Gemini Decisions API на Google заменя генерирането на текст с бърза детерминистична класификация на цена от $0.10 за милион токена

Източник: Amit Merchant / Визуална схема на детерминистичния интерфейс Google Gemini Decisions API и модела gemini-decision-1
Според задълбочен технически анализ на софтуерния инженер Амит Мърчант [1] и официалната документация за разработчици на Google [2], новият програмен интерфейс Gemini Decisions API, задвижван от специализирания модел gemini-decision-1, предлага фундаментална алтернатива на класическото използване на големи езикови модели в приложния софтуер. Вместо разработчиците да принуждават генеративен модел да изписва текст токен по токен под формата на JSON обект и след това да парсват и валидират този текст в кода си, новият интерфейс позволява директно оценяване на предварително дефинирани въпроси с гарантирано структурирани вероятностни отговори в една-единствена заявка [1].
Архитектура на gemini-decision-1: Три типа структурирани решения и 1000 независими въпроса в едно извикване
Интерфейсът Gemini Decisions API е проектиран специално за програмни сценарии, в които възможните изходи са предварително известни на приложението и от модела се изисква единствено да изчисли кой от тях е приложим [1]. Вместо авторегресивно генериране на обяснителни параграфи, моделът gemini-decision-1 оценява мултимодален вход — включващ текст, изображения, аудио, видео и PDF документи — и връща калибрирани вероятности и оценка на увереността (confidence) за три строго дефинирани типа въпроси [1] [2]:
Бинарни проверки Да/Не (
noul): Определя дали дадено твърдение или условие е вярно за подадения вход (например дали потребителско съобщение докладва софтуерен бъг), връщайки числова вероятност и коефициент на увереност (напр.noul: 0.99,confidence: 0.99).Категориен избор (
choice): Избира точно една опция от предварително зададен речник с критерии (напримерbug,feature_request,general_feedbackилиother), като предоставя пълното вероятностно разпределение между всички опции в обектаprobabilities.Градирано оценяване (
score): Оценява входните данни спрямо подреден масив от критерии за тежест или качество (например от леко неудобство до напълно неизползваема основна функция), връщайки прецизна скаларна оценка (напр.score: 1.82приconfidence: 0.91).
Чрез официалния JavaScript SDK пакет @google/genai (с API ключ от Google AI Studio и версия v1beta) разработчиците извикват метода ai.decisions.create(), който поддържа до 1000 независими въпроса върху един и същ входен обект в рамките на една HTTP заявка [1]. Важна архитектурна особеност е, че въпросите се изчисляват напълно независимо един от друг — оценката за сериозност на проблема не знае какво е отговорил въпросът за категорията, а типът choice винаги избира една от подадените опции, поради което включването на резервна категория other и проверката на прага на увереност (напр. confidence >= 0.85 преди автоматично маршрутизиране) са задължителни добри практики [1].
Икономика на еднократното кодиране на входа: $0.10 за милион входни токена и $0 за изход
Освен детерминистичната интеграция в условната логика на приложенията, Gemini Decisions API променя радикално икономиката на високообемната обработка на данни [1]. Google таксува използването на интерфейса на цена от едва $0.10 за милион входни токена при абсолютно нулева такса ($0) за изходни токени, като същевременно предоставя и безплатно ниво за прототипиране [1] [2].
Истинският мультипликатор на ефективността обаче произтича от начина, по който архитектурата обработва множество въпроси в една заявка: споделеният входен контекст се кодира и таксува само веднъж, независимо дали към него са зададени три или сто въпроса, като всеки допълнителен въпрос добавя единствено токените на собствените си инструкции и критерии [1]. При обработка на 100 000 потребителски съобщения със средна дължина от 500 токена всяко, общата цена за споделения вход възлиза на приблизително $5 — порядъци по-евтино и по-бързо от традиционния генеративен подход, при който приложението трябва да плаща за генерирането и парсването на милиони изходни JSON токени [1].

Инфографика: Ключови стълбове и анализ
Системни архитектурни и макроикономически последици: Разделянето на когнитивното вземане на решения от авторегресивната генерация
Появата на Gemini Decisions API (паралелно с локалните браузърни имплементации на Decisions API) бележи ключов момент на архитектурно узряване в софтуерното инженерство с изкуствен интелект. През последните няколко години индустрията използваше авторегресивната генерация на текст като универсален чук за всеки софтуерен проблем — принуждавайки модели с милиарди параметри да генерират синтактични скоби, кавички и ключови имена на полета само за да предадат едно булево решение или индекс на категория към стандартен if/else блок. Този подход не само изразходваше огромни количества GPU време за декодиране на предвидим синтаксис, но и въвеждаше системна крехкост заради невалиден JSON и халюцинирани ключове.
От системна гледна точка отделянето на класификационния и оценъчния слой в специализиран модел като gemini-decision-1 позволява изграждането на ултрабързи, детерминистични контролни равнини (control planes) пред тежките генеративни и агентни системи. Вместо един монолитен агент да разсъждава и генерира текст при всяко събитие, приложението може да оцени до 1000 ортогонални политики за сигурност, маршрутизация, тоналност и приоритет върху мултимодален документ в един проход и да задейства скъпи генеративни модели само когато увереността и категорията го изискват.
В макроикономически план моделът на ценообразуване от $0.10 за милион входни токена без таксуване на изхода превръща невронната класификация на неструктурирани данни (текст, PDF, аудио и видео) в евтина комунална услуга, съпоставима по цена с традиционните регулярни изрази и заявки към бази данни. За корпоративните платформи за обслужване на клиенти, модерация на съдържание и автоматизиран документооборот това означава драстично свиване на оперативните разходи за облачен ИИ при едновременно повишаване на надеждността чрез математически калибрирани прагове на увереност.