formal de calibração neste registro. As projeções financeiras mantêm o consumo médio observado; não estimam desempenho em produção.
Virais: gabarito por inspeção visual e sonora antes das chamadas. Criativos: gabarito de frames e transcrição, separado das métricas de negócio. Custos calculados com os tokens informados e as tarifas públicas; arredondamentos podem gerar pequenas diferenças.
Créditos visuais
Capa: colagem gerada para este artigo. Cão e chute/gol: vídeos gerados pelo Lab, rotulados como IA. Boliche da pista 29: RCraig09, Wikimedia Commons, CC BY-SA 4.0. Field goal: Thalan, CC BY-SA 3.0. Labrador: Nonlinearmind, CC BY-SA 3.0; no controle de áudio, a faixa sonora foi removida. Os links para os originais estão nas fontes.
Fontes
- Google: anúncio da Gemini Decisions API, 11/11/2026
- Google: Gemini Decision 1, capacidades e limites
- Google: Decisions API e exemplo com vídeo
- Google: tarifas padrão de Gemini Decision e Flash-Lite
- TypeSafe: modelos Jev, tarifa e modalidades
- Cloudflare: Clef, tarifa e esquema
- Cloudflare: Clef-flash, tarifa e esquema
- OpenAI: Decisions API, modalidades e tarifa
- OpenAI: preços da API generativa
- AdsTrace: dataset de Xiuze
- AdsTrace: repositório do projeto
- Boliche: RCraig09, CC BY-SA 4.0
- Field goal: Thalan, CC BY-SA 3.0
- Labrador: Nonlinearmind, CC BY-SA 3.0
- Manifesto dos quatro exemplos: perguntas, respostas e identificação dos arquivos

