И это не первый раз. API вышел в бету в декабре — и уже в декабре получил первое ломающее изменение. Кто строил на нём рано, мигрирует второй раз за пять месяцев — и вопрос тут уже не в полях, а в доверии к самой поверхности.
Стоит читать если: используете Gemini Interactions API в интеграции. Можно пропустить если: не трогаете его — тогда сразу к разделу про AlphaEvolve ниже, там интереснее.
Что меняется и до какого числа
Конкретика, ради которой это вообще читают:
- схема запросов и ответов:
outputsпереименовывается вsteps; - меняется конфигурация формата вывода
response_format; - 26 мая 2026 — новая схема становится схемой по умолчанию;
- 8 июня 2026 — устаревшая схема удаляется полностью; интеграции на ней перестают работать;
- порядок перехода — в migration guide.
Почему это не разовая неприятность
Вернёмся к той самой «биографии» — по хронологии из того же changelog:
- 11 декабря 2025 — запуск в бете: единый интерфейс к моделям и агентам Gemini.
- 19 декабря 2025 — первое ломающее изменение:
total_reasoning_tokens→total_thought_tokens. - 6 мая 2026 — второе: схема
outputs→stepsплюсresponse_format.
Два несовместимых изменения схемы за пять месяцев — это динамика, а не случайность. Практический вывод простой: не протягивайте поля ответа Interactions API сквозь весь кодовый базис. Изолируйте его за тонким адаптером — следующий цикл, судя по этой динамике, придёт с тем же.
А вот ради чего стоит дочитать: AlphaEvolve
Пока публичный API штормит, внутренний агент Google показывает, ради чего эта поверхность вообще строится. DeepMind подвёл годовой итог по AlphaEvolve — это агент на базе Gemini, который сам проектирует и улучшает алгоритмы. За год он перестал быть демо и стал рабочим инструментом сразу в нескольких очень разных областях. Ниже — по одному-двум показательным результатам на каждую, чтобы был виден масштаб, а не список ради списка.
В собственной инфраструктуре Google. Самое показательное: предложенную агентом схему сочли настолько эффективной, что встроили прямо в кремний TPU следующего поколения. Из более приземлённого — он за два дня подобрал политику вытеснения кэша, на которую вручную уходили месяцы, и снизил «усиление записи» (write amplification) в Google Spanner на 20%.
В науке. Здесь AlphaEvolve работает как исследовательский напарник. На квантовом процессоре Willow он предложил схемы с ошибкой в десять раз меньше прежней — этого хватило, чтобы запустить сложные молекулярные симуляции. В чистой математике он вместе с Теренсом Тао продвинулся по задачам Эрдёша и улучшил известные границы для классических задач вроде коммивояжёра.
В социально значимых задачах. Эффект тут измеряется не процентами ради процентов, а качеством данных и решений. В геномике агент срезал ошибки определения вариантов ДНК почти на треть. В оптимизации энергосетей доля задач, для которых модель находит выполнимое решение, выросла с 14% до 88% — это разница между «иногда срабатывает» и «срабатывает почти всегда».
В коммерции, через Google Cloud. Несколько компаний прогнали через него свои узкие места. Klarna вдвое ускорила обучение своей самой большой модели; FM Logistic срезала 10,4% лишнего пробега — больше 15 000 км в год; Schrödinger получила примерно четырёхкратное ускорение в своём химическом стеке.
Анонс AlphaEvolve (Google DeepMind)
Что это значит
Две истории рифмуются. Внутри Google агентная инфраструктура итерируется быстро и даёт измеримый эффект — AlphaEvolve показывает, куда движется «Gemini-как-агент». Снаружи публичный контракт под ту же возможность ломается с тем же темпом.
Для интегратора вывод практический: возможности интересны, но земля под публичным API ещё подвижна — держите Interactions API за адаптером, а не в бизнес-логике, ещё цикл-два.