{
  "aboutHtml": "<p>Gemini Embedding 2 Preview ist Googles benannte Vorschauausgabe seiner nativen multimodalen Embedding-Familie. Sie bildet Text, Bilder, Video, Audio und PDF auf einen gemeinsamen numerischen Raum ab, in dem semantische Absichten über mehr als 100 Sprachen hinweg repräsentiert werden. Die Ausgabe besteht aus Embeddings: Vektoren zum Vergleichen und Abrufen zusammengehörigen Materials. Diese Preview-Identität bleibt von der stabilen Ausgabe Gemini Embedding 2 getrennt und impliziert weder austauschbare Gewichte noch einen identischen Vektorraum.</p><p>Die ursprüngliche Ankündigung beschreibt modalitätsübergreifende Suche, Klassifikation, Clustering, Stimmungsanalyse und Retrieval-Augmented Generation als nachgelagerte Anwendungen. Eine Textanfrage kann ein verwandtes visuelles Element finden, während ein Bild oder Clip ebenfalls als Suchausgangspunkt dienen kann. Eine Anwendung speichert die Repräsentationen, vergleicht sie und gibt die zugehörigen Datensätze zurück; ein separates Sprachmodell kann das abgerufene Quellmaterial zum Verfassen einer Antwort verwenden. Das Embedding selbst enthält keine natürlichsprachliche Erklärung und kein Transkript.</p><p>Die eigene Modellseite dokumentiert eine Eingabegrenze von 8’192 Tokens und Ausgabedimensionen von 128 bis 3’072, mit 768, 1’536 und 3’072 als empfohlenen Grössen. Die Preview-Ankündigung nennt einen Standard von 3’072 und beschreibt Matryoshka Representation Learning, das nützliche Informationen in kürzeren Präfixen der Repräsentation erhält. Verwenden Sie eine gewählte Dimension für Vektoren, die verglichen werden müssen, und halten Sie die Modellversion zusammen mit der Sammlung fest, statt Repräsentationen allein wegen übereinstimmender Längen zusammenzuführen.</p><p>Die Preview-Ankündigung dokumentiert bis zu sechs PNG- oder JPEG-Bilder pro Anfrage, bis zu 120 Sekunden MP4- oder MOV-Video und PDF-Dokumente mit bis zu sechs Seiten. Sie dokumentiert ausserdem direktes Audio-Embedding ohne zwischengeschaltete Texttranskription. Diese Spezifikationen stammen aus der eigenen Preview-Ankündigung und nicht aus dem späteren Leitfaden zur stabilen Ausgabe. Die Ankündigung legt nicht jede aktuelle Grenze für Audiodauer, Codec oder Einzelbildabtastung dieses konkreten Preview-Profils fest.</p><p>Eine Eingabe mit abwechselnden multimodalen Inhalten lässt die Repräsentation Beziehungen zwischen Medien widerspiegeln, etwa zwischen einem Bild und seiner Bildunterschrift. Stellen Sie für einen Produktkatalog Foto und freigegebene Beschreibung gemeinsam bereit, wenn sie ein abrufbares Objekt beschreiben. Teilen Sie bei einer Dokumentensammlung die Quelle in fokussierte Passagen oder Seiten auf und bewahren Sie Titel und Position. Wählen Sie bei einer Medienbibliothek einen Clip passend zu dem Ereignis, das Nutzer finden sollen, und speichern Sie seinen ursprünglichen Zeitbereich beim Datensatz.</p><p>Eine nützliche Suchaufgabe macht die beabsichtigte Beziehung deutlich. Eine Frage nach einer Erklärung, eine Suche nach visuell ähnlichen Elementen und thematisches Clustering sind unterschiedliche Aufgaben, selbst wenn sie dieselbe Quellsammlung verwenden. Bereiten Sie Inhalte einheitlich vor, protokollieren Sie Modellversion und Dimension und verknüpfen Sie jeden Vektor mit seiner Quelle. Ähnlichkeit liefert Kandidaten zur Prüfung durch die Anwendung; sie ist kein Beweis, dass zwei Datensätze denselben Fakt aussagen oder eine abgerufene Quelle eine Frage vollständig beantwortet.</p><p>Repräsentieren Sie für eine praktische Mediensuche das gewählte Bild oder den Videoausschnitt und vergleichen Sie es mit der Beschreibung des gewünschten Inhalts. Präsentieren Sie die passende Quelle zusammen mit ihrer Bildunterschrift oder ihrem Zeitbereich, damit Nutzer sie prüfen können. Rufen Sie für einen Wissensassistenten die relevante Seite oder Passage ab, bevor Sie die schriftliche Antwort generieren. Die Rolle des Preview-Modells ist die multimodale numerische Repräsentation, die diese Auswahlschritte unterstützt; Speicherung, Rankingregeln und abschliessende Antwort bleiben Bestandteile des umgebenden Workflows.</p>",
  "aboutText": "Gemini Embedding 2 Preview ist Googles benannte Vorschauausgabe seiner nativen multimodalen Embedding-Familie. Sie bildet Text, Bilder, Video, Audio und PDF auf einen gemeinsamen numerischen Raum ab, in dem semantische Absichten über mehr als 100 Sprachen hinweg repräsentiert werden. Die Ausgabe besteht aus Embeddings: Vektoren zum Vergleichen und Abrufen zusammengehörigen Materials. Diese Preview-Identität bleibt von der stabilen Ausgabe Gemini Embedding 2 getrennt und impliziert weder austauschbare Gewichte noch einen identischen Vektorraum.\n\nDie ursprüngliche Ankündigung beschreibt modalitätsübergreifende Suche, Klassifikation, Clustering, Stimmungsanalyse und Retrieval-Augmented Generation als nachgelagerte Anwendungen. Eine Textanfrage kann ein verwandtes visuelles Element finden, während ein Bild oder Clip ebenfalls als Suchausgangspunkt dienen kann. Eine Anwendung speichert die Repräsentationen, vergleicht sie und gibt die zugehörigen Datensätze zurück; ein separates Sprachmodell kann das abgerufene Quellmaterial zum Verfassen einer Antwort verwenden. Das Embedding selbst enthält keine natürlichsprachliche Erklärung und kein Transkript.\n\nDie eigene Modellseite dokumentiert eine Eingabegrenze von 8’192 Tokens und Ausgabedimensionen von 128 bis 3’072, mit 768, 1’536 und 3’072 als empfohlenen Grössen. Die Preview-Ankündigung nennt einen Standard von 3’072 und beschreibt Matryoshka Representation Learning, das nützliche Informationen in kürzeren Präfixen der Repräsentation erhält. Verwenden Sie eine gewählte Dimension für Vektoren, die verglichen werden müssen, und halten Sie die Modellversion zusammen mit der Sammlung fest, statt Repräsentationen allein wegen übereinstimmender Längen zusammenzuführen.\n\nDie Preview-Ankündigung dokumentiert bis zu sechs PNG- oder JPEG-Bilder pro Anfrage, bis zu 120 Sekunden MP4- oder MOV-Video und PDF-Dokumente mit bis zu sechs Seiten. Sie dokumentiert ausserdem direktes Audio-Embedding ohne zwischengeschaltete Texttranskription. Diese Spezifikationen stammen aus der eigenen Preview-Ankündigung und nicht aus dem späteren Leitfaden zur stabilen Ausgabe. Die Ankündigung legt nicht jede aktuelle Grenze für Audiodauer, Codec oder Einzelbildabtastung dieses konkreten Preview-Profils fest.\n\nEine Eingabe mit abwechselnden multimodalen Inhalten lässt die Repräsentation Beziehungen zwischen Medien widerspiegeln, etwa zwischen einem Bild und seiner Bildunterschrift. Stellen Sie für einen Produktkatalog Foto und freigegebene Beschreibung gemeinsam bereit, wenn sie ein abrufbares Objekt beschreiben. Teilen Sie bei einer Dokumentensammlung die Quelle in fokussierte Passagen oder Seiten auf und bewahren Sie Titel und Position. Wählen Sie bei einer Medienbibliothek einen Clip passend zu dem Ereignis, das Nutzer finden sollen, und speichern Sie seinen ursprünglichen Zeitbereich beim Datensatz.\n\nEine nützliche Suchaufgabe macht die beabsichtigte Beziehung deutlich. Eine Frage nach einer Erklärung, eine Suche nach visuell ähnlichen Elementen und thematisches Clustering sind unterschiedliche Aufgaben, selbst wenn sie dieselbe Quellsammlung verwenden. Bereiten Sie Inhalte einheitlich vor, protokollieren Sie Modellversion und Dimension und verknüpfen Sie jeden Vektor mit seiner Quelle. Ähnlichkeit liefert Kandidaten zur Prüfung durch die Anwendung; sie ist kein Beweis, dass zwei Datensätze denselben Fakt aussagen oder eine abgerufene Quelle eine Frage vollständig beantwortet.\n\nRepräsentieren Sie für eine praktische Mediensuche das gewählte Bild oder den Videoausschnitt und vergleichen Sie es mit der Beschreibung des gewünschten Inhalts. Präsentieren Sie die passende Quelle zusammen mit ihrer Bildunterschrift oder ihrem Zeitbereich, damit Nutzer sie prüfen können. Rufen Sie für einen Wissensassistenten die relevante Seite oder Passage ab, bevor Sie die schriftliche Antwort generieren. Die Rolle des Preview-Modells ist die multimodale numerische Repräsentation, die diese Auswahlschritte unterstützt; Speicherung, Rankingregeln und abschliessende Antwort bleiben Bestandteile des umgebenden Workflows.",
  "editorialOverlay": {
    "copy_fields": null,
    "copy_sha256": null,
    "copy_source": null,
    "html_sha256": "2105c2ac96eb9b84be9ab092f9572a3a1ee177f61ef0ad9ea1ffc98aba3e6b7f",
    "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06",
    "raw_model_unchanged": true,
    "schema": "ailoot-native-model-editorial-v1"
  },
  "locale": "de-ch",
  "methods": [
    {
      "html": "<div class=\"sheet-head\"><span class=\"mav\" aria-hidden=\"true\">G</span><h2 id=\"sheet-title\">Google: Gemini Embedding 2 Preview</h2><button class=\"icon-btn\" type=\"button\" data-close-sheet aria-label=\"Schliessen\">×</button></div><div class=\"idline\"><span>Google /</span><code>google/gemini-embedding-2-preview</code><button type=\"button\" id=\"copy-id\">ID kopieren</button></div><nav class=\"card-jump-nav\" aria-label=\"Bereiche der Modellkarte\"><button type=\"button\" data-card-jump=\"overview\">Einstieg</button><button type=\"button\" data-card-jump=\"methods\">Eingaben und Methoden</button><button type=\"button\" data-card-jump=\"pricing\">Tarife</button><button type=\"button\" data-card-jump=\"examples\">Beispiele</button><button type=\"button\" data-card-jump=\"results\">Ergebnisse</button><button type=\"button\" data-card-jump=\"aliases\">Aliasnamen</button></nav><div class=\"card-method-tabs\" role=\"tablist\" aria-label=\"API-Methoden\"><button type=\"button\" role=\"tab\" tabindex=\"0\" aria-controls=\"card-method-content\" aria-selected=\"true\" id=\"card-method-tab-0\" data-card-method=\"Ultra|embeddings|/v1/embeddings|google%2Fgemini-embedding-2-preview\">Embeddings</button></div><div id=\"card-method-content\" role=\"tabpanel\" aria-labelledby=\"card-method-tab-0\"><section class=\"card-section\" data-card-section=\"overview\"><h3 tabindex=\"-1\">Einstieg</h3><p class=\"mdesc-full\">Gemini Embedding 2 Preview wandelt Text, Bilder, Audio, Video und PDF in numerische Vektoren in einem multimodalen Raum um. Sein separat dokumentiertes Preview-Profil unterstützt modalitätsübergreifende Informationssuche und Vergleiche, eine Eingabe von 8’192 Tokens und flexible Vektordimensionen.</p><dl class=\"card-io\" data-card-io><div><dt>Zulässige Eingaben</dt><dd>Text</dd></div><div><dt>Ergebnisse</dt><dd>embedding</dd></div></dl><details class=\"card-about\"><summary>Über das Modell</summary><p class=\"note-s\" data-model-method-boundary>Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.</p><div class=\"mabout\" id=\"m-about\"><p>Gemini Embedding 2 Preview ist Googles benannte Vorschauausgabe seiner nativen multimodalen Embedding-Familie. Sie bildet Text, Bilder, Video, Audio und PDF auf einen gemeinsamen numerischen Raum ab, in dem semantische Absichten über mehr als 100 Sprachen hinweg repräsentiert werden. Die Ausgabe besteht aus Embeddings: Vektoren zum Vergleichen und Abrufen zusammengehörigen Materials. Diese Preview-Identität bleibt von der stabilen Ausgabe Gemini Embedding 2 getrennt und impliziert weder austauschbare Gewichte noch einen identischen Vektorraum.</p><p>Die ursprüngliche Ankündigung beschreibt modalitätsübergreifende Suche, Klassifikation, Clustering, Stimmungsanalyse und Retrieval-Augmented Generation als nachgelagerte Anwendungen. Eine Textanfrage kann ein verwandtes visuelles Element finden, während ein Bild oder Clip ebenfalls als Suchausgangspunkt dienen kann. Eine Anwendung speichert die Repräsentationen, vergleicht sie und gibt die zugehörigen Datensätze zurück; ein separates Sprachmodell kann das abgerufene Quellmaterial zum Verfassen einer Antwort verwenden. Das Embedding selbst enthält keine natürlichsprachliche Erklärung und kein Transkript.</p><p>Die eigene Modellseite dokumentiert eine Eingabegrenze von 8’192 Tokens und Ausgabedimensionen von 128 bis 3’072, mit 768, 1’536 und 3’072 als empfohlenen Grössen. Die Preview-Ankündigung nennt einen Standard von 3’072 und beschreibt Matryoshka Representation Learning, das nützliche Informationen in kürzeren Präfixen der Repräsentation erhält. Verwenden Sie eine gewählte Dimension für Vektoren, die verglichen werden müssen, und halten Sie die Modellversion zusammen mit der Sammlung fest, statt Repräsentationen allein wegen übereinstimmender Längen zusammenzuführen.</p><p>Die Preview-Ankündigung dokumentiert bis zu sechs PNG- oder JPEG-Bilder pro Anfrage, bis zu 120 Sekunden MP4- oder MOV-Video und PDF-Dokumente mit bis zu sechs Seiten. Sie dokumentiert ausserdem direktes Audio-Embedding ohne zwischengeschaltete Texttranskription. Diese Spezifikationen stammen aus der eigenen Preview-Ankündigung und nicht aus dem späteren Leitfaden zur stabilen Ausgabe. Die Ankündigung legt nicht jede aktuelle Grenze für Audiodauer, Codec oder Einzelbildabtastung dieses konkreten Preview-Profils fest.</p><p>Eine Eingabe mit abwechselnden multimodalen Inhalten lässt die Repräsentation Beziehungen zwischen Medien widerspiegeln, etwa zwischen einem Bild und seiner Bildunterschrift. Stellen Sie für einen Produktkatalog Foto und freigegebene Beschreibung gemeinsam bereit, wenn sie ein abrufbares Objekt beschreiben. Teilen Sie bei einer Dokumentensammlung die Quelle in fokussierte Passagen oder Seiten auf und bewahren Sie Titel und Position. Wählen Sie bei einer Medienbibliothek einen Clip passend zu dem Ereignis, das Nutzer finden sollen, und speichern Sie seinen ursprünglichen Zeitbereich beim Datensatz.</p><p>Eine nützliche Suchaufgabe macht die beabsichtigte Beziehung deutlich. Eine Frage nach einer Erklärung, eine Suche nach visuell ähnlichen Elementen und thematisches Clustering sind unterschiedliche Aufgaben, selbst wenn sie dieselbe Quellsammlung verwenden. Bereiten Sie Inhalte einheitlich vor, protokollieren Sie Modellversion und Dimension und verknüpfen Sie jeden Vektor mit seiner Quelle. Ähnlichkeit liefert Kandidaten zur Prüfung durch die Anwendung; sie ist kein Beweis, dass zwei Datensätze denselben Fakt aussagen oder eine abgerufene Quelle eine Frage vollständig beantwortet.</p><p>Repräsentieren Sie für eine praktische Mediensuche das gewählte Bild oder den Videoausschnitt und vergleichen Sie es mit der Beschreibung des gewünschten Inhalts. Präsentieren Sie die passende Quelle zusammen mit ihrer Bildunterschrift oder ihrem Zeitbereich, damit Nutzer sie prüfen können. Rufen Sie für einen Wissensassistenten die relevante Seite oder Passage ab, bevor Sie die schriftliche Antwort generieren. Die Rolle des Preview-Modells ist die multimodale numerische Repräsentation, die diese Auswahlschritte unterstützt; Speicherung, Rankingregeln und abschliessende Antwort bleiben Bestandteile des umgebenden Workflows.</p></div></details></section><section class=\"card-section\" data-card-section=\"methods\"><h3 tabindex=\"-1\">In Ailoot verfügbar · Eingaben und Methoden</h3><details class=\"card-method\" open><summary><b>Ailoot Ultra · Einbettungsvektoren</b> <code>POST /v1/embeddings</code></summary><dl class=\"method-capabilities\"><div><dt>Eingabe</dt><dd><code>text</code></dd></div><div><dt>Ausgabe</dt><dd><code>embedding</code></dd></div><div><dt>Kontext</dt><dd>8'192 tokens</dd></div><div><dt>Ausgabeformat</dt><dd>json</dd></div></dl><div class=\"tw\" data-card-parameters data-typed-parameters><table><thead><tr><th>Feld</th><th>Typ</th><th>Anforderung</th><th>Werte und Limits</th><th>Standard</th></tr></thead><tbody><tr data-parameter-availability=\"source_interface\"><th data-cell-label=\"Feld\" scope=\"row\"><span class=\"card-cell-label\">Feld</span><code class=\"card-field-name\">model</code></th><td data-cell-label=\"Typ\" data-field-type><span class=\"card-cell-label\">Typ</span><code>string</code></td><td data-cell-label=\"Anforderung\"><span class=\"card-cell-label\">Anforderung</span>Erforderlich</td><td data-cell-label=\"Werte und Limits\"><span class=\"card-cell-label\">Werte und Limits</span><div>google/gemini-embedding-2-preview</div></td><td data-cell-label=\"Standard\" data-default=\"unspecified\"><span class=\"card-cell-label\">Standard</span>—</td></tr><tr data-parameter-availability=\"source_interface\"><th data-cell-label=\"Feld\" scope=\"row\"><span class=\"card-cell-label\">Feld</span><code class=\"card-field-name\">input</code></th><td data-cell-label=\"Typ\" data-field-type><span class=\"card-cell-label\">Typ</span><code>string|string[]</code></td><td data-cell-label=\"Anforderung\"><span class=\"card-cell-label\">Anforderung</span>Erforderlich</td><td data-cell-label=\"Werte und Limits\"><span class=\"card-cell-label\">Werte und Limits</span></td><td data-cell-label=\"Standard\" data-default=\"unspecified\"><span class=\"card-cell-label\">Standard</span>—</td></tr></tbody></table></div><details class=\"card-about\" data-material-combinations><summary>Kombinationen von Eingabematerialien</summary><p class=\"note-s\"><b>text_to_embedding</b></p></details><details class=\"note-s\" data-method-contract><summary>Methodenparameter und Lebenszyklus</summary><div class=\"tw\" data-card-table=\"contract\"><table><thead><tr><th>Parameter</th><th>Vertrag</th></tr></thead><tbody><tr><th data-cell-label=\"Parameter\" scope=\"row\"><span class=\"card-cell-label\">Parameter</span><code>content_type</code></th><td data-cell-label=\"Vertrag\"><span class=\"card-cell-label\">Vertrag</span>application/json</td></tr><tr><th data-cell-label=\"Parameter\" scope=\"row\"><span class=\"card-cell-label\">Parameter</span><code>required</code></th><td data-cell-label=\"Vertrag\"><span class=\"card-cell-label\">Vertrag</span>model, input</td></tr><tr><th data-cell-label=\"Parameter\" scope=\"row\"><span class=\"card-cell-label\">Parameter</span><code>input_shapes</code></th><td data-cell-label=\"Vertrag\"><span class=\"card-cell-label\">Vertrag</span>string, string[]</td></tr><tr><th data-cell-label=\"Parameter\" scope=\"row\"><span class=\"card-cell-label\">Parameter</span><code>material_types</code></th><td data-cell-label=\"Vertrag\"><span class=\"card-cell-label\">Vertrag</span>text</td></tr></tbody></table></div><p>Lebenszyklus: <code>synchronous_json</code></p><p class=\"note-s\">Bewahren Sie jeden zurückgegebenen Vektor und Index auf.</p><p class=\"note-s\">Aus diesem minimalen Textprofil wird keine Unterstützung für Bild-, Audio- oder Dateiobjekte abgeleitet.</p></details></details></section><section class=\"card-section\" data-card-section=\"pricing\"><h3 tabindex=\"-1\">Tarife</h3><div data-native-semantic-method=\"v1\" data-tariff-reference-only><p class=\"note-s\" data-rate-support-note>Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.</p><dl data-price-conditions><dt>Schnellmodus</dt><dd>Nicht angegeben <span class=\"note-s\">Wenn der Schnellmodus ausgewählt ist</span></dd><dt>Flex-Modus</dt><dd>Nicht angegeben <span class=\"note-s\">Wenn der Modus flex ausgewählt ist</span></dd><dt>Maximaler Denkaufwand</dt><dd>Nicht angegeben <span class=\"note-s\">Wenn beim maximalen Denkaufwand die Standardanpassung (default) verwendet wird</span></dd></dl></div><div data-declared-tariff-pricing><h4>Ailoot-Tarife</h4><h4>Preise nach Konfiguration</h4><div class=\"tw\" data-pricing-profiles><table><thead><tr><th>Konfiguration</th><th>Tarifstaffel</th><th>Gebühr</th></tr></thead><tbody><tr><th data-cell-label=\"Konfiguration\" scope=\"row\"><span class=\"card-cell-label\">Konfiguration</span>Basistarife für Token</th><td data-cell-label=\"Tarifstaffel\"><span class=\"card-cell-label\">Tarifstaffel</span>Grundtarif</td><td data-cell-label=\"Gebühr\"><span class=\"card-cell-label\">Gebühr</span><div><span>Eingabe · Eingabetoken</span> <b>$0.0004</b> <span class=\"price-unit\">/ 1K Tokens</span></div><div><span>Ausgabe · Ausgabetoken</span> <b>$0</b> <span class=\"price-unit\">/ 1K Tokens</span></div><div><span>Eingabe · Cache lesen</span> <b>—</b> <span class=\"price-unit\">/ 1K Tokens</span></div><div><span>Eingabe · Cache schreiben</span> <b>—</b> <span class=\"price-unit\">/ 1K Tokens</span></div><div><span>Eingabe · Cache schreiben, 1 Stunde</span> <b>—</b> <span class=\"price-unit\">/ 1K Tokens</span></div></td></tr></tbody></table></div></div><p class=\"note-s\">Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. <a href=\"/docs/de-ch/billing/reserve/\">So funktionieren Reservierung und Abrechnung →</a></p></section><section class=\"card-section\" data-card-section=\"examples\"><h3 tabindex=\"-1\">Beispielanfragen</h3><h4>Ailoot Ultra · Einbettungsvektoren</h4><div class=\"code-group\"><div class=\"cg-bar\"><div class=\"cg-tabs\" role=\"tablist\" aria-label=\"Codevarianten\"><button class=\"cg-tab\" id=\"model-code-1488-tab-0\" role=\"tab\" type=\"button\" aria-controls=\"model-code-1488-panel-0\" aria-selected=\"true\" tabindex=\"0\">Vollständiger minimaler JSON-Body</button><button class=\"cg-tab\" id=\"model-code-1488-tab-1\" role=\"tab\" type=\"button\" aria-controls=\"model-code-1488-panel-1\" aria-selected=\"false\" tabindex=\"-1\">curl · minimale Anfrage für Text-Embeddings</button></div><div class=\"cg-tools\"><button class=\"cg-btn cg-copy\" type=\"button\" aria-label=\"Code kopieren\"><svg class=\"cp\" viewBox=\"0 0 16 16\" fill=\"none\" stroke=\"currentColor\" stroke-width=\"1.4\"><rect x=\"5.25\" y=\"5.25\" width=\"8.5\" height=\"8.5\" rx=\"1.75\"/><path d=\"M10.75 5.25V3.5a1.25 1.25 0 0 0-1.25-1.25H3.5A1.25 1.25 0 0 0 2.25 3.5v6a1.25 1.25 0 0 0 1.25 1.25h1.75\"/></svg><svg class=\"ok\" viewBox=\"0 0 16 16\" fill=\"none\" stroke=\"currentColor\" stroke-width=\"1.4\"><path d=\"m3 8.5 3.25 3.25L13 5\"/></svg></button></div></div><div class=\"cg-body\"><div class=\"cg-pane\" id=\"model-code-1488-panel-0\" role=\"tabpanel\" aria-labelledby=\"model-code-1488-tab-0\"><pre data-lang=\"json\"><code>{\n  &quot;model&quot;: &quot;google/gemini-embedding-2-preview&quot;,\n  &quot;input&quot;: [\n    &quot;First document&quot;,\n    &quot;Second document&quot;\n  ]\n}</code></pre></div><div class=\"cg-pane\" id=\"model-code-1488-panel-1\" role=\"tabpanel\" aria-labelledby=\"model-code-1488-tab-1\" hidden><pre data-lang=\"bash\"><code>set -eu\n: &quot;${AILOOT_API_KEY:?Set your Ailoot API key}&quot;\ncat &gt; embedding-request.json &lt;&lt;&#39;JSON_REQUEST&#39;\n{\n  &quot;model&quot;: &quot;google/gemini-embedding-2-preview&quot;,\n  &quot;input&quot;: [\n    &quot;First document&quot;,\n    &quot;Second document&quot;\n  ]\n}\nJSON_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n  -H &quot;Authorization: Bearer $AILOOT_API_KEY&quot; -H &#39;Content-Type: application/json&#39; \\\n  --data-binary @embedding-request.json -o embedding-response.json\n</code></pre></div></div></div></section><section class=\"card-section\" data-card-section=\"results\"><h3 tabindex=\"-1\">Ergebnisse abrufen und speichern</h3><h4>Ailoot Ultra · Einbettungsvektoren</h4><p class=\"note-s\">json</p><div class=\"card-result-process\" data-all-results><h5>Alle fertiggestellten Ergebnisse aufbewahren</h5><p class=\"note-s\">Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.</p><p class=\"note-s\">Jeden Vektor mit seinem Index beibehalten. Die Anzahl der Vektoren muss der Anzahl der Eingaben entsprechen; die Dimensionen müssen konsistent sein.</p></div><div class=\"card-result-process\" data-unknown-recovery><h5>Wenn die ursprüngliche Antwort geprüft werden muss</h5><p class=\"note-s\">Es wird kein Endpunkt für Embedding-Aufträge eingeführt.</p></div><details class=\"card-about\" data-output-fields><summary>Antwortfelder</summary><div class=\"tw\" data-card-table=\"output\"><table><thead><tr><th>Feld</th><th>Typ</th></tr></thead><tbody><tr><th data-cell-label=\"Feld\" scope=\"row\"><span class=\"card-cell-label\">Feld</span><code class=\"card-field-name\">object</code></th><td data-cell-label=\"Typ\" data-field-type><span class=\"card-cell-label\">Typ</span>string</td></tr><tr><th data-cell-label=\"Feld\" scope=\"row\"><span class=\"card-cell-label\">Feld</span><code class=\"card-field-name\">model</code></th><td data-cell-label=\"Typ\" data-field-type><span class=\"card-cell-label\">Typ</span>string</td></tr><tr><th data-cell-label=\"Feld\" scope=\"row\"><span class=\"card-cell-label\">Feld</span><code class=\"card-field-name\">data[].index</code></th><td data-cell-label=\"Typ\" data-field-type><span class=\"card-cell-label\">Typ</span>integer</td></tr><tr><th data-cell-label=\"Feld\" scope=\"row\"><span class=\"card-cell-label\">Feld</span><code class=\"card-field-name\">data[].embedding</code></th><td data-cell-label=\"Typ\" data-field-type><span class=\"card-cell-label\">Typ</span>finite float[]</td></tr><tr><th data-cell-label=\"Feld\" scope=\"row\"><span class=\"card-cell-label\">Feld</span><code class=\"card-field-name\">usage</code></th><td data-cell-label=\"Typ\" data-field-type><span class=\"card-cell-label\">Typ</span>object</td></tr></tbody></table></div></details><details class=\"card-about\" data-method-errors><summary>Fehler und nächste Schritte</summary><div class=\"tw\" data-card-table=\"errors\"><table><thead><tr><th>Antwort</th><th>Bedingung</th><th>Nächster Schritt</th></tr></thead><tbody><tr><th data-cell-label=\"Antwort\" scope=\"row\"><span class=\"card-cell-label\">Antwort</span>400 · <code>invalid_request_error</code></th><td data-cell-label=\"Bedingung\"><span class=\"card-cell-label\">Bedingung</span>Fehlendes Modell oder fehlerhaftes JSON.</td><td data-cell-label=\"Nächster Schritt\"><span class=\"card-cell-label\">Nächster Schritt</span>Korrigieren Sie die angegebenen Felder.</td></tr><tr><th data-cell-label=\"Antwort\" scope=\"row\"><span class=\"card-cell-label\">Antwort</span>413 · <code>invalid_request_error</code></th><td data-cell-label=\"Bedingung\"><span class=\"card-cell-label\">Bedingung</span>Die konfigurierte Grössenlimite für den Anfragetext wurde überschritten.</td><td data-cell-label=\"Nächster Schritt\"><span class=\"card-cell-label\">Nächster Schritt</span>Reduzieren Sie das tatsächliche Material.</td></tr><tr><th data-cell-label=\"Antwort\" scope=\"row\"><span class=\"card-cell-label\">Antwort</span>422 · <code>invalid_request_error</code></th><td data-cell-label=\"Bedingung\"><span class=\"card-cell-label\">Bedingung</span>Eingabe oder Steuerparameter verletzen die derzeit geltende spezielle Richtlinie.</td><td data-cell-label=\"Nächster Schritt\"><span class=\"card-cell-label\">Nächster Schritt</span>Verwenden Sie die gezeigte minimale Texteingabe ohne übernommene Steuerparameter.</td></tr><tr><th data-cell-label=\"Antwort\" scope=\"row\"><span class=\"card-cell-label\">Antwort</span>503 · <code>billing_error</code></th><td data-cell-label=\"Bedingung\"><span class=\"card-cell-label\">Bedingung</span>Zulassung oder Preisangebot lassen sich nicht eindeutig zuordnen.</td><td data-cell-label=\"Nächster Schritt\"><span class=\"card-cell-label\">Nächster Schritt</span>Bewahren Sie die Antwort auf; ersetzen Sie keine Richtlinie.</td></tr></tbody></table></div></details></section><section class=\"card-section\" data-card-section=\"aliases\"><h3 tabindex=\"-1\">Aliasnamen</h3><h4>Modellaliasnamen</h4><p class=\"note-s\"><span data-model-alias-route=\"Ultra\"><b>Ailoot Ultra</b> <a href=\"#m=google%2Fgemini-embedding-2-preview&amp;route=Ultra&amp;caller=google%2Fgemini-embedding-2-preview&amp;fmt=embeddings\"><code>google/gemini-embedding-2-preview</code></a></span></p><h4>Aliasnamen für Methodenpfade</h4><p class=\"note-s\">Verwenden Sie die oben angezeigten Methodenpfade.</p><h4>Zugehörige Aufrufer-IDs</h4><p class=\"note-s\"><a href=\"#m=google%2Fgemini-embedding-2-preview&amp;route=Ultra&amp;caller=google%2Fgemini-embedding-2-preview&amp;fmt=embeddings\"><code>google/gemini-embedding-2-preview</code></a></p></section></div>",
      "method_identity": {
        "effective_request_model_id": "google/gemini-embedding-2-preview",
        "fmt": "embeddings",
        "http": "POST",
        "path": "/v1/embeddings",
        "request_model_id": "google/gemini-embedding-2-preview",
        "route_label": "Ultra"
      },
      "method_key": "Ultra|embeddings|/v1/embeddings|google%2Fgemini-embedding-2-preview",
      "ordinal": 0,
      "rawMethod": {
        "available": null,
        "cache_read": null,
        "cache_write": null,
        "cache_write_1h": null,
        "contract": {
          "data": {
            "all_results": "Keep every vector with its index. Vector count must equal input count; dimensions must be consistent.",
            "errors": [
              {
                "code": null,
                "condition": "Fehlendes Modell oder fehlerhaftes JSON.",
                "http_status": 400,
                "recovery": "Korrigieren Sie die angegebenen Felder.",
                "type": "invalid_request_error"
              },
              {
                "code": null,
                "condition": "Die konfigurierte Grössenlimite für den Anfragetext wurde überschritten.",
                "http_status": 413,
                "recovery": "Reduzieren Sie das tatsächliche Material.",
                "type": "invalid_request_error"
              },
              {
                "code": null,
                "condition": "Eingabe oder Steuerparameter verletzen die derzeit geltende spezielle Richtlinie.",
                "http_status": 422,
                "recovery": "Verwenden Sie die gezeigte minimale Texteingabe ohne übernommene Steuerparameter.",
                "type": "invalid_request_error"
              },
              {
                "code": null,
                "condition": "Zulassung oder Preisangebot lassen sich nicht eindeutig zuordnen.",
                "http_status": 503,
                "recovery": "Bewahren Sie die Antwort auf; ersetzen Sie keine Richtlinie.",
                "type": "billing_error"
              }
            ],
            "example_body": {
              "input": [
                "First document",
                "Second document"
              ],
              "model": "google/gemini-embedding-2-preview"
            },
            "hints": [],
            "ignored_fields": [],
            "lifecycle": {
              "create": {
                "http": "POST",
                "path": "/v1/embeddings"
              },
              "job_read": null,
              "mode": "synchronous_json",
              "unknown": "Es wird kein Endpunkt für Embedding-Aufträge eingeführt."
            },
            "material_combinations": [
              {
                "alternatives": [
                  "string",
                  "string[]"
                ],
                "mode": "text_to_embedding"
              }
            ],
            "operation_modes": [
              "single_embedding",
              "batched_embeddings"
            ],
            "outputs": {
              "all_results": "Jeden Vektor mit seinem Index beibehalten. Die Anzahl der Vektoren muss der Anzahl der Eingaben entsprechen; die Dimensionen müssen konsistent sein.",
              "default_dimensions": null,
              "family": "embedding",
              "fields": [
                {
                  "description": null,
                  "name": "object",
                  "type": "string"
                },
                {
                  "description": null,
                  "name": "model",
                  "type": "string"
                },
                {
                  "description": null,
                  "name": "data[].index",
                  "type": "integer"
                },
                {
                  "description": null,
                  "name": "data[].embedding",
                  "type": "finite float[]"
                },
                {
                  "description": null,
                  "name": "usage",
                  "type": "object"
                }
              ],
              "format": "json"
            },
            "parameters": [
              {
                "availability": "source_interface",
                "default": null,
                "default_known": false,
                "enum": [
                  "google/gemini-embedding-2-preview"
                ],
                "enum_known": true,
                "name": "model",
                "required": true,
                "type": "string"
              },
              {
                "availability": "source_interface",
                "default": null,
                "default_known": false,
                "enum": null,
                "enum_known": false,
                "name": "input",
                "required": true,
                "type": "string|string[]"
              }
            ],
            "profile_binding": "Minimal current Source subset: only model and text input. Optional controls and another model dimensions/token limits are not inherited.",
            "request_schema": {
              "additionalProperties": false,
              "properties": {
                "input": {
                  "oneOf": [
                    {
                      "minLength": 1,
                      "type": "string"
                    },
                    {
                      "items": {
                        "minLength": 1,
                        "type": "string"
                      },
                      "minItems": 1,
                      "type": "array"
                    }
                  ]
                },
                "model": {
                  "enum": [
                    "google/gemini-embedding-2-preview"
                  ],
                  "type": "string"
                }
              },
              "required": [
                "model",
                "input"
              ],
              "type": "object"
            },
            "schema_template": {
              "input": [
                "First document",
                "Second document"
              ],
              "model": "google/gemini-embedding-2-preview"
            },
            "unsupported": [
              "image/audio/file objects in this minimal text profile",
              "dimensions (current Native43 supports_dimensions:false)",
              "foreign model-specific dimensions or token limits"
            ]
          },
          "hints": [
            "Bewahren Sie jeden zurückgegebenen Vektor und Index auf.",
            "Aus diesem minimalen Textprofil wird keine Unterstützung für Bild-, Audio- oder Dateiobjekte abgeleitet."
          ],
          "input": {
            "content_type": "application/json",
            "input_shapes": [
              "string",
              "string[]"
            ],
            "material_types": [
              "text"
            ],
            "required": [
              "model",
              "input"
            ]
          },
          "lifecycle": {
            "mode": "synchronous_json",
            "unknown": "no embedding job endpoint inferred"
          },
          "manufacturer_capability": null,
          "method": {
            "http": "POST",
            "path": "/v1/embeddings"
          },
          "method_aliases": [],
          "operation_modes": [
            "text_to_embedding"
          ],
          "output": {
            "default_dimensions": null,
            "family": "embedding",
            "format": "json",
            "http_success": 200,
            "vectors": "Keep every vector, index, model and usage field. Current dedicated Source validates count, finite float elements and consistent actual dimensions."
          }
        },
        "ctx": 8192,
        "declared_pricing_profiles": [
          {
            "dimensions": {
              "regime": "base"
            },
            "label": "Basistarife für Token",
            "units": [
              {
                "amount": "0.0004000",
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "input_price",
                "label": "Input tokens",
                "native_amount_usd_per_unit": "0.0000004",
                "native_quantity": 1,
                "native_unit": "input_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "input_token"
              },
              {
                "amount": "0",
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "output_price",
                "label": "Output tokens",
                "native_amount_usd_per_unit": "0",
                "native_quantity": 1,
                "native_unit": "output_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "out",
                "unit": "output_token"
              },
              {
                "amount": null,
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "cache_read_price",
                "label": "Cache read",
                "native_amount_usd_per_unit": null,
                "native_quantity": 1,
                "native_unit": "cached_input_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "cached_input_token"
              },
              {
                "amount": null,
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "cache_write_price",
                "label": "Cache write",
                "native_amount_usd_per_unit": null,
                "native_quantity": 1,
                "native_unit": "generic_cache_creation_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "generic_cache_creation_token"
              },
              {
                "amount": null,
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "cache_write_1h_price",
                "label": "Cache write, 1 hour",
                "native_amount_usd_per_unit": null,
                "native_quantity": 1,
                "native_unit": "one_hour_cache_creation_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "one_hour_cache_creation_token"
              }
            ]
          }
        ],
        "examples": [
          {
            "code": "{\n  \"model\": \"google/gemini-embedding-2-preview\",\n  \"input\": [\n    \"First document\",\n    \"Second document\"\n  ]\n}",
            "label": "Complete minimal JSON body",
            "language": "json"
          },
          {
            "code": "set -eu\n: \"${AILOOT_API_KEY:?Set your Ailoot API key}\"\ncat > embedding-request.json <<'JSON_REQUEST'\n{\n  \"model\": \"google/gemini-embedding-2-preview\",\n  \"input\": [\n    \"First document\",\n    \"Second document\"\n  ]\n}\nJSON_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n  -H \"Authorization: Bearer $AILOOT_API_KEY\" -H 'Content-Type: application/json' \\\n  --data-binary @embedding-request.json -o embedding-response.json\n",
            "label": "curl · minimal text embeddings",
            "language": "bash"
          }
        ],
        "family": "openai",
        "fast_multiplier": null,
        "flex_multiplier": null,
        "fmt": "embeddings",
        "hints": [
          "Keep every vector index and dimension.",
          "Multimodal model name does not admit image objects on this exact path."
        ],
        "http": "POST",
        "in": 0.4,
        "input": [
          "text"
        ],
        "label": "Einbettungsvektoren",
        "max_out": null,
        "max_reasoning_effort_multiplier": null,
        "out": 0,
        "output": [
          "embedding"
        ],
        "path": "/v1/embeddings",
        "price_conditions": [
          {
            "label": "Fast mode",
            "value": "Not specified",
            "when": "When fast mode is selected"
          },
          {
            "label": "Flex mode",
            "value": "Not specified",
            "when": "When flex mode is selected"
          },
          {
            "label": "Maximum reasoning effort",
            "value": "Not specified",
            "when": "When maximum reasoning effort uses the default adjustment"
          }
        ],
        "pricing": {
          "billing_mode": "token",
          "image_input_price": null,
          "image_output_price": null,
          "per_request_price": null
        },
        "pricing_profiles": [
          {
            "dimensions": {
              "regime": "base"
            },
            "label": "Base token rates",
            "units": [
              {
                "amount": "0.0004000",
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "input_price",
                "label": "Input tokens",
                "native_amount_usd_per_unit": "0.0000004",
                "native_quantity": 1,
                "native_unit": "input_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "input_token"
              },
              {
                "amount": "0",
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "output_price",
                "label": "Output tokens",
                "native_amount_usd_per_unit": "0",
                "native_quantity": 1,
                "native_unit": "output_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "out",
                "unit": "output_token"
              },
              {
                "amount": null,
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "cache_read_price",
                "label": "Cache read",
                "native_amount_usd_per_unit": null,
                "native_quantity": 1,
                "native_unit": "cached_input_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "cached_input_token"
              },
              {
                "amount": null,
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "cache_write_price",
                "label": "Cache write",
                "native_amount_usd_per_unit": null,
                "native_quantity": 1,
                "native_unit": "generic_cache_creation_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "generic_cache_creation_token"
              },
              {
                "amount": null,
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "cache_write_1h_price",
                "label": "Cache write, 1 hour",
                "native_amount_usd_per_unit": null,
                "native_quantity": 1,
                "native_unit": "one_hour_cache_creation_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "one_hour_cache_creation_token"
              }
            ]
          }
        ],
        "request_model_id": "google/gemini-embedding-2-preview",
        "route_label": "Ultra",
        "status_reads": [],
        "tiers": [],
        "units": [
          {
            "amount": "0.0004000",
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "input_price",
            "label": "Input tokens",
            "native_amount_usd_per_unit": "0.0000004",
            "native_quantity": 1,
            "native_unit": "input_token",
            "public_unit_label": "/ 1K tokens",
            "quantity": 1000,
            "quantity_is_estimate": false,
            "rate_role": "typed_native_retail_rate",
            "side": "in",
            "unit": "input_token"
          },
          {
            "amount": "0",
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "output_price",
            "label": "Output tokens",
            "native_amount_usd_per_unit": "0",
            "native_quantity": 1,
            "native_unit": "output_token",
            "public_unit_label": "/ 1K tokens",
            "quantity": 1000,
            "quantity_is_estimate": false,
            "rate_role": "typed_native_retail_rate",
            "side": "out",
            "unit": "output_token"
          },
          {
            "amount": null,
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "cache_read_price",
            "label": "Cache read",
            "native_amount_usd_per_unit": null,
            "native_quantity": 1,
            "native_unit": "cached_input_token",
            "public_unit_label": "/ 1K tokens",
            "quantity": 1000,
            "quantity_is_estimate": false,
            "rate_role": "typed_native_retail_rate",
            "side": "in",
            "unit": "cached_input_token"
          },
          {
            "amount": null,
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "cache_write_price",
            "label": "Cache write",
            "native_amount_usd_per_unit": null,
            "native_quantity": 1,
            "native_unit": "generic_cache_creation_token",
            "public_unit_label": "/ 1K tokens",
            "quantity": 1000,
            "quantity_is_estimate": false,
            "rate_role": "typed_native_retail_rate",
            "side": "in",
            "unit": "generic_cache_creation_token"
          },
          {
            "amount": null,
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "cache_write_1h_price",
            "label": "Cache write, 1 hour",
            "native_amount_usd_per_unit": null,
            "native_quantity": 1,
            "native_unit": "one_hour_cache_creation_token",
            "public_unit_label": "/ 1K tokens",
            "quantity": 1000,
            "quantity_is_estimate": false,
            "rate_role": "typed_native_retail_rate",
            "side": "in",
            "unit": "one_hour_cache_creation_token"
          }
        ]
      }
    }
  ],
  "model_id": "google/gemini-embedding-2-preview",
  "nativeProvenance": {
    "input_facts_canonical_sha256": "505033395a6de49fd4274dec0818e39bfadd7da589e602e441907d724be69d1b",
    "input_html_sha256": "c4e494fab26f43ff4b261b9bc90ac8d511998f13ee8fbec7999e434cfc95ca40",
    "private_audit_sha256": "e5268b354bb1fd729fd44f0827c065df2e801f72b1289f452de4e7167dc90e18",
    "role": "historical-normalized-input-audit-hashes",
    "schema": "ailoot-native-model-provenance-v2"
  },
  "page": {
    "canonical": "https://ailoot.ai/models/de-ch/google-gemini-embedding-2-preview/",
    "description": "Gemini Embedding 2 Preview wandelt Text, Bilder, Audio, Video und PDF in numerische Vektoren in einem multimodalen Raum um. Sein separat dokumentiertes Preview-Profil unterstützt modalitätsübergreifende Informationssuche und Vergleiche, eine Eingabe von 8’192 Tokens und flexible Vektordimensionen.",
    "locale": "de-ch",
    "md_url": "https://ailoot.ai/models/de-ch/google-gemini-embedding-2-preview/index.md",
    "title": "Google: Gemini Embedding 2 Preview — Ailoot",
    "url": "https://ailoot.ai/models/de-ch/google-gemini-embedding-2-preview/"
  },
  "rawModel": {
    "about": "Gemini Embedding 2 Preview ist Googles benannte Vorschauausgabe seiner nativen multimodalen Embedding-Familie. Sie bildet Text, Bilder, Video, Audio und PDF auf einen gemeinsamen numerischen Raum ab, in dem semantische Absichten über mehr als 100 Sprachen hinweg repräsentiert werden. Die Ausgabe besteht aus Embeddings: Vektoren zum Vergleichen und Abrufen zusammengehörigen Materials. Diese Preview-Identität bleibt von der stabilen Ausgabe Gemini Embedding 2 getrennt und impliziert weder austauschbare Gewichte noch einen identischen Vektorraum.\n\nDie ursprüngliche Ankündigung beschreibt modalitätsübergreifende Suche, Klassifikation, Clustering, Stimmungsanalyse und Retrieval-Augmented Generation als nachgelagerte Anwendungen. Eine Textanfrage kann ein verwandtes visuelles Element finden, während ein Bild oder Clip ebenfalls als Suchausgangspunkt dienen kann. Eine Anwendung speichert die Repräsentationen, vergleicht sie und gibt die zugehörigen Datensätze zurück; ein separates Sprachmodell kann das abgerufene Quellmaterial zum Verfassen einer Antwort verwenden. Das Embedding selbst enthält keine natürlichsprachliche Erklärung und kein Transkript.\n\nDie eigene Modellseite dokumentiert eine Eingabegrenze von 8’192 Tokens und Ausgabedimensionen von 128 bis 3’072, mit 768, 1’536 und 3’072 als empfohlenen Grössen. Die Preview-Ankündigung nennt einen Standard von 3’072 und beschreibt Matryoshka Representation Learning, das nützliche Informationen in kürzeren Präfixen der Repräsentation erhält. Verwenden Sie eine gewählte Dimension für Vektoren, die verglichen werden müssen, und halten Sie die Modellversion zusammen mit der Sammlung fest, statt Repräsentationen allein wegen übereinstimmender Längen zusammenzuführen.\n\nDie Preview-Ankündigung dokumentiert bis zu sechs PNG- oder JPEG-Bilder pro Anfrage, bis zu 120 Sekunden MP4- oder MOV-Video und PDF-Dokumente mit bis zu sechs Seiten. Sie dokumentiert ausserdem direktes Audio-Embedding ohne zwischengeschaltete Texttranskription. Diese Spezifikationen stammen aus der eigenen Preview-Ankündigung und nicht aus dem späteren Leitfaden zur stabilen Ausgabe. Die Ankündigung legt nicht jede aktuelle Grenze für Audiodauer, Codec oder Einzelbildabtastung dieses konkreten Preview-Profils fest.\n\nEine Eingabe mit abwechselnden multimodalen Inhalten lässt die Repräsentation Beziehungen zwischen Medien widerspiegeln, etwa zwischen einem Bild und seiner Bildunterschrift. Stellen Sie für einen Produktkatalog Foto und freigegebene Beschreibung gemeinsam bereit, wenn sie ein abrufbares Objekt beschreiben. Teilen Sie bei einer Dokumentensammlung die Quelle in fokussierte Passagen oder Seiten auf und bewahren Sie Titel und Position. Wählen Sie bei einer Medienbibliothek einen Clip passend zu dem Ereignis, das Nutzer finden sollen, und speichern Sie seinen ursprünglichen Zeitbereich beim Datensatz.\n\nEine nützliche Suchaufgabe macht die beabsichtigte Beziehung deutlich. Eine Frage nach einer Erklärung, eine Suche nach visuell ähnlichen Elementen und thematisches Clustering sind unterschiedliche Aufgaben, selbst wenn sie dieselbe Quellsammlung verwenden. Bereiten Sie Inhalte einheitlich vor, protokollieren Sie Modellversion und Dimension und verknüpfen Sie jeden Vektor mit seiner Quelle. Ähnlichkeit liefert Kandidaten zur Prüfung durch die Anwendung; sie ist kein Beweis, dass zwei Datensätze denselben Fakt aussagen oder eine abgerufene Quelle eine Frage vollständig beantwortet.\n\nRepräsentieren Sie für eine praktische Mediensuche das gewählte Bild oder den Videoausschnitt und vergleichen Sie es mit der Beschreibung des gewünschten Inhalts. Präsentieren Sie die passende Quelle zusammen mit ihrer Bildunterschrift oder ihrem Zeitbereich, damit Nutzer sie prüfen können. Rufen Sie für einen Wissensassistenten die relevante Seite oder Passage ab, bevor Sie die schriftliche Antwort generieren. Die Rolle des Preview-Modells ist die multimodale numerische Repräsentation, die diese Auswahlschritte unterstützt; Speicherung, Rankingregeln und abschliessende Antwort bleiben Bestandteile des umgebenden Workflows.",
    "alias_of": null,
    "aliases": [],
    "author": "Google",
    "capabilities": {
      "context_length": 8192,
      "manufacturer_input": [
        "text",
        "image",
        "file",
        "audio",
        "video"
      ],
      "manufacturer_output": [
        "embeddings"
      ]
    },
    "card_routes": [
      {
        "label": "Ultra",
        "rates": [
          {
            "amount": "0.0004000",
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "input_price",
            "label": "Input tokens",
            "native_amount_usd_per_unit": "0.0000004",
            "native_quantity": 1,
            "native_unit": "input_token",
            "public_unit_label": "/ 1K tokens",
            "quantity": 1000,
            "quantity_is_estimate": false,
            "rate_role": "typed_native_retail_rate",
            "side": "in",
            "unit": "input_token"
          },
          {
            "amount": "0",
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "output_price",
            "label": "Output tokens",
            "native_amount_usd_per_unit": "0",
            "native_quantity": 1,
            "native_unit": "output_token",
            "public_unit_label": "/ 1K tokens",
            "quantity": 1000,
            "quantity_is_estimate": false,
            "rate_role": "typed_native_retail_rate",
            "side": "out",
            "unit": "output_token"
          }
        ],
        "summary": "Die vollständigen Preisangaben zur Konfiguration finden Sie in den Details."
      }
    ],
    "ctx": 8192,
    "formats": [
      "embeddings"
    ],
    "id": "google/gemini-embedding-2-preview",
    "input": [
      "text"
    ],
    "kind": "embedding",
    "max_out": null,
    "methods": [
      {
        "available": null,
        "cache_read": null,
        "cache_write": null,
        "cache_write_1h": null,
        "contract": {
          "data": {
            "all_results": "Keep every vector with its index. Vector count must equal input count; dimensions must be consistent.",
            "errors": [
              {
                "code": null,
                "condition": "Fehlendes Modell oder fehlerhaftes JSON.",
                "http_status": 400,
                "recovery": "Korrigieren Sie die angegebenen Felder.",
                "type": "invalid_request_error"
              },
              {
                "code": null,
                "condition": "Die konfigurierte Grössenlimite für den Anfragetext wurde überschritten.",
                "http_status": 413,
                "recovery": "Reduzieren Sie das tatsächliche Material.",
                "type": "invalid_request_error"
              },
              {
                "code": null,
                "condition": "Eingabe oder Steuerparameter verletzen die derzeit geltende spezielle Richtlinie.",
                "http_status": 422,
                "recovery": "Verwenden Sie die gezeigte minimale Texteingabe ohne übernommene Steuerparameter.",
                "type": "invalid_request_error"
              },
              {
                "code": null,
                "condition": "Zulassung oder Preisangebot lassen sich nicht eindeutig zuordnen.",
                "http_status": 503,
                "recovery": "Bewahren Sie die Antwort auf; ersetzen Sie keine Richtlinie.",
                "type": "billing_error"
              }
            ],
            "example_body": {
              "input": [
                "First document",
                "Second document"
              ],
              "model": "google/gemini-embedding-2-preview"
            },
            "hints": [],
            "ignored_fields": [],
            "lifecycle": {
              "create": {
                "http": "POST",
                "path": "/v1/embeddings"
              },
              "job_read": null,
              "mode": "synchronous_json",
              "unknown": "Es wird kein Endpunkt für Embedding-Aufträge eingeführt."
            },
            "material_combinations": [
              {
                "alternatives": [
                  "string",
                  "string[]"
                ],
                "mode": "text_to_embedding"
              }
            ],
            "operation_modes": [
              "single_embedding",
              "batched_embeddings"
            ],
            "outputs": {
              "all_results": "Jeden Vektor mit seinem Index beibehalten. Die Anzahl der Vektoren muss der Anzahl der Eingaben entsprechen; die Dimensionen müssen konsistent sein.",
              "default_dimensions": null,
              "family": "embedding",
              "fields": [
                {
                  "description": null,
                  "name": "object",
                  "type": "string"
                },
                {
                  "description": null,
                  "name": "model",
                  "type": "string"
                },
                {
                  "description": null,
                  "name": "data[].index",
                  "type": "integer"
                },
                {
                  "description": null,
                  "name": "data[].embedding",
                  "type": "finite float[]"
                },
                {
                  "description": null,
                  "name": "usage",
                  "type": "object"
                }
              ],
              "format": "json"
            },
            "parameters": [
              {
                "availability": "source_interface",
                "default": null,
                "default_known": false,
                "enum": [
                  "google/gemini-embedding-2-preview"
                ],
                "enum_known": true,
                "name": "model",
                "required": true,
                "type": "string"
              },
              {
                "availability": "source_interface",
                "default": null,
                "default_known": false,
                "enum": null,
                "enum_known": false,
                "name": "input",
                "required": true,
                "type": "string|string[]"
              }
            ],
            "profile_binding": "Minimal current Source subset: only model and text input. Optional controls and another model dimensions/token limits are not inherited.",
            "request_schema": {
              "additionalProperties": false,
              "properties": {
                "input": {
                  "oneOf": [
                    {
                      "minLength": 1,
                      "type": "string"
                    },
                    {
                      "items": {
                        "minLength": 1,
                        "type": "string"
                      },
                      "minItems": 1,
                      "type": "array"
                    }
                  ]
                },
                "model": {
                  "enum": [
                    "google/gemini-embedding-2-preview"
                  ],
                  "type": "string"
                }
              },
              "required": [
                "model",
                "input"
              ],
              "type": "object"
            },
            "schema_template": {
              "input": [
                "First document",
                "Second document"
              ],
              "model": "google/gemini-embedding-2-preview"
            },
            "unsupported": [
              "image/audio/file objects in this minimal text profile",
              "dimensions (current Native43 supports_dimensions:false)",
              "foreign model-specific dimensions or token limits"
            ]
          },
          "hints": [
            "Bewahren Sie jeden zurückgegebenen Vektor und Index auf.",
            "Aus diesem minimalen Textprofil wird keine Unterstützung für Bild-, Audio- oder Dateiobjekte abgeleitet."
          ],
          "input": {
            "content_type": "application/json",
            "input_shapes": [
              "string",
              "string[]"
            ],
            "material_types": [
              "text"
            ],
            "required": [
              "model",
              "input"
            ]
          },
          "lifecycle": {
            "mode": "synchronous_json",
            "unknown": "no embedding job endpoint inferred"
          },
          "manufacturer_capability": null,
          "method": {
            "http": "POST",
            "path": "/v1/embeddings"
          },
          "method_aliases": [],
          "operation_modes": [
            "text_to_embedding"
          ],
          "output": {
            "default_dimensions": null,
            "family": "embedding",
            "format": "json",
            "http_success": 200,
            "vectors": "Keep every vector, index, model and usage field. Current dedicated Source validates count, finite float elements and consistent actual dimensions."
          }
        },
        "ctx": 8192,
        "declared_pricing_profiles": [
          {
            "dimensions": {
              "regime": "base"
            },
            "label": "Basistarife für Token",
            "units": [
              {
                "amount": "0.0004000",
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "input_price",
                "label": "Input tokens",
                "native_amount_usd_per_unit": "0.0000004",
                "native_quantity": 1,
                "native_unit": "input_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "input_token"
              },
              {
                "amount": "0",
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "output_price",
                "label": "Output tokens",
                "native_amount_usd_per_unit": "0",
                "native_quantity": 1,
                "native_unit": "output_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "out",
                "unit": "output_token"
              },
              {
                "amount": null,
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "cache_read_price",
                "label": "Cache read",
                "native_amount_usd_per_unit": null,
                "native_quantity": 1,
                "native_unit": "cached_input_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "cached_input_token"
              },
              {
                "amount": null,
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "cache_write_price",
                "label": "Cache write",
                "native_amount_usd_per_unit": null,
                "native_quantity": 1,
                "native_unit": "generic_cache_creation_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "generic_cache_creation_token"
              },
              {
                "amount": null,
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "cache_write_1h_price",
                "label": "Cache write, 1 hour",
                "native_amount_usd_per_unit": null,
                "native_quantity": 1,
                "native_unit": "one_hour_cache_creation_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "one_hour_cache_creation_token"
              }
            ]
          }
        ],
        "examples": [
          {
            "code": "{\n  \"model\": \"google/gemini-embedding-2-preview\",\n  \"input\": [\n    \"First document\",\n    \"Second document\"\n  ]\n}",
            "label": "Complete minimal JSON body",
            "language": "json"
          },
          {
            "code": "set -eu\n: \"${AILOOT_API_KEY:?Set your Ailoot API key}\"\ncat > embedding-request.json <<'JSON_REQUEST'\n{\n  \"model\": \"google/gemini-embedding-2-preview\",\n  \"input\": [\n    \"First document\",\n    \"Second document\"\n  ]\n}\nJSON_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n  -H \"Authorization: Bearer $AILOOT_API_KEY\" -H 'Content-Type: application/json' \\\n  --data-binary @embedding-request.json -o embedding-response.json\n",
            "label": "curl · minimal text embeddings",
            "language": "bash"
          }
        ],
        "family": "openai",
        "fast_multiplier": null,
        "flex_multiplier": null,
        "fmt": "embeddings",
        "hints": [
          "Keep every vector index and dimension.",
          "Multimodal model name does not admit image objects on this exact path."
        ],
        "http": "POST",
        "in": 0.4,
        "input": [
          "text"
        ],
        "label": "Einbettungsvektoren",
        "max_out": null,
        "max_reasoning_effort_multiplier": null,
        "out": 0,
        "output": [
          "embedding"
        ],
        "path": "/v1/embeddings",
        "price_conditions": [
          {
            "label": "Fast mode",
            "value": "Not specified",
            "when": "When fast mode is selected"
          },
          {
            "label": "Flex mode",
            "value": "Not specified",
            "when": "When flex mode is selected"
          },
          {
            "label": "Maximum reasoning effort",
            "value": "Not specified",
            "when": "When maximum reasoning effort uses the default adjustment"
          }
        ],
        "pricing": {
          "billing_mode": "token",
          "image_input_price": null,
          "image_output_price": null,
          "per_request_price": null
        },
        "pricing_profiles": [
          {
            "dimensions": {
              "regime": "base"
            },
            "label": "Base token rates",
            "units": [
              {
                "amount": "0.0004000",
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "input_price",
                "label": "Input tokens",
                "native_amount_usd_per_unit": "0.0000004",
                "native_quantity": 1,
                "native_unit": "input_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "input_token"
              },
              {
                "amount": "0",
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "output_price",
                "label": "Output tokens",
                "native_amount_usd_per_unit": "0",
                "native_quantity": 1,
                "native_unit": "output_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "out",
                "unit": "output_token"
              },
              {
                "amount": null,
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "cache_read_price",
                "label": "Cache read",
                "native_amount_usd_per_unit": null,
                "native_quantity": 1,
                "native_unit": "cached_input_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "cached_input_token"
              },
              {
                "amount": null,
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "cache_write_price",
                "label": "Cache write",
                "native_amount_usd_per_unit": null,
                "native_quantity": 1,
                "native_unit": "generic_cache_creation_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "generic_cache_creation_token"
              },
              {
                "amount": null,
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "cache_write_1h_price",
                "label": "Cache write, 1 hour",
                "native_amount_usd_per_unit": null,
                "native_quantity": 1,
                "native_unit": "one_hour_cache_creation_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "one_hour_cache_creation_token"
              }
            ]
          }
        ],
        "request_model_id": "google/gemini-embedding-2-preview",
        "route_label": "Ultra",
        "status_reads": [],
        "tiers": [],
        "units": [
          {
            "amount": "0.0004000",
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "input_price",
            "label": "Input tokens",
            "native_amount_usd_per_unit": "0.0000004",
            "native_quantity": 1,
            "native_unit": "input_token",
            "public_unit_label": "/ 1K tokens",
            "quantity": 1000,
            "quantity_is_estimate": false,
            "rate_role": "typed_native_retail_rate",
            "side": "in",
            "unit": "input_token"
          },
          {
            "amount": "0",
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "output_price",
            "label": "Output tokens",
            "native_amount_usd_per_unit": "0",
            "native_quantity": 1,
            "native_unit": "output_token",
            "public_unit_label": "/ 1K tokens",
            "quantity": 1000,
            "quantity_is_estimate": false,
            "rate_role": "typed_native_retail_rate",
            "side": "out",
            "unit": "output_token"
          },
          {
            "amount": null,
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "cache_read_price",
            "label": "Cache read",
            "native_amount_usd_per_unit": null,
            "native_quantity": 1,
            "native_unit": "cached_input_token",
            "public_unit_label": "/ 1K tokens",
            "quantity": 1000,
            "quantity_is_estimate": false,
            "rate_role": "typed_native_retail_rate",
            "side": "in",
            "unit": "cached_input_token"
          },
          {
            "amount": null,
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "cache_write_price",
            "label": "Cache write",
            "native_amount_usd_per_unit": null,
            "native_quantity": 1,
            "native_unit": "generic_cache_creation_token",
            "public_unit_label": "/ 1K tokens",
            "quantity": 1000,
            "quantity_is_estimate": false,
            "rate_role": "typed_native_retail_rate",
            "side": "in",
            "unit": "generic_cache_creation_token"
          },
          {
            "amount": null,
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "cache_write_1h_price",
            "label": "Cache write, 1 hour",
            "native_amount_usd_per_unit": null,
            "native_quantity": 1,
            "native_unit": "one_hour_cache_creation_token",
            "public_unit_label": "/ 1K tokens",
            "quantity": 1000,
            "quantity_is_estimate": false,
            "rate_role": "typed_native_retail_rate",
            "side": "in",
            "unit": "one_hour_cache_creation_token"
          }
        ]
      }
    ],
    "model_aliases": [
      {
        "canonical_model_id": "google/gemini-embedding-2-preview",
        "request_model_id": "google/gemini-embedding-2-preview",
        "route_label": "Ultra"
      }
    ],
    "name": "Google: Gemini Embedding 2 Preview",
    "price": {
      "in": 0.4,
      "in_label": null,
      "out": 0,
      "out_label": null,
      "scope_label": "Token rates",
      "sort_in": 0.4,
      "sort_out": 0,
      "varies": false
    },
    "short": "Gemini Embedding 2 Preview wandelt Text, Bilder, Audio, Video und PDF in numerische Vektoren in einem multimodalen Raum um. Sein separat dokumentiertes Preview-Profil unterstützt modalitätsübergreifende Informationssuche und Vergleiche, eine Eingabe von 8’192 Tokens und flexible Vektordimensionen."
  },
  "renderer_schema": {
    "method_order": "Original DTO methods order; every exact route/format/path/caller survives.",
    "prices": "Original public DTO fields and original native display HTML; no flattened or normalized offers."
  },
  "representation": "exact-public-dto-and-native-renderer-html",
  "representationNotes": {
    "current_reference": {
      "about_json_pointer": "/aboutHtml",
      "methods": [
        {
          "contract_json_pointer": "/methods/0/rawMethod/contract",
          "html_json_pointer": "/methods/0/html",
          "method_ordinal": 0
        }
      ],
      "role": "current-semantic-reference"
    },
    "raw_input": {
      "examples_role": "historical-input-not-current-ready-examples",
      "json_pointers": [
        "/rawModel",
        "/methods/0/rawMethod"
      ],
      "role": "historical-owner-input"
    },
    "schema": "ailoot-native-model-representations-v1"
  },
  "schema": "ailoot-static-model-facts-v1",
  "schema_version": 1,
  "shortText": "Gemini Embedding 2 Preview wandelt Text, Bilder, Audio, Video und PDF in numerische Vektoren in einem multimodalen Raum um. Sein separat dokumentiertes Preview-Profil unterstützt modalitätsübergreifende Informationssuche und Vergleiche, eine Eingabe von 8’192 Tokens und flexible Vektordimensionen.",
  "source": {
    "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1",
    "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036",
    "raw_model_json_sha256": "b6908f95b8eff1c7e9e035eff8142514f9f4bf0803cc9668da18ab9fa1064b2d",
    "renderer_sha256": "76caa42c097db2ddc47d1e1e6fe7ca45c8363d7211296daf28e4352971e6c0c8"
  },
  "sourceRevision": "12494b982479274abda369bafb1e998e6bb1149aedc1e5e2e86775eff63d7124"
}