Google uruchamia Gemini Decisions API do szybkiego, multimodalnego podejmowania decyzji

Image: Comparison of Gemini Decision and other APIs against various benchmarks · Source

Google wprowadza Gemini Decisions API z modelem Gemini Decision 1, umożliwiające szybkie, skalibrowane decyzje tak/nie, wielokrotnego wyboru oraz punktacji na tekstach, obrazach, audio, wideo i PDF-ach w pojedynczym przebiegu o niskiej latencji i kosztach.

Google ogłosiło Gemini Decisions API, nowe narzędzie zaprojektowane do szybkiego, skalibrowanego podejmowania decyzji na różnych typach danych, w tym tekst, obrazy, audio, wideo i pliki PDF. API jest zasilane przez najnowszy model Gemini Decision 1 i dostępne przez Gemini API na platformie Google AI Studio.

Technologia ta może przetworzyć do 1000 różnych pytań tak/nie, wielokrotnego wyboru i oceniania według rubryki w pojedynczym przebiegu wejścia multimodalnego, które może zawierać tekst i media o łącznej długości do 256 000 tokenów. W odróżnieniu od tradycyjnych podejść generatywnych, które wytwarzają tokeny wyjściowe pojedynczo, Gemini Decision 1 ocenia opcje jednocześnie, dostarczając wyniki z ocenami pewności i prawdopodobieństwami w około 150 do 250 milisekund całkowitego opóźnienia.

Według menedżera produktu Google DeepMind, Mina Choi, oraz głównego naukowca Felixa Yu, podejście to zapewnia bardzo efektywny i opłacalny sposób obsługi zadań podejmowania decyzji na dużą skalę, takich jak sprawdzanie zgodności z polityką, ocenianie treści i kierowanie zapytań. API kosztuje 0,10 USD za milion tokenów wejściowych, bez opłat za tokeny wyjściowe, co czyni je prawie pięciokrotnie tańszym niż poprzednie modele, takie jak Gemini 3.5 Flash-Lite korzystający z Interactions API.

Gemini Decisions API obsługuje trzy typy decyzji: binarne oceny tak/nie, wybory wielokrotne od 2 do 255 opcji oraz uporządkowane oceny według rubryki, które zapewniają ważone, ciągłe wyniki. Deweloperzy mogą łączyć różne modalności wejściowe, na przykład łączyć nagrania rozmów audio z informacjami o koncie lub zeskanowane dokumenty PDF ze zdjęciami, optymalizując rozdzielczość wizualną tak, aby zrównoważyć szczegółowość i koszty tokenów.

Wiele zespołów Google już korzysta z tego API w różnych zastosowaniach. Na przykład Gemini Notebook używa go do dynamicznego kierowania zapytań do odpowiednich poziomów modeli AI, poprawiając latencję nawet o 40%. Narzędzie do projektowania Stitch integruje API dla szybkiego generowania szkiców przepływów produktów z niemal rzeczywistą edycją, a aplikacja Google Labs CC wykorzystuje je do natychmiastowego wyboru reakcji emoji. Ponadto Google Search używa API jako warstwy bezpieczeństwa do wykrywania treści przeciwnych, działającej szybko w rygorystycznych ograniczeniach latencji.

Deweloperzy mogą zacząć korzystać z Gemini Decisions API od razu, uzyskując klucz API w Google AI Studio, gdzie dostępna jest dokumentacja i przykładowe aplikacje w Pythonie, JavaScript i formacie REST. API integruje się także z popularnymi ekosystemami i platformami, takimi jak OpenRouter, LangChain, Vercel, LiteLLM i inne, a wkrótce pojawi się wsparcie dla Gemini w Google Cloud.

To wydanie odzwierciedla ciągłe skupienie Google na skalowalnych, niskolatencyjnych narzędziach AI, które mogą szybko oceniać złożone, multimodalne dane wejściowe, umożliwiając bardziej responsywne i inteligentne aplikacje w różnych branżach.