Inferensi prioritas

Gemini Priority API adalah tingkat inferensi premium yang dirancang untuk workload penting bisnis yang memerlukan latensi lebih rendah dan keandalan tertinggi dengan titik harga premium. Traffic tingkat prioritas diprioritaskan di atas traffic API standar dan tingkat Flex.

Inferensi prioritas tersedia di seluruh endpoint Interactions API.

Cara menggunakan Prioritas

Untuk menggunakan tingkat Prioritas, tetapkan kolom service_tier dalam permintaan Anda ke priority. Paket defaultnya adalah standar jika kolom ini tidak diisi.

from google import genai

client = genai.Client()

try:
    interaction = client.interactions.create(
        model="gemini-3-flash-preview",
        input="Triage this critical customer support ticket immediately.",
        service_tier='priority'
    )

    # Validate for graceful downgrade
    # Note: Checking headers might vary by SDK implementation, this is illustrative
    # if interaction.sdk_http_response.headers.get("x-gemini-service-tier") == "standard":
    #     print("Warning: Priority limit exceeded, processed at Standard tier.")

    print(interaction.steps[-1].content[0].text)

except Exception as e:
    print(f"Error during API call: {e}")

import { GoogleGenAI } from '@google/genai';

const ai = new GoogleGenAI({});

async function main() {
  try {
      const interaction = await ai.interactions.create({
          model: "gemini-3-flash-preview",
          input: "Triage this critical customer support ticket immediately.",
          serviceTier: "priority"
      });

      // Validate for graceful downgrade
      // if (interaction.sdkHttpResponse.headers.get("x-gemini-service-tier") === "standard") {
      //     console.log("Warning: Priority limit exceeded, processed at Standard tier.");
      // }

      console.log(interaction.steps.at(-1).content[0].text);

  } catch (e) {
      console.log(`Error during API call: ${e}`);
  }
}

await main();

curl -X POST "https://generativelanguage.googleapis.com/v1beta/interactions" \
  -H "Content-Type: application/json" \
  -H "x-goog-api-key: $GEMINI_API_KEY" \
  -d '{
    "model": "gemini-3-flash-preview",
    "input": "Triage this critical customer support ticket immediately.",
    "service_tier": "priority"
  }'

Cara kerja Inferensi prioritas

Inferensi prioritas merutekan permintaan ke antrean komputasi dengan kritikalitas tinggi, sehingga menawarkan performa yang cepat dan dapat diprediksi untuk aplikasi yang ditampilkan kepada pengguna. Mekanisme utamanya adalah downgrade sisi server yang lancar ke pemrosesan standar untuk traffic yang melebihi batas dinamis, sehingga memastikan stabilitas aplikasi, bukan membuat permintaan gagal.

Manfaat utama

• Latensi rendah: Dirancang untuk waktu respons dalam hitungan detik untuk alat AI interaktif yang ditujukan bagi pengguna.
• Keandalan tinggi: Traffic diperlakukan dengan tingkat kepentingan tertinggi dan tidak dapat dihilangkan.
• Degradasi yang lancar: Lonjakan traffic yang melebihi batas dinamis akan diturunkan secara otomatis ke tingkat Standard untuk diproses, bukan gagal, sehingga mencegah gangguan layanan.
• Gesekan rendah: Menggunakan metode create sinkron yang sama dengan tingkat standar dan Flex.

Kasus penggunaan

Pemrosesan prioritas ideal untuk alur kerja penting bisnis yang mengutamakan performa dan keandalan.

• Aplikasi AI interaktif: Chatbot dan kopilot layanan pelanggan yang penggunanya membayar biaya premium dan mengharapkan respons yang cepat dan konsisten.
• Mesin pengambilan keputusan real-time: Sistem yang memerlukan hasil yang sangat andal dan berlatensi rendah, seperti triase tiket live atau deteksi penipuan.
• Fitur pelanggan premium: Developer yang perlu menjamin tujuan tingkat layanan (SLO) yang lebih tinggi untuk pelanggan berbayar.

Batas kapasitas

Penggunaan prioritas memiliki batas kapasitasnya sendiri meskipun penggunaan dihitung dalam batas kapasitas traffic interaktif keseluruhan. Batas frekuensi default untuk inferensi Prioritas adalah batas frekuensi standar 0,3x untuk Model / Tingkat

Logika downgrade yang lancar

Jika batas Prioritas terlampaui karena kemacetan, permintaan yang meluap akan diturunkan secara otomatis dan lancar ke pemrosesan Standar, bukan gagal dengan error 503 atau 429. Permintaan yang di-downgrade ditagih dengan tarif standar, bukan tarif premium Prioritas.

Tanggung jawab klien

• Pemantauan respons: Developer harus memantau header x-gemini-service-tier dalam respons API untuk mendeteksi apakah permintaan sering diturunkan ke standard.
• Percobaan ulang: Klien harus menerapkan logika percobaan ulang/backoff eksponensial untuk error standar, seperti DEADLINE_EXCEEDED.

Harga

Inferensi prioritas dihargai 75-100% lebih mahal daripada API standar dan ditagih per token.

Model yang didukung

Model berikut mendukung Inferensi prioritas:

Langkah berikutnya

• Inferensi fleksibel untuk pengurangan biaya.
• Token: Pahami token.