Google-მა წარმოადგინა Gemini Decisions API სწრაფი მულტიმოდალური გადაწყვეტილებებისთვის

Google-მა წარმოადგინა Gemini Decisions API, რომელიც Gemini Decision 1 მოდელზეა დაფუძნებული და დახურული სიმრავლის სწრაფი გადაწყვეტილებების მისაღებადაა განკუთვნილი ტექსტში, სურათებში, აუდიოში, ვიდეოსა და PDF-ებში. API-ს შეუძლია ერთი საერთო მულტიმოდალური შეყვანის მიმართ 1000-მდე დამოუკიდებელი კითხვის შეფასება, კი/არა, მრავალვარიანტული და რუბრიკით შეფასებადი, ერთი გავლით. ის აბრუნებს ალბათობებსა და სანდოობის ქულებს 150-250 მწმ ბოლოდან ბოლომდე დაყოვნებით და გამომავალი ტოკენების საფასურის გარეშე.

მოდელი და წარმადობა

Gemini Decision 1 ხელმისაწვდომია Gemini API-ის მეშვეობით Google AI Studio-ში. ის აფასებს კანდიდატ ვარიანტებს ერთი პირდაპირი გავლისას და არა პასუხის ტექსტის ტოკენ-ტოკენ გენერირებით; მოდელის გამოთვლის მედიანა 50-100 მწმ-ია მულტიმოდალურ შეყვანებსა და 16K ტოკენამდე კონტექსტებზე და პრაქტიკულად უცვლელი რჩება მოთხოვნაში 1-დან 100 კითხვამდე. Google-ის თქმით, მოდელი ლიდერობს ბენჩმარკებში, რომლებიც მოიცავს აგენტების მარშრუტიზაციას, მსჯელობას, რანჟირებასა და მულტიმოდალურ გაგებას, და აქვს ყველაზე დაბალი კალიბრაციის შეცდომა. მოდელის ფასია $0,10 1 მილიონ შემავალ ტოკენზე, გამომავალი ტოკენები საერთოდ არ ითვლება, და საერთო ბენჩმარკების კრებულზე ის თითქმის 5-ჯერ იაფია Gemini 3.5 Flash-Lite-ზე Interactions API-თან ერთად.

გადაწყვეტილების ტიპები

API მხარს უჭერს სამი ტიპის გადაწყვეტილებას. noul აფასებს იმის ალბათობას, რომ კი/არა პირობა სრულდება, სურვილისამებრ ჭეშმარიტი და მცდარი აღწერის კრიტერიუმებით. choice ირჩევს 2-დან 255 კანდიდატამდე და აბრუნებს გამარჯვებულს, ისევე როგორც ნორმალიზებულ ალბათობებს ყველა კანდიდატისთვის. score აფასებს შეყვანას 0-დან დაწყებული დალაგებული რუბრიკის მიხედვით და აბრუნებს უწყვეტ შეწონილ ქულასა და დონეების მიხედვით ალბათობებს. ყველა პასუხი მოიცავს სანდოობის ქულას 0-დან 1-მდე, ხოლო შეყვანის ველი იყენებს იმავე Content ბლოკის ფორმატს, რაც Interactions API.

მულტიმოდალური შეყვანები და გამოყენების შემთხვევები

გუნდებს შეუძლიათ დააკავშირონ მოდალობები ერთ საერთო შეყვანაში, მაგალითად, ზარის ჩანაწერი ანგარიშის მეტამონაცემებთან ან სკანირებული PDF-ის მოთხოვნა დაზიანების ფოტოებთან, და დაარეგულირონ გარჩევადობა სურათისა და ვიდეოს შეყვანებზე ვიზუალური დეტალისა და ტოკენების ხარჯის გასაკონტროლებლად. საერთო შეყვანა შეიძლება იყოს 256K ტოკენამდე. Google-ის სხვადასხვა გუნდი იყენებს API-ს როგორც დაბალი დაყოვნების მართვის სიბრტყეს: Gemini Notebook მარშრუტიზაციას უკეთებს მოთხოვნებს მოდელის დონეებსა და აზროვნების დონეებზე; Stitch ქმნის გაშვებად ვაირფრეიმებს და იყენებს ხმოვან ან შეხებით რედაქტირებას; CC ირჩევს ემოჯი-რეაქციებს 200-ზე მეტი ვარიანტის პალიტრიდან; ხოლო Google Search აღმოაჩენს ადვერსარულ ქცევასა და კონტენტს ადვერსარულ შეფასებებთან შედარებით.

როგორ დავიწყოთ

დეველოპერებს შეუძლიათ დაიწყონ Google AI Studio-ში API გასაღებით და მიჰყვნენ Python, JavaScript და REST სახელმძღვანელოებს. საერთო შეყვანა ითვლება ერთხელ მოთხოვნაზე, არ აქვს მნიშვნელობა რამდენი კითხვა ფასდება, და თითოეული კითხვა ამატებს მხოლოდ თავისი ინსტრუქციისა და კრიტერიუმების ტოკენებს. ეკოსისტემის ინტეგრაციები თანდათან ვრცელდება OpenRouter-ზე, LangChain-ზე, Vercel-ზე, LiteLLM-ზე, Pydantic AI-ზე, Pipecat-ზე, LiveKit-სა და OpenCode-ზე google-genai SDK-ებთან ერთად, ხოლო მხარდაჭერა მალე დაემატება Gemini-ს Google Cloud-ში. დემო აპლიკაციებს შორისაა Doorstep Parcels, Speed Sketch და Find the Zoo Keeper.

წყაროები: blog.google · The Decoder · Simon Willison