Inferenza con priorità

L'API Gemini Priority è un livello di inferenza premium progettato per workload mission critical che richiedono una latenza inferiore e la massima affidabilità a un prezzo premium. Il traffico del livello Priority ha la priorità rispetto al traffico dell'API standard e del livello Flex.

L'inferenza con priorità è disponibile in tutti gli endpoint dell'API Interactions.

Come utilizzare la priorità

Per utilizzare il livello Priority, imposta il campo service_tier della richiesta su priority. Se il campo viene omesso, il livello predefinito è standard.

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"
  }'

Come funziona l'inferenza con priorità

L'inferenza con priorità indirizza le richieste alle code di calcolo ad alta criticità, offrendo prestazioni veloci e prevedibili per le applicazioni rivolte agli utenti. Il suo meccanismo principale è un downgrade controllato lato server all'elaborazione standard per il traffico che supera i limiti dinamici, garantendo la stabilità dell'applicazione anziché la mancata riuscita della richiesta.

Vantaggi principali

• Bassa latenza: progettata per tempi di risposta in secondi per gli strumenti di AI interattivi rivolti agli utenti.
• Elevata affidabilità: il traffico viene trattato con la massima criticità ed è strettamente non eliminabile.
• Riduzione controllata: i picchi di traffico che superano i limiti dinamici vengono automaticamente sottoposti a downgrade al livello Standard per l'elaborazione anziché non riuscire, evitando interruzioni del servizio.
• Basso attrito: utilizza lo stesso metodo sincrono create dei livelli Standard e Flex.

Casi d'uso

L'elaborazione con priorità è ideale per i workflow mission critical in cui le prestazioni e l'affidabilità sono fondamentali.

• Applicazioni di AI interattive: chatbot e copiloti dell'assistenza clienti in cui gli utenti pagano un premio e si aspettano risposte rapide e coerenti.
• Motori decisionali in tempo reale: sistemi che richiedono risultati a bassa latenza e altamente affidabili , come il triage dei ticket live o il rilevamento delle frodi.
• Funzionalità premium per i clienti: sviluppatori che devono garantire obiettivi di livello di servizio (SLO) più elevati per i clienti paganti.

Limiti di frequenza

Il consumo con priorità ha i propri limiti di frequenza, anche se il consumo viene conteggiato ai fini dei limiti di frequenza del traffico interattivo complessivo. I limiti di frequenza predefiniti per l'inferenza con priorità sono 0,3 volte il limite di frequenza standard per modello / livello

Logica di downgrade controllato

Se i limiti di priorità vengono superati a causa della congestione, le richieste di overflow vengono sottoposte a downgrade automatico e controllato all'elaborazione standard anziché non riuscire con un errore 503 o 429. Le richieste sottoposte a downgrade vengono fatturate alla tariffa standard, non alla tariffa premium con priorità.

Responsabilità del cliente

• Monitoraggio delle risposte: gli sviluppatori devono monitorare l'x-gemini-service-tier intestazione nella risposta dell'API per rilevare se le richieste vengono sottoposte a downgrade frequente a standard.
• Nuovi tentativi: i client devono implementare la logica di ripetizione/il backoff esponenziale per gli errori standard, ad esempio DEADLINE_EXCEEDED.

Prezzi

L'inferenza con priorità ha un prezzo superiore del 75-100% rispetto all'API standard e viene fatturata per token.

Modelli supportati

I seguenti modelli supportano l'inferenza con priorità:

Passaggi successivi

• Inferenza Flex per la riduzione dei costi.
• Token: informazioni sui token.