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

Публикувано от Svetni.me Editorial на 21 ноември 2026 г. в Изкуствен интелект

Детерминистично вземане на решения и структурирана класификация без генериране на текст чрез Google Gemini Decisions API
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 (например bug, feature_request, general_feedback или other), като предоставя пълното вероятностно разпределение между всички опции в обекта probabilities.

  • 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: 1.82 при confidence: 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: Архитектура и токен икономика на детерминистичния интерфейс Google Gemini Decisions API
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.

Източници

  1. When AI Doesn’t Need to Generate Anything - Amit Merchant Technical Blog
  2. Introducing the Gemini Decisions API for Developers - Google Official Blog