Google запускает Gemini Decision 1: решения по видео за $0,10 на миллион токенов

В поддержку приходит заявка с фотографией повреждённого товара. Приложению нужно определить тип проблемы, выбрать отдел и понять, требуется ли ручная проверка. Генерировать для этого несколько абзацев объяснений обычно незачем. Google выпустила Gemini Decisions API: разработчик задаёт материал и допустимые варианты ответа, а модель Gemini Decision 1 возвращает оценки, с которыми дальше работает код.

Практический интерес здесь — в возможности вынести повторяющиеся проверки в отдельный вызов. Например, сначала распределить обращения, а уже затем передать сложные случаи человеку или модели, которая подготовит ответ клиенту. Для команды это повод проверить, сколько времени и денег сейчас уходит на генерацию текста ради одного служебного решения.

Что получает приложение

По анонсу Google, API принимает текст, изображения, аудио, видео и PDF. Поддерживаются три типа вопросов: «да/нет», выбор из заданных вариантов и оценка по описанной шкале. Цена составляет $0,10 за миллион входных токенов; плата за выходные токены отсутствует.

Представим сервис приёмки квартир. Пользователь загружает видео комнаты и комментарий: «После дождя появилась вода возле окна». Команда может сформулировать несколько независимых вопросов: видны ли следы протечки, какому специалисту направить обращение, насколько срочно нужна проверка. Это пример возможного применения, а не опубликованный результат испытаний продукта.

Качество такого сценария начинается с формулировок. Вопрос «Всё ли здесь нормально?» оставляет слишком много места для трактовки. Полезнее перечислить наблюдаемые признаки и описать категории: вода на полу, пятна на стене, повреждение отделки. Для оценки срочности тоже нужны понятные критерии, иначе число будет трудно связать с действием.

Почему 92% — ещё не гарантия

Саймон Уиллисон проверил API на видео с роботом. Он спросил, есть ли в кадре дракон или робот и происходит ли действие во Франции или США. В приведённом ответе вероятность наличия робота составила около 92,3%, дракона — около 5%. Для США модель вернула примерно 92,3%, для Франции — 8,3%.

Этот опыт показывает формат ответа и способность обработать конкретный ролик. Он не устанавливает точность модели на произвольных видео. И главное: оценка 92% сама по себе не означает, что среди ста похожих решений ровно 92 окажутся правильными. Такое соответствие нужно проверять на размеченных примерах из своей задачи.

С географией есть дополнительная ловушка. Уверенно распознать объект и определить страну съёмки — разные задачи. В кадре может быть достаточно признаков робота, но недостаточно сведений о месте. Если ошибка влияет на деньги или доступ пользователя к услуге, полезно предусмотреть исход «данных недостаточно», а также путь к ручной проверке.

Как проверить пользу до внедрения

Я бы начал с одной операции, которую продукт уже выполняет регулярно: распределения заявок, проверки комплектности документа или выбора следующего инструмента для агента. Для первого сравнения нужны реальные примеры с известным правильным ответом, включая неудобные случаи: плохие фотографии, противоречивые комментарии, несколько проблем одновременно.

Дальше стоит измерить три вещи: долю ошибочных решений, время обработки и стоимость заявки целиком. Цена миллиона токенов помогает сравнить тарифы, но продукт платит за обработанный материал. Длинный ролик и короткое текстовое обращение могут давать совсем разную экономику. Повторные вызовы и ручная проверка тоже входят в расчёт.

Порог автоматизации лучше выбирать по цене ошибки. Неверно назначенный тег обычно легко исправить. Ошибочно отклонённая претензия уже создаёт конфликт с клиентом. Поэтому одинаковая оценка модели может разрешать автоматическое действие в одном процессе и требовать проверки в другом.

Gemini Decisions API заслуживает теста там, где варианты действий известны заранее. Начать можно с режима наблюдения: сохранять решения модели рядом с решениями сотрудников, разбирать расхождения и только после этого включать автоматическую обработку. Так команда получит ответ на главный вопрос: помогает ли новый API именно её продукту.