11 ноября 2026 года Google представила Gemini Decisions API…

11 ноября 2026 года Google представила Gemini Decisions API — отдельный эндпоинт Gemini API, работающий на новой модели Gemini Decision 1 (идентификатор gemini-decision-1). Ключевое отличие от генеративных моделей в том, что на выходе не текст, а вероятности: за один проход модель оценивает один общий вход против набора независимых вопросов. Google описывает эндпоинт как «control plane» для маршрутизации запросов, выбора инструментов, проверки политик и оценки контекста.

Вход общий и мультимодальный: текст, изображения, аудио, видео и PDF, до 256K токенов, с настройкой разрешения для изображений и видео. За один запрос можно передать до 1 000 вопросов. Поддерживаются три типа: да/нет (в документации Google — «noul») с вероятностью и оценкой уверенности, выбор из 2–255 вариантов с победителем и нормализованными вероятностями, а также порядковая рубрика score со взвешенным баллом и распределением по уровням.

Экономика устроена необычно для рынка: вход тарифицируется один раз за запрос независимо от числа приложенных вопросов. Цена — $0,10 за 1M входных токенов, выходных токенов нет, отдельных платежей за thinking-токены, OCR и транскрипцию аудио тоже нет. Доступ открыт через Gemini API и Google AI Studio, версия API v1beta; поддержка в Gemini in Google Cloud (Vertex) заявлена как «coming soon», то есть пока это только developer API.

Google заявляет задержку 150–250 мс от начала до конца, из которых 50–100 мс — вычисления модели, и почти плоский рост задержки от 1 до 100 вопросов на входах до 16K токенов. Компания также утверждает лидерство по всему набору бенчмарков с минимальной ошибкой калибровки и почти пятикратную дешевизну относительно Gemini 3.5 Flash-Lite через Interactions API. Все эти цифры — данные Google: состав девяти бенчмарков, размеры выборок и методика подсчёта ошибки в анонсе не раскрыты, независимого подтверждения у них нет.

Независимые проверки дают смешанную картину. По замеру Vikawork (14 ноября 2026, 400 задач на трёх публичных наборах) медиана задержки на маршрутизации составила около 637 мс против 118 мс у GPT-6 Luna Decisions и 262 мс у Jev — расхождение с заявлением Google в 2,5–4 раза. Методики несопоставимы: замер клиентский, включает сеть, выполнен на бесплатном тарифе, на одной машине и одном сетевом пути. Поэтому корректная формулировка — расхождение, которое надо проверить на платном тарифе в одном регионе, а не опровержение. По калибровке ECE у Gemini лучше, чем у Jev, на BANKING77 (0,033 против 0,068) и SST-5 (0,037 против 0,184), но хуже на BoolQ (0,040 против 0,021). По Artificial Analysis Decision Index v2.1 модель занимает девятое место из восемнадцати при 66 баллах и медиане 64: первая в компонентах знаний и ризонинга, слабая в документном тесте AA-Paperclip (33% против 63% у Drex Max).

Практический смысл — убрать генеративную модель из горячего пути: маршрутизация, выбор инструмента и проверка политики становятся одним вызовом с вероятностью на выходе, а порог можно двигать в коде, отправляя спорные случаи на фолбэк или человеку. Риск в том, что у тех, кто уже откалибровал пороги на Jev или OpenAI, интерфейс похож, но вероятности и задержка иные — пороги придётся переподбирать. Открыты вопросы о гарантиях данных (zero data retention, BAA/HIPAA, выбор региона), доступности в Vertex AI и стабильности цены при общем доступе.

Первоисточник: https://blog.google/innovation-and-ai/technology/developers-tools/gemini-decisions-api/
Просмотры: 3
Открыть в MAX Сообщить о неточности

Репосты публикации

Публикация канала

Сообщить о неточности

Опишите, что нужно исправить. Если есть источник, добавьте ссылку.

Вы покидаете datool.ru

Ссылка ведёт на внешний сайт. datool.ru не отвечает за его содержимое — проверьте адрес, прежде чем вводить пароли или платёжные данные.

Переход через 10 с

Перейти