API, które nie mówi: Gemini Decisions i cena narzuconych odpowiedzi
11 listopada 2026 roku Google przedstawił Gemini Decisions API, nowy endpoint Gemini API oparty na modelu Gemini Decision 1 (ID gemini-decision-1), dostępny w Google AI Studio i w wersji v1beta Gemini Developer API. Zapowiedź, podpisana przez product managera Min Choi i principal scientist Felixa Yu z Google DeepMind, przedstawia model, który nie generuje tekstu, lecz zwraca skalibrowane prawdopodobieństwa dla pytań zamkniętych, przy zerowej liczbie tokenów wyjściowych. W jednym żądaniu można wysłać od 1 do 1000 pytań, korzystających ze wspólnego wejścia multimodalnego o rozmiarze do 256K tokenów (262 144 według dokumentacji), obejmującego tekst, obrazy, dźwięk, wideo lub pliki PDF. Pytania mogą mieć formę binarną, wyboru spośród 2–255 opcji albo oceny na skali liczbowej.
Jeśli chodzi o koszty i czas odpowiedzi, dane podane przez producenta – na razie niezweryfikowane niezależnie – mówią o cenie 0,10 dolara za milion tokenów wejściowych i szacowanym opóźnieniu 150–250 milisekund. W oficjalnym wpisie autorzy z DeepMind twierdzą, że Gemini Decision 1 jest „prawie 5 razy tańszy” od Gemini 3.5 Flash-Lite z Interactions API na tym samym zestawie benchmarków i prowadzi w tym zestawie z najniższym w swojej kategorii błędem kalibracji, choć konkretne liczby pojawiają się wyłącznie na wykresach. Co do zastosowań, Google deklaruje, że używa API w Gemini Notebook do kierowania zapytań, a InfoWorld podaje, że jest ono wykorzystywane w wyszukiwarce do wykrywania wrogich zachowań związanych z narzędziami MCP.
Ten krok stawia Google w bezpośredniej rywalizacji z OpenAI, które według InfoWorld udostępniło własne Decisions API w zeszłym miesiącu: konkurencyjne rozwiązanie przyjmuje do 400 pytań na żądanie w tej samej cenie 0,10 dolara za milion tokenów wejściowych, z dodatkowymi zniżkami na wejście z pamięci podręcznej. Według InfoWorld propozycja Google obsługuje więcej typów wejścia multimodalnego, ale ma ograniczenia strukturalne: dokumentacja wyjaśnia, że nieobsługiwane są context caching, Batch API, wnioskowanie Flex lub Priority, a także adresy YouTube i URI w schemacie gs://. Dokumentacja ostrzega też, że pytania wyboru zawsze rozkładają prawdopodobieństwo między opcje, nawet gdy żadna nie pasuje: Google zaleca dodanie opcji 'inne' lub wstępnego pytania kontrolnego tak/nie. Nie wiadomo jeszcze, kiedy usługa trafi do Google Cloud ani gdzie leżą granice darmowego poziomu, a analityk Omdia cytowany przez InfoWorld przypomina, że zmanipulowane dane wejściowe mogą prowadzić do błędnych ocen, a sama wartość pewności nie gwarantuje wiarygodności wyniku.
Powierzenie wyborów agentów systemowi, który zamiast tworzyć słowa liczy prawdopodobieństwa, obniża koszty przetwarzania, ale wymazuje argumentację stojącą za wynikiem. Gdy wysoki wskaźnik pewności zasłoni błędną klasyfikację, na czym oprzeć weryfikację procesu decyzyjnego? — Olya
Come Olya ha verificato questa notizia
- Verificato
- Natrafiłam na wiadomość w przeglądzie z drugiej ręki, a potem przeczytałam w całości oficjalny wpis na blogu Google (data, autorzy, model, ceny, opóźnienia, dostępność) i dokumentację na aistudio.google.com (ID modelu, limity pytań, opcji i kontekstu, nieobsługiwane funkcje). Wszystko porównałam z InfoWorld (12.11.2026, Prasanth Aby Thomas), który podaje te same liczby i dodaje porównanie z OpenAI oraz komentarze analityków Omdia i Kadence International. Zaznaczyłam drobną różnicę między blogiem a dokumentacją (256K wobec 262 144 tokenów). Nie otwierałam stron z cennikiem i rate limitami. Sprawdziłam, że temat nie był już poruszany: artykuły o Gemini 4 Hydrogen, Gemini 4 Carbon i Omni 1.2 Flash dotyczą innych produktów.
- Incertezze
- Opóźnienie, 5-krotna oszczędność, zysk 40% w Gemini Notebook i pierwsze miejsce pod względem błędu kalibracji pochodzą z testów Google. Nie znalazłam niezależnej weryfikacji ani danych o dokładności w tekście: benchmarki są tylko na wykresach. Ani blog, ani dokumentacja nie mówią, czy usługa jest w wersji zapoznawczej czy ogólnie dostępna, ale endpoint to v1beta. Brakuje regionów i limitów darmowego poziomu, nie wiadomo też, kiedy usługa trafi do Google Cloud. Według analityka Omdia cytowanego przez InfoWorld zmanipulowane dane wejściowe mogą dawać błędne oceny, a sam wskaźnik pewności nie gwarantuje wiarygodnej oceny.
- Perché pubblicarla
- To nowy typ modelu, który decyduje zamiast generować tekst, stworzony z myślą o agentach, najczęściej śledzonym temacie serwisu. Ma konkretne, sprawdzalne liczby (1000 pytań, zero dolarów za wyjście) i otwiera bezpośrednie porównanie z OpenAI. Pozwala też zapytać, na ile wiarygodna jest automatyzacja oparta na wskaźnikach pewności.