En una única ejecución de 50 tareas de programación para agentes, Google Cloud informó de que el enrutamiento con Jev y Gemini 3.8 Flash con el nivel de razonamiento bajo resolvieron las 50. La ruta con Jev registró un coste total menor y una latencia media inferior. Google Cloud publicó los resultados y las condiciones del ensayo.
Cómo clasificaba Jev las tareas
Jev enviaba primero cada tarea a Gemini 3.5 Flash-Lite y derivaba las que clasificaba como complejas a Gemini 3.8 Flash con razonamiento bajo. Para decidir, usaba una pregunta de clasificación llamada Noul: ¿la tarea exige más de un cálculo, paso de simulación o deducción lógica consecutivos? La respuesta asigna una probabilidad entre 0 y 1 a una afirmación binaria.
En el ensayo, Gemini 3.5 Flash-Lite por sí solo resolvió las tareas sencillas, pero falló seis de las 25 difíciles. Jev señaló esas seis para que pasaran al modelo de mayor capacidad.
Google también comparó la clasificación de dificultad con etiquetas asignadas manualmente. Jev coincidió en 34 de 34 tareas reservadas para evaluación y en 48 de 50 del conjunto completo. Un método fijo basado en palabras clave y longitud del prompt coincidió en 24 de 34 tareas reservadas y en 39 de 50 en total. Estas cifras miden el acuerdo sobre la dificultad, no cuántas tareas resolvió cada configuración. Google identificó a Jev como un clasificador de TypeSafe y aclaró que no mantiene una alianza con la empresa; lo presentó como ejemplo, no como aval.
Las dos configuraciones resolvieron las mismas tareas
La ruta de Jev y la mejor configuración sin enrutamiento empataron: ambas resolvieron 50 de 50 tareas. Google registró estos costes y latencias medios en el ensayo:
| Configuración | Tareas resueltas (de 50) | Coste total del ensayo (USD) | Latencia media por tarea (s) |
| Jev: Gemini 3.5 Flash-Lite primero; las tareas complejas pasan a Gemini 3.8 Flash con razonamiento bajo | 50 | 0,02287 | 1,90 |
| Gemini 3.8 Flash con razonamiento bajo, sin router | 50 | 0,02632 | 3,55 |
A partir de esos totales, la ruta con Jev tuvo un coste aproximadamente un 13,1 % menor y una latencia media un 46,5 % inferior frente a usar siempre Gemini 3.8 Flash con razonamiento bajo. Los importes son el total facturado por las 50 tareas del ensayo, no tarifas generales de API.
Qué limita el resultado y cuándo importa la caché
Google evaluó 50 prompts repartidos en siete grupos de tareas, hizo una sola ejecución por configuración, asignó la dificultad manualmente y usó una evaluación automática sencilla. El resultado describe ese ensayo y no establece cómo rendiría el enrutamiento en otras cargas de trabajo.
La prueba también comparó límites de salida de 300 y 4.096 tokens en Gemini 3.8 Flash con el nivel de razonamiento predeterminado. En 27 tareas sencillas, los promedios de tokens de razonamiento fueron 185,6 y 179,7, respectivamente. Con el límite de 300 tokens, el modelo falló siete de las 25 tareas difíciles del ensayo.
La caché de contexto también puede cambiar el balance. Google señala que reenviar contexto guardado en caché puede costar entre un 75 % y un 90 % menos, pero cada caché pertenece a un modelo. Alternar entre Gemini 3.5 Flash-Lite y Gemini 3.8 Flash puede exigir cachés separadas o hacer perder ese descuento, algo relevante en turnos largos con mucho contexto.
