{ "aboutHtml": "

Gemini Embedding 2 on Googlen multimodaalinen upotusmalli tekstin, kuvien, videon, äänen ja PDF-tiedostojen numeeriseen esittämiseen. Se kuvaa eri mediatyypit yhteiseen avaruuteen, jotta sovellus voi vertailla niiden merkityksiä keskenään. Tuloksena on lukujen vektori, jota voi käyttää semanttiseen hakuun, asiakirjojen hakuun, suositteluun, luokitteluun tai klusterointiin; se ei ole kirjallinen vastaus eikä generoitu mediatiedosto. Google dokumentoi semanttisen kattavuuden yli 100 kielellä.

Luo tietopankin lähdetekstijaksoille vektorit, vertaa käyttäjän kyselyä niihin ja hae olennainen aineisto. Erillinen tekstimalli voi tämän jälkeen koostaa vastauksen näiden lähteiden avulla. Mediakokoelmassa tekstikuvaus voi hakea siihen liittyviä kuvia tai videoita; myös kuva voi toimia kyselynä. Säilytä kunkin vektorin yhteys alkuperäiseen sisältöön, myös sivu- tai leikeviite, jotta haettua tulosta voi tarkastella ja näyttää alkuperäisessä kontekstissaan.

Syötteen kokonaisraja on 8 192 tokenia. Vakaan mallin opas sallii enintään kuusi PNG- tai JPEG-kuvaa, enintään 180 sekuntia MP3- tai WAV-ääntä ja enintään 120 sekuntia MP4- tai MOV-videota. Dokumentoidut videokoodekit ovat H264, H265, AV1 ja VP9. Videon käsittely käyttää enintään 32 kehystä: enintään 32 sekunnin leikkeistä poimitaan yksi kehys sekunnissa, kun taas pidemmistä leikkeistä poimitaan tasaisesti 32 kehystä. Videon ääniraitaa ei käsitellä tämän videosyötteen osana; upota sen ääni erikseen, kun se on haun kannalta olennainen.

PDF-syöte hyväksyy yhden tiedoston, jossa on enintään kuusi sivua. Google suosittelee yhtä sivua PDF-tiedostoa kohden parhaan laadun saavuttamiseksi. Jaa suurempi lähde mielekkäisiin sivuihin tai osiin ja säilytä niiden yhteys alkuperäiseen asiakirjaan. Valitse ote, joka edustaa haettavaksi tarkoitettua sisältöä, sen sijaan että yhdistäisit toisiinsa liittymättömiä aineistoja vain siksi, että ne mahtuvat rajan sisään. Yhteinen tokenraja koskee myös eri medioita yhdistävää pyyntöä. Jokainen PDF-sivu kuluttaa 258 visuaalista tokenia siitä poimitun tekstin tokenien lisäksi. Googlen dokumentoidussa työnkulussa yhteisen 8 192 tokenin rajan ylittävä sisältö katkaistaan ilman virhettä.

Tulosteen ulottuvuusmäärä on joustava välillä 128–3 072. Oletus on 3 072, ja suositellut koot ovat 768, 1 536 ja 3 072. Malli käyttää Matryoshka Representation Learning -menetelmää, joten vektorin alkuosat säilyvät hyödyllisinä pienemmillä ulottuvuusmäärillä. Opas dokumentoi automaattisen normalisoinnin sekä oletusmittaisille että lyhennetyille vektoreille. Valitse sama ulottuvuusmäärä sovelluksen vertailemille tietueille ja kyselyille; pyydetty koko muuttaa numeerista esitystä, ei itse lähdesisältöä.

Sisällytä pelkkää tekstiä käyttävissä tehtävissä tarkoitus tekstiin vanhemman task_type-kentän sijaan. Google erottaa asymmetrisen haun symmetrisestä vertailusta. Hakukysely käyttää muotoa “task: search result | query: {content}”, ja lähdeasiakirja muotoa “title: {title} | text: {content}”; käytä “title: none”, jos otsikkoa ei ole. Kysymys–vastaus-, faktantarkistus- ja koodihakutehtävillä on omat kyselyetuliitteensä. Käytä luokittelussa, klusteroinnissa tai lauseiden samankaltaisuuden vertailussa johdonmukaisesti samaa tehtävämuotoa molemmilla puolilla. Opas yleensä neuvoo välttämään tehtäväetuliitteen lisäämistä yhdistetyn multimodaalisen esityksen tekstiosaan.

Syötteen rakenne määrää, esittääkö tulos yhtä yhdistettyä kohdetta vai erillisiä kohteita. Useat yhdessä annetut osat luovat yhdistetyn upotuksen; erilliset Content-oliot luovat erillisen upotuksen jokaiselle tietueelle. Tekstin ja kuvan sisältävässä julkaisussa yhdistetty esitys voi kuvata niiden suhdetta. Pidä itsenäisesti haettavat tietueet erillään. Tämä valinta vaikuttaa haun tarkkuustasoon: yksi vektori koko julkaisulle on eri asia kuin yksi vektori jokaiselle tekstijaksolle tai kuvalle.

Opas toteaa, että Gemini Embedding 001- ja Gemini Embedding 2 -mallien vektorit sijaitsevat yhteensopimattomissa avaruuksissa eikä niitä voi verrata suoraan. Vanhemmasta mallista siirrettävä kokoelma on upotettava uudelleen uuteen avaruuteen. Pidä mallivalinta ja ulottuvuusmäärät yhdenmukaisina vertailtavien vektorien kesken, ja säilytä alkuperäinen teksti ja media erillään numeerisesta indeksistä. Upotusten samankaltaisuus on hakusignaali, ei tosiasioihin perustuva selitys sille, miksi asiakirja vastaa käyttäjän kysymykseen.

Upota käytännön luetteloa varten tuotekuva yhdessä sen hyväksytyn kuvauksen kanssa, kun pari on tarkoitus hakea yhtenä kohteena. Upota asiakirjakokoelmassa rajattuja tekstijaksoja ja vertaa niitä tarkoituksen mukaan muotoiltuun kyselyyn. Näytä sitten lähdetekstijaksot hakutuloksen rinnalla. Valitse ääni- tai videomateriaalista jakso, joka kuvaa haettavaa tapahtumaa, ja säilytä sen alkuperäinen aikaväli. Hyödyllinen tuotos on lähdenäyttöön yhdistetty numeerinen esitys sovelluksen seuraavaa haku- tai analyysivaihetta varten.

", "aboutText": "Gemini Embedding 2 on Googlen multimodaalinen upotusmalli tekstin, kuvien, videon, äänen ja PDF-tiedostojen numeeriseen esittämiseen. Se kuvaa eri mediatyypit yhteiseen avaruuteen, jotta sovellus voi vertailla niiden merkityksiä keskenään. Tuloksena on lukujen vektori, jota voi käyttää semanttiseen hakuun, asiakirjojen hakuun, suositteluun, luokitteluun tai klusterointiin; se ei ole kirjallinen vastaus eikä generoitu mediatiedosto. Google dokumentoi semanttisen kattavuuden yli 100 kielellä.\n\nLuo tietopankin lähdetekstijaksoille vektorit, vertaa käyttäjän kyselyä niihin ja hae olennainen aineisto. Erillinen tekstimalli voi tämän jälkeen koostaa vastauksen näiden lähteiden avulla. Mediakokoelmassa tekstikuvaus voi hakea siihen liittyviä kuvia tai videoita; myös kuva voi toimia kyselynä. Säilytä kunkin vektorin yhteys alkuperäiseen sisältöön, myös sivu- tai leikeviite, jotta haettua tulosta voi tarkastella ja näyttää alkuperäisessä kontekstissaan.\n\nSyötteen kokonaisraja on 8 192 tokenia. Vakaan mallin opas sallii enintään kuusi PNG- tai JPEG-kuvaa, enintään 180 sekuntia MP3- tai WAV-ääntä ja enintään 120 sekuntia MP4- tai MOV-videota. Dokumentoidut videokoodekit ovat H264, H265, AV1 ja VP9. Videon käsittely käyttää enintään 32 kehystä: enintään 32 sekunnin leikkeistä poimitaan yksi kehys sekunnissa, kun taas pidemmistä leikkeistä poimitaan tasaisesti 32 kehystä. Videon ääniraitaa ei käsitellä tämän videosyötteen osana; upota sen ääni erikseen, kun se on haun kannalta olennainen.\n\nPDF-syöte hyväksyy yhden tiedoston, jossa on enintään kuusi sivua. Google suosittelee yhtä sivua PDF-tiedostoa kohden parhaan laadun saavuttamiseksi. Jaa suurempi lähde mielekkäisiin sivuihin tai osiin ja säilytä niiden yhteys alkuperäiseen asiakirjaan. Valitse ote, joka edustaa haettavaksi tarkoitettua sisältöä, sen sijaan että yhdistäisit toisiinsa liittymättömiä aineistoja vain siksi, että ne mahtuvat rajan sisään. Yhteinen tokenraja koskee myös eri medioita yhdistävää pyyntöä. Jokainen PDF-sivu kuluttaa 258 visuaalista tokenia siitä poimitun tekstin tokenien lisäksi. Googlen dokumentoidussa työnkulussa yhteisen 8 192 tokenin rajan ylittävä sisältö katkaistaan ilman virhettä.\n\nTulosteen ulottuvuusmäärä on joustava välillä 128–3 072. Oletus on 3 072, ja suositellut koot ovat 768, 1 536 ja 3 072. Malli käyttää Matryoshka Representation Learning -menetelmää, joten vektorin alkuosat säilyvät hyödyllisinä pienemmillä ulottuvuusmäärillä. Opas dokumentoi automaattisen normalisoinnin sekä oletusmittaisille että lyhennetyille vektoreille. Valitse sama ulottuvuusmäärä sovelluksen vertailemille tietueille ja kyselyille; pyydetty koko muuttaa numeerista esitystä, ei itse lähdesisältöä.\n\nSisällytä pelkkää tekstiä käyttävissä tehtävissä tarkoitus tekstiin vanhemman task_type-kentän sijaan. Google erottaa asymmetrisen haun symmetrisestä vertailusta. Hakukysely käyttää muotoa “task: search result | query: {content}”, ja lähdeasiakirja muotoa “title: {title} | text: {content}”; käytä “title: none”, jos otsikkoa ei ole. Kysymys–vastaus-, faktantarkistus- ja koodihakutehtävillä on omat kyselyetuliitteensä. Käytä luokittelussa, klusteroinnissa tai lauseiden samankaltaisuuden vertailussa johdonmukaisesti samaa tehtävämuotoa molemmilla puolilla. Opas yleensä neuvoo välttämään tehtäväetuliitteen lisäämistä yhdistetyn multimodaalisen esityksen tekstiosaan.\n\nSyötteen rakenne määrää, esittääkö tulos yhtä yhdistettyä kohdetta vai erillisiä kohteita. Useat yhdessä annetut osat luovat yhdistetyn upotuksen; erilliset Content-oliot luovat erillisen upotuksen jokaiselle tietueelle. Tekstin ja kuvan sisältävässä julkaisussa yhdistetty esitys voi kuvata niiden suhdetta. Pidä itsenäisesti haettavat tietueet erillään. Tämä valinta vaikuttaa haun tarkkuustasoon: yksi vektori koko julkaisulle on eri asia kuin yksi vektori jokaiselle tekstijaksolle tai kuvalle.\n\nOpas toteaa, että Gemini Embedding 001- ja Gemini Embedding 2 -mallien vektorit sijaitsevat yhteensopimattomissa avaruuksissa eikä niitä voi verrata suoraan. Vanhemmasta mallista siirrettävä kokoelma on upotettava uudelleen uuteen avaruuteen. Pidä mallivalinta ja ulottuvuusmäärät yhdenmukaisina vertailtavien vektorien kesken, ja säilytä alkuperäinen teksti ja media erillään numeerisesta indeksistä. Upotusten samankaltaisuus on hakusignaali, ei tosiasioihin perustuva selitys sille, miksi asiakirja vastaa käyttäjän kysymykseen.\n\nUpota käytännön luetteloa varten tuotekuva yhdessä sen hyväksytyn kuvauksen kanssa, kun pari on tarkoitus hakea yhtenä kohteena. Upota asiakirjakokoelmassa rajattuja tekstijaksoja ja vertaa niitä tarkoituksen mukaan muotoiltuun kyselyyn. Näytä sitten lähdetekstijaksot hakutuloksen rinnalla. Valitse ääni- tai videomateriaalista jakso, joka kuvaa haettavaa tapahtumaa, ja säilytä sen alkuperäinen aikaväli. Hyödyllinen tuotos on lähdenäyttöön yhdistetty numeerinen esitys sovelluksen seuraavaa haku- tai analyysivaihetta varten.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "296ebf36013391f043bc518cfcc6a503a75382d63b046f5aac57440d2d6f9bb3", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fi", "methods": [ { "html": "
G

Google: Gemini Embedding 2

Google /google/gemini-embedding-2

Aloitus

Gemini Embedding 2 kuvaa tekstin, kuvat, äänen, videon ja PDF-tiedostot yhteiseen numeeriseen avaruuteen. Sen vektorit tukevat modaliteettien välistä hakua, tiedonhakua, luokittelua ja klusterointia joustavilla ulottuvuusmäärillä ja 8 192 tokenin syöterajalla.

Hyväksytyt syötteet
Teksti · token_ids
Tulokset
embedding
Tietoa mallista

Tämä kuvaus kattaa mallin ominaisuudet. Ailootissa saatavilla olevat syötteet, tulosteet ja asetukset luetellaan alla valitulle menetelmälle.

Gemini Embedding 2 on Googlen multimodaalinen upotusmalli tekstin, kuvien, videon, äänen ja PDF-tiedostojen numeeriseen esittämiseen. Se kuvaa eri mediatyypit yhteiseen avaruuteen, jotta sovellus voi vertailla niiden merkityksiä keskenään. Tuloksena on lukujen vektori, jota voi käyttää semanttiseen hakuun, asiakirjojen hakuun, suositteluun, luokitteluun tai klusterointiin; se ei ole kirjallinen vastaus eikä generoitu mediatiedosto. Google dokumentoi semanttisen kattavuuden yli 100 kielellä.

Luo tietopankin lähdetekstijaksoille vektorit, vertaa käyttäjän kyselyä niihin ja hae olennainen aineisto. Erillinen tekstimalli voi tämän jälkeen koostaa vastauksen näiden lähteiden avulla. Mediakokoelmassa tekstikuvaus voi hakea siihen liittyviä kuvia tai videoita; myös kuva voi toimia kyselynä. Säilytä kunkin vektorin yhteys alkuperäiseen sisältöön, myös sivu- tai leikeviite, jotta haettua tulosta voi tarkastella ja näyttää alkuperäisessä kontekstissaan.

Syötteen kokonaisraja on 8 192 tokenia. Vakaan mallin opas sallii enintään kuusi PNG- tai JPEG-kuvaa, enintään 180 sekuntia MP3- tai WAV-ääntä ja enintään 120 sekuntia MP4- tai MOV-videota. Dokumentoidut videokoodekit ovat H264, H265, AV1 ja VP9. Videon käsittely käyttää enintään 32 kehystä: enintään 32 sekunnin leikkeistä poimitaan yksi kehys sekunnissa, kun taas pidemmistä leikkeistä poimitaan tasaisesti 32 kehystä. Videon ääniraitaa ei käsitellä tämän videosyötteen osana; upota sen ääni erikseen, kun se on haun kannalta olennainen.

PDF-syöte hyväksyy yhden tiedoston, jossa on enintään kuusi sivua. Google suosittelee yhtä sivua PDF-tiedostoa kohden parhaan laadun saavuttamiseksi. Jaa suurempi lähde mielekkäisiin sivuihin tai osiin ja säilytä niiden yhteys alkuperäiseen asiakirjaan. Valitse ote, joka edustaa haettavaksi tarkoitettua sisältöä, sen sijaan että yhdistäisit toisiinsa liittymättömiä aineistoja vain siksi, että ne mahtuvat rajan sisään. Yhteinen tokenraja koskee myös eri medioita yhdistävää pyyntöä. Jokainen PDF-sivu kuluttaa 258 visuaalista tokenia siitä poimitun tekstin tokenien lisäksi. Googlen dokumentoidussa työnkulussa yhteisen 8 192 tokenin rajan ylittävä sisältö katkaistaan ilman virhettä.

Tulosteen ulottuvuusmäärä on joustava välillä 128–3 072. Oletus on 3 072, ja suositellut koot ovat 768, 1 536 ja 3 072. Malli käyttää Matryoshka Representation Learning -menetelmää, joten vektorin alkuosat säilyvät hyödyllisinä pienemmillä ulottuvuusmäärillä. Opas dokumentoi automaattisen normalisoinnin sekä oletusmittaisille että lyhennetyille vektoreille. Valitse sama ulottuvuusmäärä sovelluksen vertailemille tietueille ja kyselyille; pyydetty koko muuttaa numeerista esitystä, ei itse lähdesisältöä.

Sisällytä pelkkää tekstiä käyttävissä tehtävissä tarkoitus tekstiin vanhemman task_type-kentän sijaan. Google erottaa asymmetrisen haun symmetrisestä vertailusta. Hakukysely käyttää muotoa “task: search result | query: {content}”, ja lähdeasiakirja muotoa “title: {title} | text: {content}”; käytä “title: none”, jos otsikkoa ei ole. Kysymys–vastaus-, faktantarkistus- ja koodihakutehtävillä on omat kyselyetuliitteensä. Käytä luokittelussa, klusteroinnissa tai lauseiden samankaltaisuuden vertailussa johdonmukaisesti samaa tehtävämuotoa molemmilla puolilla. Opas yleensä neuvoo välttämään tehtäväetuliitteen lisäämistä yhdistetyn multimodaalisen esityksen tekstiosaan.

Syötteen rakenne määrää, esittääkö tulos yhtä yhdistettyä kohdetta vai erillisiä kohteita. Useat yhdessä annetut osat luovat yhdistetyn upotuksen; erilliset Content-oliot luovat erillisen upotuksen jokaiselle tietueelle. Tekstin ja kuvan sisältävässä julkaisussa yhdistetty esitys voi kuvata niiden suhdetta. Pidä itsenäisesti haettavat tietueet erillään. Tämä valinta vaikuttaa haun tarkkuustasoon: yksi vektori koko julkaisulle on eri asia kuin yksi vektori jokaiselle tekstijaksolle tai kuvalle.

Opas toteaa, että Gemini Embedding 001- ja Gemini Embedding 2 -mallien vektorit sijaitsevat yhteensopimattomissa avaruuksissa eikä niitä voi verrata suoraan. Vanhemmasta mallista siirrettävä kokoelma on upotettava uudelleen uuteen avaruuteen. Pidä mallivalinta ja ulottuvuusmäärät yhdenmukaisina vertailtavien vektorien kesken, ja säilytä alkuperäinen teksti ja media erillään numeerisesta indeksistä. Upotusten samankaltaisuus on hakusignaali, ei tosiasioihin perustuva selitys sille, miksi asiakirja vastaa käyttäjän kysymykseen.

Upota käytännön luetteloa varten tuotekuva yhdessä sen hyväksytyn kuvauksen kanssa, kun pari on tarkoitus hakea yhtenä kohteena. Upota asiakirjakokoelmassa rajattuja tekstijaksoja ja vertaa niitä tarkoituksen mukaan muotoiltuun kyselyyn. Näytä sitten lähdetekstijaksot hakutuloksen rinnalla. Valitse ääni- tai videomateriaalista jakso, joka kuvaa haettavaa tapahtumaa, ja säilytä sen alkuperäinen aikaväli. Hyödyllinen tuotos on lähdenäyttöön yhdistetty numeerinen esitys sovelluksen seuraavaa haku- tai analyysivaihetta varten.

Saatavilla Ailootissa · syötteet & menetelmät

Ailoot Ultra · Vektoriesitykset POST /v1/embeddings
Syötetyypit
text, token_ids
Tulostyypit
embedding
Konteksti
8 192 tokens
Tulosteen muoto
json
KenttäTyyppiVaatimusArvot & rajatOletus
KenttämodelTyyppistringVaatimusPakollinenArvot & rajat
google/gemini-embedding-2
Oletus—
KenttäinputTyyppistring|string[]|integer[]|integer[][]VaatimusPakollinenArvot & rajat
Kohteiden vähimmäismäärä: 1
Ehdot: Ei-tyhjä, yhdenmukaisista alkioista koostuva erä. Tokenien ID:t ovat ei-negatiivisia kokonaislukuja.
Syötebudjetti: Enimmäismäärä: 8 192 · Tekstiyksikkö: UTF8-tavut · Tokenyksikkö: Token-taulukon alkiot
Oletus—
Kenttäencoding_formatTyyppistringVaatimusValinnainenArvot & rajat
float
Oletusfloat
KenttädimensionsTyyppiintegerVaatimusEi tuettuArvot & rajat
Vähimmäismäärä: 1
Oletus—
KenttäuserTyyppijson_valueVaatimusValinnainenArvot & rajat
Ehdot: Lähde sallii tämän JSON-metatietokentän; tarkka alkuperäisen palvelun semantiikka on mallikohtainen.
Oletus—
Kenttäsession_idTyyppijson_valueVaatimusValinnainenArvot & rajat
Ehdot: Lähde sallii tämän JSON-metatietokentän; tarkka alkuperäisen palvelun semantiikka on mallikohtainen.
Oletus—
KenttätraceTyyppijson_valueVaatimusValinnainenArvot & rajat
Ehdot: Lähde sallii tämän JSON-metatietokentän; tarkka alkuperäisen palvelun semantiikka on mallikohtainen.
Oletus—
KenttäproviderTyyppiobjectVaatimusValinnainenArvot & rajat
Ehdot: provider.options hylätty
Oletus—
Syöteaineistojen yhdistelmät

text_to_embedding

Menetelmän parametrit ja elinkaari
ParametriSopimus
Parametricontent_typeSopimusapplication/json
ParametrirequiredSopimusmodel, input
Parametriinput_shapesSopimusstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[]
Parametriencoding_formatSopimusfloat
Parametridimensions_overrideSopimusfalse
Parametrimax_input_budget_unitsSopimus8192
Parametrimultimodal_objectsSopimusfalse
Parametrimaterial_typesSopimustext, token_ids

Elinkaari: synchronous_json

Säilytä jokaisen vektorin indeksi ja ulottuvuus.

Mallin nimen multimodaalisuus ei tarkoita, että tämä nimenomainen reitti hyväksyisi kuvaolioita.

Hinnoittelu

Hintatiedot eivät lisää pyyntövalintoja. Tuetut parametrit on lueteltu valitulle menetelmälle.

Nopea tila
Vakiohinta Kun nopea tila on valittu
Flex-tila
Vakiohinta Kun flex-tila on valittu
Päättelyn enimmäisteho
Vakiohinta Kun päättelyn enimmäistehoon sovelletaan default-oletussäätöä

Ailoot-hinnat

Hinnat asetusten mukaan

AsetuksetHinnastoVeloitus
AsetuksetTokenien perushinnatHinnastoPerushintaVeloitus
Syöte · Syötetokenit $0.0004 / 1K tokenia
Tuloste · Tulostokenit $0 / 1K tokenia
Syöte · Välimuistin luku — / 1K tokenia
Syöte · Välimuistiin kirjoitus — / 1K tokenia
Syöte · Välimuistiin kirjoitus, 1 tunti — / 1K tokenia

Ailoot varaa arvioidun summan ennen pyyntöä. Tuloksen jälkeen lopullinen veloitus toteutetaan mitatun käytön perusteella. Suoratoiston veloituksessa käytetään lopullista käyttötietuetta. Varauksen ja lopullisen veloituksen toiminta →

Esimerkkipyynnöt

Ailoot Ultra · Vektoriesitykset

set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "google/gemini-embedding-2", "input": ["First document", "Second document"]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_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 @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")}))\nPY_RESULT\n

Vastaanota ja tallenna tulokset

Ailoot Ultra · Vektoriesitykset

json

Säilytä kaikki valmistuneet tulokset

Säilytä jokainen kokonainen palautettu vastaus, tiedosto ja sisällön osa.

Säilytä jokainen vektori indekseineen. Vektorien määrän on vastattava syötteiden määrää; ulottuvuuksien on oltava yhdenmukaiset.

Jos alkuperäinen vastaus on tarkistettava

Uutta upotustehtävien päätepistettä ei oteta käyttöön.

Vastauksen kentät
KenttäTyyppi
KenttäobjectTyyppistring
KenttämodelTyyppistring
Kenttädata[].indexTyyppiinteger
Kenttädata[].embeddingTyyppifinite float[]
KenttäusageTyyppiobject
Virheet ja seuraavat vaiheet
VastausEhtoSeuraava vaihe
Vastaus400 · invalid_request_errorEhtoVirheelliset pakolliset kentät, aineiston esitysmuoto tai parametrin arvoSeuraava vaiheKorjaa ilmoitetut kentät ennen uutta luontipyyntöä.

Aliakset

Mallin aliakset

Ailoot Ultra google/gemini-embedding-2

Menetelmäpolkujen aliakset

Käytä yllä näytettyjä menetelmäpolkuja.

Liittyvät kutsujan ID:t

google/gemini-embedding-2

", "method_identity": { "effective_request_model_id": "google/gemini-embedding-2", "fmt": "embeddings", "http": "POST", "path": "/v1/embeddings", "request_model_id": "google/gemini-embedding-2", "route_label": "Ultra" }, "method_key": "Ultra|embeddings|/v1/embeddings|google%2Fgemini-embedding-2", "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": "Virheelliset pakolliset kentät, aineiston esitysmuoto tai parametrin arvo", "http_status": 400, "recovery": "Korjaa ilmoitetut kentät ennen uutta luontipyyntöä.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "Uutta upotustehtävien päätepistettä ei oteta käyttöön." }, "material_combinations": [ { "alternatives": [ "string", "string[]", "nonnegative_integer_token_array", "nonnegative_integer_token_array[]" ], "mode": "text_to_embedding" } ], "operation_modes": [ "single_embedding", "batched_embeddings" ], "outputs": { "all_results": "Säilytä jokainen vektori indekseineen. Vektorien määrän on vastattava syötteiden määrää; ulottuvuuksien on oltava yhdenmukaiset.", "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" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "budget": { "maximum": 8192, "text_unit": "UTF8-tavut", "token_unit": "Token-taulukon alkiot" }, "conditions": "Ei-tyhjä, yhdenmukaisista alkioista koostuva erä. Tokenien ID:t ovat ei-negatiivisia kokonaislukuja.", "default": null, "default_known": false, "enum": null, "enum_known": false, "min_items": 1, "name": "input", "required": true, "type": "string|string[]|integer[]|integer[][]" }, { "availability": "source_interface", "default": "float", "default_known": true, "enum": [ "float" ], "enum_known": true, "name": "encoding_format", "required": false, "type": "string" }, { "availability": "unsupported", "default": null, "default_known": false, "enum": null, "enum_known": false, "minimum": 1, "name": "dimensions", "required": false, "type": "integer" }, { "availability": "pass_through_metadata", "conditions": "Lähde sallii tämän JSON-metatietokentän; tarkka alkuperäisen palvelun semantiikka on mallikohtainen.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "user", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "Lähde sallii tämän JSON-metatietokentän; tarkka alkuperäisen palvelun semantiikka on mallikohtainen.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "session_id", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "Lähde sallii tämän JSON-metatietokentän; tarkka alkuperäisen palvelun semantiikka on mallikohtainen.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "trace", "required": false, "type": "json_value" }, { "availability": "source_interface", "conditions": "provider.options hylätty", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "provider", "required": false, "type": "object" } ], "profile_binding": "Exact existing Ailoot model and method; interface constraints below do not assert provider qualification.", "unsupported": [ "mixed input kinds", "empty input", "image/audio/file objects", "encoding_format=base64", "dimensions override" ] }, "hints": [ "Säilytä jokaisen vektorin indeksi ja ulottuvuus.", "Mallin nimen multimodaalisuus ei tarkoita, että tämä nimenomainen reitti hyväksyisi kuvaolioita." ], "input": { "content_type": "application/json", "dimensions_override": false, "encoding_format": [ "float" ], "input_shapes": [ "string", "string[]", "nonnegative_integer_token_array", "nonnegative_integer_token_array[]" ], "material_types": [ "text", "token_ids" ], "max_input_budget_units": 8192, "multimodal_objects": false, "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": "one dense float vector per input; indices/model/usage validated" } }, "ctx": 8192, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Tokenien perushinnat", "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": "set -eu\n: \"${AILOOT_API_KEY:?Set your Ailoot API key}\"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{\"model\": \"google/gemini-embedding-2\", \"input\": [\"First document\", \"Second document\"]}')\n\nPath(\"request.json\").write_text(json.dumps(p,ensure_ascii=False))\nPY_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 @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path(\"result.json\").read_text())\nfor x in r.get(\"data\",[]): print(json.dumps({\"index\":x.get(\"index\"),\"embedding\":x.get(\"embedding\")}))\nPY_RESULT\n", "label": "curl · retained exact creation", "language": "bash" }, { "code": "from openai import OpenAI\nimport os\n\nclient=OpenAI(base_url=\"https://api.ailoot.ai/v1\",api_key=os.environ[\"AILOOT_API_KEY\"],max_retries=0)\nresult=client.embeddings.create(model='google/gemini-embedding-2',input=[\"First document\",\"Second document\"])\nprint(result)\nfor item in result.data:print(item.index,item.embedding)\n", "label": "Python SDK · all vectors", "language": "python" } ], "family": "openai", "fast_multiplier": 1, "flex_multiplier": 1, "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", "token_ids" ], "label": "Эмбеддинги", "max_out": null, "max_reasoning_effort_multiplier": 1, "method_aliases": [], "out": 0, "output": [ "embedding" ], "path": "/v1/embeddings", "price_conditions": [ { "label": "Nopea tila", "value": "Vakiohinta", "when": "Kun nopea tila on valittu" }, { "label": "Flex-tila", "value": "Vakiohinta", "when": "Kun flex-tila on valittu" }, { "label": "Päättelyn enimmäisteho", "value": "Vakiohinta", "when": "Kun päättelyn enimmäistehoon sovelletaan default-oletussäätöä" } ], "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", "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", "nativeProvenance": { "input_facts_canonical_sha256": "bd62d77965e16782c6c7cdd9b94e156bd373869460dd2e92745522fd7851e2cc", "input_html_sha256": "4ee50e28c72dd447cfb35fda9dc58f27718533d14aaaa092acc9d27aba1b1a7b", "private_audit_sha256": "d58866fc95c06ab95db20300940700191407b2fdf200a0b2817d10153e0001ab", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/fi/google-gemini-embedding-2/", "description": "Gemini Embedding 2 kuvaa tekstin, kuvat, äänen, videon ja PDF-tiedostot yhteiseen numeeriseen avaruuteen. Sen vektorit tukevat modaliteettien välistä hakua, tiedonhakua, luokittelua ja klusterointia joustavilla ulottuvuusmäärillä ja 8 192 tokenin syöterajalla.", "locale": "fi", "md_url": "https://ailoot.ai/models/fi/google-gemini-embedding-2/index.md", "title": "Google: Gemini Embedding 2 — Ailoot", "url": "https://ailoot.ai/models/fi/google-gemini-embedding-2/" }, "rawModel": { "about": "Gemini Embedding 2 on Googlen multimodaalinen upotusmalli tekstin, kuvien, videon, äänen ja PDF-tiedostojen numeeriseen esittämiseen. Se kuvaa eri mediatyypit yhteiseen avaruuteen, jotta sovellus voi vertailla niiden merkityksiä keskenään. Tuloksena on lukujen vektori, jota voi käyttää semanttiseen hakuun, asiakirjojen hakuun, suositteluun, luokitteluun tai klusterointiin; se ei ole kirjallinen vastaus eikä generoitu mediatiedosto. Google dokumentoi semanttisen kattavuuden yli 100 kielellä.\n\nLuo tietopankin lähdetekstijaksoille vektorit, vertaa käyttäjän kyselyä niihin ja hae olennainen aineisto. Erillinen tekstimalli voi tämän jälkeen koostaa vastauksen näiden lähteiden avulla. Mediakokoelmassa tekstikuvaus voi hakea siihen liittyviä kuvia tai videoita; myös kuva voi toimia kyselynä. Säilytä kunkin vektorin yhteys alkuperäiseen sisältöön, myös sivu- tai leikeviite, jotta haettua tulosta voi tarkastella ja näyttää alkuperäisessä kontekstissaan.\n\nSyötteen kokonaisraja on 8 192 tokenia. Vakaan mallin opas sallii enintään kuusi PNG- tai JPEG-kuvaa, enintään 180 sekuntia MP3- tai WAV-ääntä ja enintään 120 sekuntia MP4- tai MOV-videota. Dokumentoidut videokoodekit ovat H264, H265, AV1 ja VP9. Videon käsittely käyttää enintään 32 kehystä: enintään 32 sekunnin leikkeistä poimitaan yksi kehys sekunnissa, kun taas pidemmistä leikkeistä poimitaan tasaisesti 32 kehystä. Videon ääniraitaa ei käsitellä tämän videosyötteen osana; upota sen ääni erikseen, kun se on haun kannalta olennainen.\n\nPDF-syöte hyväksyy yhden tiedoston, jossa on enintään kuusi sivua. Google suosittelee yhtä sivua PDF-tiedostoa kohden parhaan laadun saavuttamiseksi. Jaa suurempi lähde mielekkäisiin sivuihin tai osiin ja säilytä niiden yhteys alkuperäiseen asiakirjaan. Valitse ote, joka edustaa haettavaksi tarkoitettua sisältöä, sen sijaan että yhdistäisit toisiinsa liittymättömiä aineistoja vain siksi, että ne mahtuvat rajan sisään. Yhteinen tokenraja koskee myös eri medioita yhdistävää pyyntöä. Jokainen PDF-sivu kuluttaa 258 visuaalista tokenia siitä poimitun tekstin tokenien lisäksi. Googlen dokumentoidussa työnkulussa yhteisen 8 192 tokenin rajan ylittävä sisältö katkaistaan ilman virhettä.\n\nTulosteen ulottuvuusmäärä on joustava välillä 128–3 072. Oletus on 3 072, ja suositellut koot ovat 768, 1 536 ja 3 072. Malli käyttää Matryoshka Representation Learning -menetelmää, joten vektorin alkuosat säilyvät hyödyllisinä pienemmillä ulottuvuusmäärillä. Opas dokumentoi automaattisen normalisoinnin sekä oletusmittaisille että lyhennetyille vektoreille. Valitse sama ulottuvuusmäärä sovelluksen vertailemille tietueille ja kyselyille; pyydetty koko muuttaa numeerista esitystä, ei itse lähdesisältöä.\n\nSisällytä pelkkää tekstiä käyttävissä tehtävissä tarkoitus tekstiin vanhemman task_type-kentän sijaan. Google erottaa asymmetrisen haun symmetrisestä vertailusta. Hakukysely käyttää muotoa “task: search result | query: {content}”, ja lähdeasiakirja muotoa “title: {title} | text: {content}”; käytä “title: none”, jos otsikkoa ei ole. Kysymys–vastaus-, faktantarkistus- ja koodihakutehtävillä on omat kyselyetuliitteensä. Käytä luokittelussa, klusteroinnissa tai lauseiden samankaltaisuuden vertailussa johdonmukaisesti samaa tehtävämuotoa molemmilla puolilla. Opas yleensä neuvoo välttämään tehtäväetuliitteen lisäämistä yhdistetyn multimodaalisen esityksen tekstiosaan.\n\nSyötteen rakenne määrää, esittääkö tulos yhtä yhdistettyä kohdetta vai erillisiä kohteita. Useat yhdessä annetut osat luovat yhdistetyn upotuksen; erilliset Content-oliot luovat erillisen upotuksen jokaiselle tietueelle. Tekstin ja kuvan sisältävässä julkaisussa yhdistetty esitys voi kuvata niiden suhdetta. Pidä itsenäisesti haettavat tietueet erillään. Tämä valinta vaikuttaa haun tarkkuustasoon: yksi vektori koko julkaisulle on eri asia kuin yksi vektori jokaiselle tekstijaksolle tai kuvalle.\n\nOpas toteaa, että Gemini Embedding 001- ja Gemini Embedding 2 -mallien vektorit sijaitsevat yhteensopimattomissa avaruuksissa eikä niitä voi verrata suoraan. Vanhemmasta mallista siirrettävä kokoelma on upotettava uudelleen uuteen avaruuteen. Pidä mallivalinta ja ulottuvuusmäärät yhdenmukaisina vertailtavien vektorien kesken, ja säilytä alkuperäinen teksti ja media erillään numeerisesta indeksistä. Upotusten samankaltaisuus on hakusignaali, ei tosiasioihin perustuva selitys sille, miksi asiakirja vastaa käyttäjän kysymykseen.\n\nUpota käytännön luetteloa varten tuotekuva yhdessä sen hyväksytyn kuvauksen kanssa, kun pari on tarkoitus hakea yhtenä kohteena. Upota asiakirjakokoelmassa rajattuja tekstijaksoja ja vertaa niitä tarkoituksen mukaan muotoiltuun kyselyyn. Näytä sitten lähdetekstijaksot hakutuloksen rinnalla. Valitse ääni- tai videomateriaalista jakso, joka kuvaa haettavaa tapahtumaa, ja säilytä sen alkuperäinen aikaväli. Hyödyllinen tuotos on lähdenäyttöön yhdistetty numeerinen esitys sovelluksen seuraavaa haku- tai analyysivaihetta varten.", "alias_of": null, "aliases": [], "author": "Google", "available": null, "canonical_model": "google/gemini-embedding-2", "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": "Konfiguraation täydet hintatiedot lisätiedoissa." } ], "ctx": 8192, "entity_type": "model", "formats": [ "embeddings" ], "id": "google/gemini-embedding-2", "input": [ "text", "token_ids" ], "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": "Virheelliset pakolliset kentät, aineiston esitysmuoto tai parametrin arvo", "http_status": 400, "recovery": "Korjaa ilmoitetut kentät ennen uutta luontipyyntöä.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "Uutta upotustehtävien päätepistettä ei oteta käyttöön." }, "material_combinations": [ { "alternatives": [ "string", "string[]", "nonnegative_integer_token_array", "nonnegative_integer_token_array[]" ], "mode": "text_to_embedding" } ], "operation_modes": [ "single_embedding", "batched_embeddings" ], "outputs": { "all_results": "Säilytä jokainen vektori indekseineen. Vektorien määrän on vastattava syötteiden määrää; ulottuvuuksien on oltava yhdenmukaiset.", "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" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "budget": { "maximum": 8192, "text_unit": "UTF8-tavut", "token_unit": "Token-taulukon alkiot" }, "conditions": "Ei-tyhjä, yhdenmukaisista alkioista koostuva erä. Tokenien ID:t ovat ei-negatiivisia kokonaislukuja.", "default": null, "default_known": false, "enum": null, "enum_known": false, "min_items": 1, "name": "input", "required": true, "type": "string|string[]|integer[]|integer[][]" }, { "availability": "source_interface", "default": "float", "default_known": true, "enum": [ "float" ], "enum_known": true, "name": "encoding_format", "required": false, "type": "string" }, { "availability": "unsupported", "default": null, "default_known": false, "enum": null, "enum_known": false, "minimum": 1, "name": "dimensions", "required": false, "type": "integer" }, { "availability": "pass_through_metadata", "conditions": "Lähde sallii tämän JSON-metatietokentän; tarkka alkuperäisen palvelun semantiikka on mallikohtainen.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "user", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "Lähde sallii tämän JSON-metatietokentän; tarkka alkuperäisen palvelun semantiikka on mallikohtainen.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "session_id", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "Lähde sallii tämän JSON-metatietokentän; tarkka alkuperäisen palvelun semantiikka on mallikohtainen.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "trace", "required": false, "type": "json_value" }, { "availability": "source_interface", "conditions": "provider.options hylätty", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "provider", "required": false, "type": "object" } ], "profile_binding": "Exact existing Ailoot model and method; interface constraints below do not assert provider qualification.", "unsupported": [ "mixed input kinds", "empty input", "image/audio/file objects", "encoding_format=base64", "dimensions override" ] }, "hints": [ "Säilytä jokaisen vektorin indeksi ja ulottuvuus.", "Mallin nimen multimodaalisuus ei tarkoita, että tämä nimenomainen reitti hyväksyisi kuvaolioita." ], "input": { "content_type": "application/json", "dimensions_override": false, "encoding_format": [ "float" ], "input_shapes": [ "string", "string[]", "nonnegative_integer_token_array", "nonnegative_integer_token_array[]" ], "material_types": [ "text", "token_ids" ], "max_input_budget_units": 8192, "multimodal_objects": false, "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": "one dense float vector per input; indices/model/usage validated" } }, "ctx": 8192, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Tokenien perushinnat", "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": "set -eu\n: \"${AILOOT_API_KEY:?Set your Ailoot API key}\"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{\"model\": \"google/gemini-embedding-2\", \"input\": [\"First document\", \"Second document\"]}')\n\nPath(\"request.json\").write_text(json.dumps(p,ensure_ascii=False))\nPY_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 @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path(\"result.json\").read_text())\nfor x in r.get(\"data\",[]): print(json.dumps({\"index\":x.get(\"index\"),\"embedding\":x.get(\"embedding\")}))\nPY_RESULT\n", "label": "curl · retained exact creation", "language": "bash" }, { "code": "from openai import OpenAI\nimport os\n\nclient=OpenAI(base_url=\"https://api.ailoot.ai/v1\",api_key=os.environ[\"AILOOT_API_KEY\"],max_retries=0)\nresult=client.embeddings.create(model='google/gemini-embedding-2',input=[\"First document\",\"Second document\"])\nprint(result)\nfor item in result.data:print(item.index,item.embedding)\n", "label": "Python SDK · all vectors", "language": "python" } ], "family": "openai", "fast_multiplier": 1, "flex_multiplier": 1, "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", "token_ids" ], "label": "Эмбеддинги", "max_out": null, "max_reasoning_effort_multiplier": 1, "method_aliases": [], "out": 0, "output": [ "embedding" ], "path": "/v1/embeddings", "price_conditions": [ { "label": "Nopea tila", "value": "Vakiohinta", "when": "Kun nopea tila on valittu" }, { "label": "Flex-tila", "value": "Vakiohinta", "when": "Kun flex-tila on valittu" }, { "label": "Päättelyn enimmäisteho", "value": "Vakiohinta", "when": "Kun päättelyn enimmäistehoon sovelletaan default-oletussäätöä" } ], "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", "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", "request_model_id": "google/gemini-embedding-2", "route_label": "Ultra" } ], "name": "Google: Gemini Embedding 2", "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 }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Эмбеддинги · 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" } ] } ], "public_id": "google/gemini-embedding-2", "short": "Gemini Embedding 2 kuvaa tekstin, kuvat, äänen, videon ja PDF-tiedostot yhteiseen numeeriseen avaruuteen. Sen vektorit tukevat modaliteettien välistä hakua, tiedonhakua, luokittelua ja klusterointia joustavilla ulottuvuusmäärillä ja 8 192 tokenin syöterajalla." }, "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 kuvaa tekstin, kuvat, äänen, videon ja PDF-tiedostot yhteiseen numeeriseen avaruuteen. Sen vektorit tukevat modaliteettien välistä hakua, tiedonhakua, luokittelua ja klusterointia joustavilla ulottuvuusmäärillä ja 8 192 tokenin syöterajalla.", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "f4c08bbf8b0499db47d96a7968c3d8e470d990f22fdc639670a1755d2a972d0a", "renderer_sha256": "303a59603e2bc29ba8fda690e95fd32cec68de223d92e26054a88babff801dd7" }, "sourceRevision": "fd40ed4f7e738b025ed180df4ed48dfa4230157ea3a16b30ac1498553cd486c3" }