Gemini Decisions API-ն գործարկվում է արագ բազմամոդալ որոշումների համար

Google-ը ներկայացրեց Gemini Decisions API-ը՝ հիմնված Gemini Decision 1 մոդելի վրա, արագ փակ տարբերակներով որոշումների համար տեքստում, պատկերներում, աուդիոյում, վիդեոյում և PDF-ներում։ API-ն կարող է մեկ անցմամբ գնահատել մինչև 1,000 անկախ այո/ոչ, բազմակի ընտրության և ռուբրիկային գնահատման հարցեր՝ մեկ ընդհանուր բազմամոդալ մուտքի համար։ Այն վերադարձնում է հավանականություններ և վստահության գնահատականներ՝ 150-250 ms ուշացումով և առանց ելքային թոքենների վճարի։

Մոդել և արդյունավետություն

Gemini Decision 1-ը հասանելի է Gemini API-ի միջոցով Google AI Studio-ում։ Այն մեկ անցմամբ գնահատում է թեկնածուները՝ այլ ոչ թե պատասխանը թոքեն առ թոքեն գեներացնելով, 50-100 ms միջին հաշվարկով բազմամոդալ մուտքերի և մինչև 16K թոքեն կոնտեքստների համար, և մնում է գրեթե հարթ 1-ից 100 հարցի դեպքում։ Google-ը նշում է՝ այն առաջատար է բենչմարկներում՝ ընդգրկելով գործակալների երթուղումը, դատողությունը, դասակարգումը և բազմամոդալ ըմբռնումը, ամենացածր կալիբրացիայի սխալով։ Մոդելի գինը $0.10 է 1 միլիոն մուտքային թոքենի համար, ելքային թոքենները չեն գանձվում, և այն գրեթե 5 անգամ ավելի էժան է բենչմարկներում, քան Gemini 3.5 Flash-Lite-ը Interactions API-ի հետ։

Որոշման տեսակներ

API-ն աջակցում է որոշման երեք տեսակ։ noul-ը գնահատում է այո/ոչ պայմանի հավանականությունը՝ ընտրովի true և false նկարագրության չափանիշներով։ choice-ը ընտրում է 2-255 թեկնածուներից և վերադարձնում հաղթողին ու նորմալացված հավանականությունները յուրաքանչյուրի համար։ score-ը գնահատում է մուտքը 0-ից ռուբրիկայով, վերադարձնելով շարունակական կշռված գնահատական և մակարդակային հավանականություններ։ Յուրաքանչյուր պատասխան ներառում է 0-ից 1 վստահության գնահատական, իսկ մուտքի դաշտը օգտագործում է Interactions API-ի նույն Content block ձևաչափը։

Բազմամոդալ մուտքեր և օգտագործման դեպքեր

Թիմերը կարող են համատեղել մոդալությունները մեկ ընդհանուր մուտքում, օրինակ՝ զուգակցելով զանգի ձայնագրությունը հաշվի մետատվյալների հետ կամ սկանավորված PDF պահանջը վնասի լուսանկարների հետ, և կարգավորել պատկերի և վիդեոյի լուծաչափը՝ վերահսկելու մանրամասնությունն ու թոքենների արժեքը։ Ընդհանուր մուտքը կարող է ընդգրկել մինչև 256K թոքեն։ Google-ի թիմերը API-ն օգտագործում են որպես ցածր ուշացմամբ կառավարման հարթակ՝ Gemini Notebook-ը երթուղում է հարցումները մոդելային և մտածման մակարդակներին; Stitch-ը գեներացնում է նվագարկելի վայրֆրեյմներ և կիրառում ձայնային կամ հպման խմբագրումներ; CC-ն ընտրում է էմոջի ռեակցիաներ 200+ տարբերակից; Google Search-ը հայտնաբերում է հակառակորդային վարքագիծ և բովանդակություն՝ ընդդեմ հակառակորդային գնահատումների։

Սկսելը

Մշակողները կարող են սկսել Google AI Studio-ում API բանալիով և հետևել Python, JavaScript և REST ուղեցույցներին։ Ընդհանուր մուտքը գանձվում է մեկ անգամ յուրաքանչյուր հարցման համար՝ անկախ գնահատվող հարցերի քանակից, իսկ յուրաքանչյուր հարց ավելացնում է միայն իր հրահանգն ու չափանիշների թոքենները։ Էկոհամակարգային ինտեգրումները տարածվում են OpenRouter, LangChain, Vercel, LiteLLM, Pydantic AI, Pipecat, LiveKit և OpenCode հարթակներում՝ google-genai SDK-ների կողքին, իսկ աջակցությունը Google Cloud-ի Gemini-ին կհասանելի դառնա շուտով։ Դեմո հավելվածների շարքում են Doorstep Parcels-ը, Speed Sketch-ը և Find the Zoo Keeper-ը։

Աղբյուրներ՝ blog.google · The Decoder · Simon Willison