Google udostępnia Gemini Decisions API do multimodalnych procesów opartych na AI

11 listopada 2026 r. Google wprowadziło Gemini Decisions API — nowy punkt końcowy oparty na Gemini Decision 1 i dostępny za pośrednictwem Gemini API w Google AI Studio. W jednym żądaniu ocenia do 1 000 niezależnych pytań dotyczących tekstu, obrazów, dźwięku, wideo i plików PDF.

Punkt końcowy służy do formułowania ograniczonych ocen, takich jak wybór narzędzi, weryfikacja zgodności z zasadami, kierowanie do modeli, ocena kontekstu i porządkowanie wyników, a nie do tworzenia tekstów czy wyjaśnień. Żądanie łączy jedno wspólne wejście z niezależnymi pytaniami. Zamiast dekodować tekst odpowiedzi token po tokenie, Gemini Decision 1 ocenia dostępne opcje w jednym przebiegu, dzięki czemu programy mogą bezpośrednio na podstawie typowanych odpowiedzi wybierać dalszą ścieżkę działania, sortować wyniki i kierować je dalej.

Takie podejście jest przeznaczone do sterowania przepływem działania oprogramowania. W przeciwnym razie wygenerowane wyjaśnienie trzeba byłoby najpierw przekształcić z powrotem w ustrukturyzowane wartości, zanim program mógłby podjąć działanie.

Trzy typy pytań i oceny pewności

Dokumentacja Decisions API określa okno kontekstowe o długości 262 144 tokenów, obejmujące wspólne wejście i wszystkie pytania. W jednym żądaniu można łączyć pytania wymagające odpowiedzi tak/nie, wybór spośród określonego zestawu opcji oraz oceny według uporządkowanej skali. W pytaniach wielokrotnego wyboru można podać od 2 do 255 opcji, a odpowiedzi oparte na skali są średnimi ważonymi prawdopodobieństwem indeksów poziomów, którym towarzyszą prawdopodobieństwa dla poszczególnych poziomów.

Każda odpowiedź zawiera ocenę pewności w skali od 0 do 1, określającą szacowane prawdopodobieństwo, że najlepsza odpowiedź jest poprawna. Aplikacje mogą automatycznie działać na podstawie wyników o wysokim poziomie pewności lub przekazywać niepewne wyniki do dalszej weryfikacji. Dokumentacja zaleca ustalanie progów na podstawie oznaczonych przykładów z własnego ruchu aplikacji oraz zachowanie kontroli człowieka lub dodatkowej weryfikacji w przypadku działań obarczonych wysoką stawką, takich jak wypłaty.

Pytania nie mają dostępu do odpowiedzi na pozostałe pytania, a dodanie lub usunięcie jednego z nich nie zmienia innych odpowiedzi. Decyzje zależne od siebie należy więc obsługiwać w logice aplikacji: deweloperzy mogą wysłać drugie żądanie po odczytaniu pierwszej odpowiedzi albo zadać oba pytania jednocześnie i zignorować odpowiedź, której nie potrzebują.

Podawane opóźnienia, ceny i wyniki testów porównawczych

Google podaje, że mediana opóźnienia obliczeń modelu wynosi 50–100 milisekund, a opóźnienie od początku do końca — 150–250 milisekund dla danych multimodalnych i kontekstów o długości do 16K tokenów. Opóźnienie pozostawało niemal niezmienne przy wzroście liczby pytań w żądaniu z jednego do 100. Gemini Decision 1 uzyskał również najlepszy wynik w zestawie testów porównawczych firmy obejmującym kierowanie do agentów, rozumowanie, porządkowanie wyników i rozumienie danych multimodalnych, osiągając przy tym najniższy błąd kalibracji.

Cena wynosi 0,10 USD za 1 milion tokenów wejściowych; tokeny wyjściowe nie są płatne. Wspólne wejście jest rozliczane raz za każde żądanie, niezależnie od liczby pytań, a każde pytanie wymaga dodatkowych tokenów instrukcji i kryteriów. Nie ma zmiennych opłat za tokeny wykorzystywane do rozumowania ani osobnych kosztów transkrypcji dźwięku i OCR. Google podaje, że Gemini Decision 1 z Decisions API jest niemal pięć razy tańszy w całym wspólnym zestawie testów porównawczych niż Gemini 3.5 Flash-Lite z Interactions API.

Wdrożenia Google i dostęp dla deweloperów

Według Google Gemini Notebook używa API do kierowania w czasie rzeczywistym do odpowiednich poziomów modeli i poziomów rozumowania. Pozwala to zmniejszyć opóźnienie nawet o 40% w przypadku codziennych zapytań, a jednocześnie zachować modele głębszego rozumowania do złożonych zadań. Eksperyment Stitch z interaktywnym obszarem roboczym wykorzystuje API do tworzenia grywalnych makiet, natomiast CC z Google Labs wybiera spośród ponad 200 reakcji emoji.

Deweloperzy mogą korzystać z Pythona, JavaScriptu lub REST; przewodniki szybkiego startu SDK wymagają wersji google-genai 3.2 lub nowszej. Bezpłatny poziom AI Studio umożliwia tworzenie prototypów. Integracje są stopniowo udostępniane w OpenRouter, LangChain, Vercel, LiteLLM, Pydantic AI, Pipecat, LiveKit i OpenCode, a obsługa Gemini w Google Cloud ma pojawić się wkrótce.

Początkowo dostęp jest ograniczony do Gemini Developer API v1beta z Gemini Decision 1. Instrukcje dotyczące pytań mogą zawierać wyłącznie tekst, a historia rozmowy i bloki wywołań narzędzi nie są obsługiwane. Niedostępne są również buforowanie kontekstu, Batch API oraz wnioskowanie w trybie Flex lub Priority.

W przypadku zespołów tworzących agentów API pozwala połączyć oceny multimodalne w jednym typowanym wywołaniu, ale odpowiedzialność za bezpieczną automatyzację nadal spoczywa na deweloperze i zależy od jego kryteriów, oznaczonych danych ewaluacyjnych oraz zasad eskalacji — szczególnie gdy działanie może mieć konsekwencje finansowe lub wpłynąć na bezpieczeństwo.