Przejdź do treści
6 min czytania

Gemini Decisions API: Google wchodzi w modele decyzyjne

Gemini Decisions API od Google ocenia do 1000 pytań w jednym przebiegu na tekście, wideo, audio i PDF. Sprawdzamy ceny, typy pytań i test Simona Willisona.

Gemini Decisions API: Google wchodzi w modele decyzyjne

Google wprowadza Gemini Decisions API — nowy interfejs oparty na modelu Gemini Decision 1, który zamiast pisać odpowiedzi ocenia z góry zdefiniowane opcje. Jak zauważa Simon Willison na swoim blogu, firma dołącza w ten sposób do Jev i OpenAI w kategorii tzw. modeli decyzyjnych. Jej propozycja jest pod kilkoma względami niemal kopią rozwiązania Jev.

Oficjalną zapowiedź na blogu Google opublikowali 11 listopada 2026 roku Min Choi (Product Manager, Google DeepMind) i Felix Yu (Principal Scientist, Google DeepMind). Google przedstawia narzędzie jako sposób na szybkie, skalibrowane decyzje na danych multimodalnych: tekście, obrazach, dźwięku, wideo i plikach PDF.

Najważniejsze informacje

  • Gemini Decision 1 (gemini-decision-1) ocenia do 1000 pytań w jednym przebiegu modelu, na wejściu o długości do 256 tys. tokenów.
  • Cena wynosi 0,10 dolara za milion tokenów wejściowych, a tokeny wyjściowe są bezpłatne. To tyle samo, ile kosztuje model decyzyjny GPT-6 Luna od OpenAI. Najtańszy pozostaje Jev (4,2 centa za milion).
  • Model obsługuje tekst, obrazy, audio, wideo i PDF-y. Jev działa wyłącznie na tekście i JSON-ie, a model OpenAI na tekście i obrazach.
  • Opóźnienie end-to-end to według Google 150–250 ms. Firma podaje też, że na wspólnym zestawie benchmarków nowe API jest prawie 5 razy tańsze niż Gemini 3.5 Flash-Lite z Interactions API.
  • W teście Willisona Gemini, w przeciwieństwie do konkurencji, nie zwraca twardych odpowiedzi 1.0 lub 0.0, tylko prawdopodobieństwa.

Czym jest model decyzyjny

Google opisuje Decisions API jako nowy endpoint do szybkich decyzji w zamkniętym zbiorze odpowiedzi (closed-set decisions). Jest dostępny przez Gemini API w Google AI Studio. API dostarcza wyspecjalizowane mechanizmy dla wyborów o ograniczonym zakresie. Firma wymienia jako przykłady:

  • wybór narzędzia,
  • sprawdzanie zgodności z zasadami (policy checks),
  • routing między modelami,
  • ocenę kontekstu.

Kluczowa różnica wobec zwykłych modeli językowych polega na tym, że Gemini Decision 1 nie generuje odpowiedzi token po tokenie. Ocenia podane przez programistę opcje w jednym przebiegu w przód (single forward pass) i zwraca prawdopodobieństwa oraz wskaźniki pewności. Dlatego za wyjście nie trzeba płacić.

Google podaje, że mediana czasu obliczeń samego modelu wynosi 50–100 ms, a pełne opóźnienie 150–250 ms. Dotyczy to wejść multimodalnych i kontekstów do 16 tys. tokenów. Według firmy czas ten pozostaje niemal stały niezależnie od tego, czy w zapytaniu jest jedno pytanie, czy sto.

W benchmarkach obejmujących routing agentów, rozumowanie, ranking i rozumienie multimodalne Gemini Decision 1 ma według Google prowadzić w całym zestawie i osiągać najniższy błąd kalibracji. Szersze omówienie samego modelu znajdziesz w naszym wcześniejszym tekście o tym, jak Gemini Decision 1 ocenia 1000 pytań w jednym przebiegu.

Trzy typy pytań i znajomy termin „noul”

Willison zwraca uwagę, że API Google jest „niemal identyczne” z Jev. Obsługuje te same trzy rodzaje pytań i przejmuje nawet ukuty przez Jev termin „noul” na pytanie typu tak/nie. Dokumentacja Google opisuje je następująco:

  • noul (tak/nie) szacuje prawdopodobieństwo, że dany warunek jest spełniony. Opcjonalnie można dodać opisy tego, co oznacza „prawda” i „fałsz”.
  • choice (wielokrotny wybór) wybiera spośród od 2 do 255 opcji. Zwraca zwycięską odpowiedź i znormalizowane prawdopodobieństwa dla każdego kandydata.
  • score (uporządkowana rubryka) ocenia wejście według skali, której poziomy numerowane są od 0. Zwraca ciągły, ważony wynik oraz prawdopodobieństwa dla poszczególnych poziomów.

Pytania różnych typów można mieszać w jednym zapytaniu, odnoszącym się do wspólnego wejścia. Każda odpowiedź ma wskaźnik pewności w skali od 0 do 1. Google podkreśla, że dzięki temu kod aplikacji może kierować niejednoznaczne przypadki do rozwiązania zapasowego albo do człowieka.

Pole wejściowe korzysta z tego samego formatu bloków Content co Interactions API. W przykładzie Google łączy zdjęcie blatu w pokoju socjalnym z notatką tekstową „Breakroom counter check before the 9 AM client meeting” (kontrola blatu przed spotkaniem z klientem o 9:00). Następnie zadaje trzy pytania: czy na blacie jest niewytarta ciecz (noul), jakie działanie porządkowe wybrać (choice) i jak poważny jest bałagan (score). Fragment kodu w Pythonie wygląda tak:

from google import genai

client = genai.Client(http_options={"api_version": "v1beta"})

result = client.decisions.create(
    model="gemini-decision-1",
    input=[
        {"type": "image",
         "uri": "https://storage.googleapis.com/generativeai-downloads/images/spill.jpg",
         "mime_type": "image/jpeg"},
        {"type": "text",
         "text": "Breakroom counter check before the 9 AM client meeting."},
    ],
    questions={
        "has_spill": {
            "type": "noul",
            "instructions": "Is there an uncleaned liquid spill on the counter?",
        },
        "next_action": {
            "type": "choice",
            "instructions": "Which cleanup action fits the scene?",
            "criteria": {
                "wipe_with_cloth": "Small counter spill with a cloth or towel already nearby.",
                "dispatch_janitorial": "Large floor hazard, broken glass, or active leak.",
                "ready_for_meeting": "Counter is clean and ready.",
            },
        },
        # ... dalej pytanie typu "score" z rubryką oceny powagi bałaganu
    },
)

Google dodaje, że modalności można łączyć w jednym wejściu. Przykładami są nagranie rozmowy z metadanymi konta albo zeskanowane zgłoszenie szkody w PDF ze zdjęciami uszkodzeń. Dla obrazów i wideo można też regulować rozdzielczość, aby kontrolować poziom szczegółów i koszt w tokenach. Dokumentacja obejmuje przewodniki dla Pythona, JavaScriptu i REST.

Test Willisona: robot, smok i Francja

Willison sprawdził, jak model radzi sobie z wideo. Przekazał mu nagranie robota tupiącego w Yonkers razem z czterema pytaniami: czy w filmie jest smok, czy jest robot, czy akcja dzieje się we Francji i czy w USA. Wyniki:

  • smok: prawdopodobieństwo ok. 0,0498
  • robot: ok. 0,9234
  • Francja: ok. 0,0833
  • USA: ok. 0,9230

Odpowiedzi są trafne, ale bloger wskazuje na istotną różnicę w zachowaniu. Jev i OpenAI w pytaniach tak/nie zwracają po prostu 1.0 albo 0.0. Gemini, jak pisze, „upiera się”, by być nieco mniej pewnym siebie. To zgodne z tym, jak Google promuje model, czyli jako dobrze skalibrowany. Dla programisty takie wartości pośrednie są użyteczną informacją przy ustalaniu progów decyzyjnych.

Ceny i modalności w porównaniu z konkurencją

Na podstawie obu źródeł można zestawić trzech graczy w tej kategorii:

  • Jev: 4,2 centa za milion tokenów wejściowych, tylko tekst i JSON.
  • GPT-6 Luna (OpenAI): 10 centów za milion tokenów wejściowych, bezpłatne wyjście, tekst i obrazy.
  • Gemini Decision 1 (Google): 10 centów za milion tokenów wejściowych, bezpłatne wyjście, tekst, obrazy, audio, wideo i PDF.

Google nie konkuruje więc ceną, bo Jev jest ponad dwukrotnie tańszy. Przewagą jest zakres obsługiwanych formatów, który u Willisona określony jest jako pełna multimodalność.

Co to oznacza dla Polski

Gemini Decisions API jest dostępne przez Gemini API w Google AI Studio, z którego mogą korzystać także programiści w Polsce. Stawka 0,10 dolara za milion tokenów wejściowych to w przeliczeniu około 40 groszy. Model decyzyjny może więc być tanią warstwą do routingu zapytań czy moderacji treści w polskich produktach. Źródła nie podają natomiast, jak model radzi sobie z treściami w języku polskim.

Dla firm działających w UE istotna może być wbudowana w API możliwość kierowania niepewnych przypadków do człowieka na podstawie wskaźnika pewności. Wpisuje się to w nacisk, jaki unijny AI Act kładzie na nadzór człowieka nad automatycznymi decyzjami.

Podsumowanie

Gemini Decision 1 to dla Google wejście w niszę modeli, które zamiast pisać tekst szybko i tanio wybierają spośród gotowych odpowiedzi. API ściśle wzoruje się na Jev, a cenowo zrównuje się z OpenAI. Od obu konkurentów odróżnia je obsługa wideo, audio i PDF-ów oraz ostrożniejsze, skalibrowane prawdopodobieństwa.

Udostępnij
Powrót do nawigacji