Vad nyheten betyder
Google DeepMind har öppnat Gemini Decisions API, ett gränssnitt som ett program använder när det vill ha ett svar från en tjänst. Bakom gränssnittet sitter modellen Gemini Decision 1. En modell är här programmet som tolkar innehållet och föreslår ett svar. Vanliga språkmodeller skriver ofta svaret ord för ord. Gemini Decision 1 är byggd för slutna val, alltså frågor där alternativen redan är bestämda: ja eller nej, ett alternativ bland flera, eller en plats på en skala som du själv formulerar. Modellen räknar hur troligt varje alternativ är och skickar med en säkerhet, så att programmet ser skillnaden mellan ett tydligt svar och ett tveksamt.
Underlaget kan vara text, bild, ljud, video eller en PDF. PDF betyder ett färdigt dokument, ofta en inskannad sida eller en blankett. Flera former kan ligga tillsammans. En inspelning kan följa med uppgifter om ett konto, och en inskannad skadeanmälan kan följa med foton på skadan. Upplösningen på bild och video går att ställa, så att mer detalj i bilden ger fler tokens. En token är en liten bit av innehållet, ungefär ett ordstycke, som tjänsten räknar.
Tre sorters frågor i samma anrop
I ett enda anrop, alltså ett meddelande från programmet till tjänsten, går det att ställa många oberoende frågor mot samma underlag. Frågetyperna kan blandas. Google visar det med ett foto av en diskbänk i ett personalrum och en textrad om att ytan ska kollas inför ett kundmöte.
Den första typen heter noul och är ett ja- eller nej-test. Modellen uppskattar hur troligt det är att villkoret stämmer, och du kan beskriva vad som räknas som sant respektive falskt. I exemplet är frågan om det finns en otorkad vätskefläck på bänken. Den andra typen heter choice och är ett flerval. Du namnger och beskriver alternativen. Varje kandidat får en andel av sannolikheten, och ett alternativ pekas ut som vinnare. I exemplet står valet mellan att torka med en duk som redan finns nära, att kalla på städpersonal vid en större risk, eller att se bänken som klar. Den tredje typen heter score och är en ordnad skala. Nivåerna ligger i följd från det lugna till det allvarliga. Tillbaka kommer en sammanvägd poäng och en sannolikhet per nivå. Skalan i exemplet går från ren och klar, via ett litet spill, till ett stort spill eller en säkerhetsrisk.
Varje svar bär med sig en säkerhet. När den är låg kan koden skicka fallet till en fallback eller till en människa. Fallback betyder en förberedd reservväg, till exempel att en annan rutin tar över när modellen själv är osäker.
Där besluten redan används
Gränssnittet är tänkt för avgränsade beslut: vilket verktyg som ska användas härnäst, om en regel är uppfylld, vilken modell en fråga ska skickas till, och hur ett underlag ska betygsättas. Verktygsval betyder att programmet pekar ut nästa funktion. Regelkoll betyder att innehållet jämförs med ett villkor du redan skrivit. Modellstyrning betyder att en enkel fråga och en svår fråga kan ta olika vägar. Poängen räknas i ett enda svep, utan att en lång svarstext byggs ord för ord.
Google skriver att egna team redan använder gränssnittet som ett snabbt styrlager. Gemini Notebook väljer nivå på modell och eftertanke utifrån vad frågan verkar handla om, så att vardagsfrågor tar en kortare väg och tyngre resonemang sparas till svårare uppgifter. I Stitch finns ett experiment, rapid canvas, som tar fram klickbara skisser av ett helt flöde och låter ändringar med röst eller tryck slå igenom nästan direkt. När flödet känns rätt går skisserna vidare till den vanliga Stitch-ytan. CC från Google Labs väljer en emoji-reaktion ur en stor palett, så att reaktionen kommer utan extra väntan. Google Search använder spåret för att upptäcka fientligt beteende och fientligt innehåll, alltså försök att lura systemet, inom den tid sökningen redan har på sig.
Fältet för indata använder samma innehållsformat som Interactions API, ett annat gränssnitt hos Google. Det delade underlaget räknas en gång per anrop, oavsett hur många frågor som hänger på. Varje fråga lägger bara till sina egna instruktioner och kriterier. Källan uppger att utgående tokens inte ger en egen avgift, att extra tänketid inte räknas rörligt, och att ljudavskrift och tolkning av text i bilder inte läggs på för sig. I Google AI Studio finns en nivå utan avgift för den som vill prova. Samma källa uppger att Gemini Decision 1 ligger främst på jämförelser som täcker styrning av agenter, resonemang, rangordning och förståelse av flera medietyper, med lägst fel i kalibreringen. En agent är här ett program som väljer nästa steg. Rangordning betyder att alternativ läggs i ordning. Kalibrering betyder att säkerheten som anges ligger nära hur ofta svaret faktiskt stämmer. Stöd kommer hos verktyg som OpenRouter, LangChain, Vercel, LiteLLM, Pydantic AI, Pipecat, LiveKit och OpenCode, vid sidan av Googles eget programpaket, och är på väg till Gemini i Google Cloud.
Prova själv
-
Öppna Google AI Studio, hämta en nyckel och öppna lekplatsen för Decisions API. En nyckel är koden som talar om för tjänsten vem som frågar. I lekplatsen går ett anrop att testa utan ett eget program.
-
Öppna ett av exemplen Doorstep Parcels, Speed Sketch eller Find the Zoo Keeper. Följ vilket underlag som skickas in och om svaret är ett ja eller nej, ett val, eller en poäng på en skala.
-
Gör en egen liten körning med en bild du redan har, till exempel ett foto av ett skrivbord. Ställ ett ja- eller nej-test och ett flerval med alternativ du själv beskriver. Läs säkerheten och bestäm innan vad som ska hända om den är låg, till exempel att en människa tittar en gång till.
-
När det känns begripligt, följ guiden för Python, JavaScript eller REST och bygg samma upplägg som personalrummet: en bild, en textrad och tre frågetyper mot samma underlag.
Källa: blog.google
Texten är skriven med hjälp av AI utifrån källan ovan och granskad innan publicering. Hittar du ett fel? Skriv i forumet.

