Дебютував Gemini Decisions API для швидких мультимодальних рішень

Google представила Gemini Decisions API на базі моделі Gemini Decision 1 для швидких рішень у замкнутому наборі варіантів для тексту, зображень, аудіо, відео та PDF. API може оцінити до 1000 незалежних запитань «так/ні», з кількома варіантами відповіді та оцінюванням за рубрикою щодо одного спільного мультимодального введення за один прохід. Він повертає ймовірності та оцінки впевненості з наскрізною затримкою 150-250 мс і без стягнення плати за вихідні токени.

Модель і продуктивність

Gemini Decision 1 доступна через Gemini API у Google AI Studio. Вона оцінює варіанти-кандидати в одному прямому проході, а не генерує текст відповіді токен за токеном, із медіанним обчисленням моделі 50-100 мс для мультимодальних введень і контекстів до 16K токенів, що залишається майже рівним від 1 до 100 запитань на запит. Google каже, що вона лідирує в еталонних тестах, які охоплюють маршрутизацію агентів, міркування, ранжування та мультимодальне розуміння, і має найнижчу помилку калібрування. Модель коштує $0.10 за 1 мільйон вхідних токенів, вихідні токени не тарифікуються, і вона майже у 5 разів дешевша в спільному наборі еталонних тестів, ніж Gemini 3.5 Flash-Lite з Interactions API.

Типи рішень

API підтримує три типи рішень. noul оцінює ймовірність того, що умова так/ні виконується, з необов'язковими критеріями опису для істинного та хибного результатів. choice вибирає з 2-255 кандидатів і повертає переможця разом з нормалізованими ймовірностями для кожного кандидата. score оцінює введення за впорядкованою рубрикою, що починається з 0, і повертає безперервну зважену оцінку та ймовірності для кожного рівня. Кожна відповідь містить оцінку впевненості від 0 до 1, а поле введення використовує той самий формат Content block, що й Interactions API.

Мультимодальні введення та сценарії використання

Команди можуть поєднувати модальності в одному спільному введенні, наприклад поєднуючи запис дзвінка з метаданими облікового запису або сканований PDF-запит із фотографіями пошкоджень, і налаштовувати роздільну здатність для введень зображень і відео, щоб контролювати візуальну деталізацію та вартість токенів. Спільне введення може охоплювати до 256K токенів. Команди по всьому Google використовують API як площину керування з низькою затримкою: Gemini Notebook спрямовує запити до рівнів моделей і рівнів міркування; Stitch створює інтерактивні каркаси та застосовує голосові або натискані правки; CC вибирає реакції-емодзі з палітри з понад 200 варіантів; а Google Search виявляє недоброзичливу поведінку та контент за допомогою оцінок на недоброзичливі впливи.

Початок роботи

Розробники можуть почати в Google AI Studio з ключем API та дотримуватися посібників Python, JavaScript і REST. Спільне введення тарифікується один раз на запит незалежно від кількості оцінених запитань, і кожне запитання додає лише власні токени інструкції та критеріїв. Інтеграції екосистеми розгортаються в OpenRouter, LangChain, Vercel, LiteLLM, Pydantic AI, Pipecat, LiveKit і OpenCode разом із SDK google-genai, а підтримка незабаром з'явиться в Gemini у Google Cloud. Демонстраційні застосунки включають Doorstep Parcels, Speed Sketch і Find the Zoo Keeper.

Джерела: blog.google · The Decoder · Simon Willison