Gemini Decisions API sürətli multimodal qərarlar üçün təqdim olundu

Google, mətn, şəkil, audio, video və PDF-lər üzrə sürətli qapalı çoxluq qərarları üçün Gemini Decision 1 modeli ilə işləyən Gemini Decisions API-ni təqdim etdi. API bir keçiddə bir paylaşılan multimodal girişə qarşı 1 000-ə qədər müstəqil bəli/xeyr, çoxseçimli və rubrik qiymətləndirmə sualını qiymətləndirə bilər. O, ehtimallar və etibar balları qaytarır, 150-250 ms tam yol gecikməsi ilə və çıxış token haqqı olmadan.

Model və performans

Gemini Decision 1 Gemini API vasitəsilə Google AI Studio-da əlçatandır. O, cavab mətnini token-token yaratmaq əvəzinə namizəd seçimlərini birbaşa keçiddə qiymətləndirir; multimodal girişlər və 16K tokenə qədər kontekstlər üzrə median model hesablama 50-100 ms-dir və sorğu başına 1-dən 100 suala qədər demək olar ki, sabit qalır. Google bildirir ki, o, agent marşrutlaşdırması, mühakimə, sıralama və multimodal anlamanı əhatə edən meyarlar üzrə liderdir və ən aşağı kalibrləmə xətasına malikdir. Model hər 1 milyon giriş tokeni üçün 0,10 dollar qiymətləndirilir, sıfır çıxış tokeni hesablanır və paylaşılan meyar dəstində Gemini 3.5 Flash-Lite ilə Interactions API-dən təxminən 5 dəfə ucuzdur.

Qərar növləri

API üç qərar növünü dəstəkləyir. noul bir bəli/xeyr şərtinin doğruluq ehtimalını qiymətləndirir, isteğe bağlı doğru və yanlış təsvir meyarları ilə. choice 2-dən 255-ə qədər namizəd arasından seçim edir və qalibi, həmçinin hər namizəd üçün normallaşdırılmış ehtimalları qaytarır. score 0-dan başlayan sıralı rubrik üzrə girişi qiymətləndirir, davamlı çəkili bal və səviyyə üzrə ehtimalları qaytarır. Hər cavab 0-dan 1-ə qədər etibar balı ehtiva edir və giriş sahəsi Interactions API ilə eyni Content blok formatından istifadə edir.

Multimodal girişlər və istifadə halları

Komandalar bir paylaşılan girişdə modalitələri birləşdirə bilər, məsələn, zəng yazısını hesab metadata ilə və ya skan edilmiş PDF iddiasını zərər fotoları ilə birləşdirmək, həmçinin vizual detalı və token xərcini idarə etmək üçün şəkil və video girişlərində ayırdetməni tənzimləyə bilər. Paylaşılan giriş 256K tokenə qədər ola bilər. Google daxilində komandalar API-ni aşağı gecikməli idarəetmə təbəqəsi kimi istifadə edir: Gemini Notebook sorğuları model səviyyələrinə və düşünmə səviyyələrinə marşrutlaşdırır; Stitch oynanıla bilən wireframe-lər yaradır və səs və ya toxunuş redaktələri tətbiq edir; CC 200-dən çox variantdan ibarət palitradan emoji reaksiyaları seçir; Google Search isə düşmən davranışını və düşmən qiymətləndirmələrinə qarşı məzmunu aşkar edir.

Başlamaq

Tərtibatçılar API açarı ilə Google AI Studio-da başlaya bilər və Python, JavaScript və REST təlimatlarını izləyə bilər. Paylaşılan giriş sorğu başına bir dəfə hesablanır, neçə sualın qiymətləndirilməsindən asılı olmayaraq, hər sual yalnız öz təlimat və meyar tokenlərini əlavə edir. google-genai SDK-ları ilə yanaşı OpenRouter, LangChain, Vercel, LiteLLM, Pydantic AI, Pipecat, LiveKit və OpenCode üzrə ekosistem inteqrasiyaları təqdim olunur, Gemini in Google Cloud üçün dəstək isə tezliklə gəlir. Demo tətbiqlərə Doorstep Parcels, Speed Sketch və Find the Zoo Keeper daxildir.

Mənbələr: blog.google · The Decoder · Simon Willison