Source: https://ailoot.ai/models/he/google-gemini-embedding-2/
Canonical: https://ailoot.ai/models/he/google-gemini-embedding-2/
Language: he

# Google: Gemini Embedding 2

[Markdown](https://ailoot.ai/models/he/google-gemini-embedding-2/index.md) · [JSON](https://ailoot.ai/models/he/google-gemini-embedding-2/facts.json)

## [Google: Gemini Embedding 2](https://ailoot.ai/models/he/google-gemini-embedding-2/)

Gemini Embedding 2 ממפה טקסט, תמונות, אודיו, וידאו ו־PDF למרחב מספרי משותף. הווקטורים שלו תומכים בחיפוש בין אופנויות, באחזור, בסיווג ובקיבוץ לאשכולות, עם מספר ממדים גמיש ומגבלת קלט של 8192 טוקנים.

- [**Ailoot Ultra · ייצוגים וקטוריים** `POST /v1/embeddings` `google/gemini-embedding-2`](https://ailoot.ai/models/he/google-gemini-embedding-2/#method-0)

על המודל

התיאור הזה מציג את יכולות המודל. הקלט, הפלט והאפשרויות הזמינים ב-Ailoot מפורטים בהמשך לפי השיטה שנבחרה.

Gemini Embedding 2 הוא מודל ההטמעה הרב־מודלי של Google לייצוג מספרי של טקסט, תמונות, וידאו, אודיו ו־PDF. הוא ממפה את סוגי המדיה השונים למרחב משותף, כדי שיישום יוכל להשוות משמעות ביניהם. התוצאה היא וקטור של מספרים, שימושי לחיפוש סמנטי, לאחזור מסמכים, להמלצות, לסיווג או לקיבוץ לאשכולות; זו אינה תשובה כתובה או קובץ מדיה שנוצר בידי המודל. Google מתעדת כיסוי סמנטי ביותר מ־100 שפות.

עבור בסיס ידע, צרו וקטורים לקטעי המקור, השוו אליהם את שאילתת המשתמש ואחזרו את החומר הרלוונטי. מודל טקסט נפרד יכול לאחר מכן לחבר תשובה באמצעות המקורות האלה. באוסף מדיה, תיאור טקסטואלי יכול לחפש תמונות או וידאו קשורים; תמונה יכולה גם היא לשמש כשאילתה. שמרו את החיבור של כל וקטור לתוכן המקורי, לרבות הפניה לעמוד או לקליפ, כדי שאפשר יהיה לבדוק את התוצאה שאוחזרה ולהציגה בהקשרה המקורי.

מגבלת הקלט הכוללת היא 8192 טוקנים. מדריך המודל היציב מאפשר עד שש תמונות PNG או JPEG, עד 180 שניות של אודיו MP3 או WAV ועד 120 שניות של וידאו MP4 או MOV. קודקי הווידאו המתועדים הם H264, H265, AV1 ו־VP9. עיבוד הווידאו משתמש לכל היותר ב־32 פריימים: קליפים של עד 32 שניות נדגמים בפריים אחד לשנייה, ואילו קליפים ארוכים יותר נדגמים באופן אחיד ל־32 פריימים. רצועת האודיו של הסרטון אינה מעובדת בקלט הווידאו הזה; הטמיעו את הצליל שלו בנפרד כשהוא חשוב לאחזור.

קלט PDF מקבל קובץ אחד עם לכל היותר שישה עמודים. Google ממליצה על עמוד אחד לכל PDF לקבלת האיכות הטובה ביותר. חלקו מקור גדול יותר לעמודים או לסעיפים בעלי משמעות ושמרו את הקשר שלהם למסמך המקורי. בחרו קטע המייצג את מה שצריך להיות ניתן לאחזור, במקום לשלב חומרים לא קשורים רק מפני שהם נכנסים למגבלה. גבול הטוקנים המשותף עדיין חל על בקשה המשלבת מדיה. כל עמוד PDF צורך 258 טוקנים חזותיים נוסף על טוקני הטקסט שחולץ ממנו. בתהליך המתועד של Google, תוכן החורג מהמגבלה המשותפת של 8192 טוקנים נקטע ללא שגיאה.

מספר ממדי הפלט גמיש בין 128 ל־3072, עם ברירת מחדל של 3072 וגדלים מומלצים של 768, 1536 ו־3072. המודל משתמש ב־Matryoshka Representation Learning, כך שתחיליות הווקטור נשארות שימושיות במספר ממדים קטן יותר. המדריך שלו מתעד נרמול אוטומטי הן לווקטורים בגודל ברירת המחדל והן לווקטורים מקוצרים. בחרו מספר ממדים עקבי לרשומות ולשאילתות שהיישום משווה; הגודל המבוקש משנה את הייצוג המספרי, ולא את תוכן המקור עצמו.

למשימות טקסט בלבד, כללו את המטרה בטקסט במקום להשתמש בשדה הישן task\_type. Google מבחינה בין אחזור אסימטרי להשוואה סימטרית. שאילתת חיפוש משתמשת ב־“task: search result | query: {content}”, ואילו מסמך מקור משתמש ב־“title: {title} | text: {content}”; השתמשו ב־“title: none” אם אין לו כותרת. למשימות מענה על שאלות, בדיקת עובדות ואחזור קוד יש תחיליות שאילתה משלהן. בסיווג, בקיבוץ לאשכולות או בדמיון בין משפטים, השתמשו באותו פורמט משימה בעקביות בשני הצדדים. המדריך ממליץ בדרך כלל שלא להוסיף תחילית משימה לחלק הטקסטואלי של ייצוג רב־מודלי משולב.

מבנה הקלט קובע אם התוצאה מייצגת אובייקט משולב אחד או פריטים נפרדים. חלקים מרובים המסופקים יחד יוצרים הטמעה מאוגדת; אובייקטי Content נפרדים יוצרים הטמעות נפרדות לכל רשומה. עבור פוסט הכולל טקסט ותמונה, ייצוג משולב יכול ללכוד את הקשר ביניהם. רשומות שניתן לחפש בנפרד השאירו נפרדות. הבחירה הזו משפיעה על רמת הפירוט של האחזור: וקטור אחד לפוסט שלם שונה מווקטור לכל קטע או תמונה.

המדריך מציין שווקטורים מ־Gemini Embedding 001 ומ־Gemini Embedding 2 נמצאים במרחבים לא תואמים ואי אפשר להשוות ביניהם ישירות. אוסף המועבר מהמודל הישן זקוק להטמעה מחדש עבור המרחב החדש. שמרו על עקביות בבחירת המודל ובמספר הממדים של הווקטורים המושווים, ושמרו טקסט ומדיה מקוריים בנפרד מהאינדקס המספרי. דמיון ההטמעה הוא אות לאחזור, ולא הסבר עובדתי לכך שמסמך עונה על שאלת המשתמש.

בקטלוג מעשי, הטמיעו תצלום מוצר יחד עם התיאור המאושר שלו כאשר יש לאחזר את השניים כאובייקט אחד. באוסף מסמכים, הטמיעו קטעים ממוקדים והשוו אותם לשאילתה המעוצבת לפי המטרה, ואז הציגו את קטעי המקור לצד תוצאת החיפוש. באודיו או בווידאו, בחרו את הקטע המתאר את האירוע שאפשר לחפש ושמרו את טווח הזמן המקורי שלו. התוצר השימושי הוא ייצוג מספרי המקושר לראיות מקור עבור שלב החיפוש או הניתוח הבא של היישום.

**Ailoot Ultra · ייצוגים וקטוריים** `POST /v1/embeddings` `google/gemini-embedding-2`

[`google/gemini-embedding-2`](https://ailoot.ai/models/he/#m=google%2Fgemini-embedding-2&route=Ultra&caller=google%2Fgemini-embedding-2&fmt=embeddings)

Google /`google/gemini-embedding-2`

### התחלה

Gemini Embedding 2 ממפה טקסט, תמונות, אודיו, וידאו ו־PDF למרחב מספרי משותף. הווקטורים שלו תומכים בחיפוש בין אופנויות, באחזור, בסיווג ובקיבוץ לאשכולות, עם מספר ממדים גמיש ומגבלת קלט של 8192 טוקנים.

סוגי קלט נתמכים

טקסט · token\_ids

תוצאות

embedding

### זמין ב-Ailoot · קלט ושיטות

**Ailoot Ultra · ייצוגים וקטוריים** `POST /v1/embeddings`

סוגי קלט

`text`, `token_ids`

סוגי פלט

`embedding`

הקשר

⁦8,192⁩ tokens

פורמט פלט

json

| שדה | סוג | דרישה | ערכים ומגבלות | ברירת מחדל |
| --- | --- | --- | --- | --- |
| שדה`model` | סוג`string` | דרישהחובה | ערכים ומגבלות google/gemini-embedding-2 | ברירת מחדל— |
| שדה`input` | סוג`string\|string[]\|integer[]\|integer[][]` | דרישהחובה | ערכים ומגבלות מספר פריטים מזערי: ⁦1⁩ תנאים: אצווה אחידה שאינה ריקה. מזהי הטוקנים הם מספרים שלמים אי־שליליים. תקציב קלט: מקסימום: ⁦8,192⁩ · יחידת טקסט: בתים בקידוד UTF8 · יחידת טוקנים: רכיבים במערך טוקנים | ברירת מחדל— |
| שדה`encoding_format` | סוג`string` | דרישהרשות | ערכים ומגבלות float | ברירת מחדלfloat |
| שדה`dimensions` | סוג`integer` | דרישהלא נתמך | ערכים ומגבלות מינימום: ⁦1⁩ | ברירת מחדל— |
| שדה`user` | סוג`json_value` | דרישהרשות | ערכים ומגבלות תנאים: המקור מאפשר שדה מטא־נתונים זה ב־JSON; המשמעות המדויקת אצל הספק תלויה במודל. | ברירת מחדל— |
| שדה`session_id` | סוג`json_value` | דרישהרשות | ערכים ומגבלות תנאים: המקור מאפשר שדה מטא־נתונים זה ב־JSON; המשמעות המדויקת אצל הספק תלויה במודל. | ברירת מחדל— |
| שדה`trace` | סוג`json_value` | דרישהרשות | ערכים ומגבלות תנאים: המקור מאפשר שדה מטא־נתונים זה ב־JSON; המשמעות המדויקת אצל הספק תלויה במודל. | ברירת מחדל— |
| שדה`provider` | סוג`object` | דרישהרשות | ערכים ומגבלות תנאים: provider.options נדחה | ברירת מחדל— |

שילובים של חומרי קלט

**text\_to\_embedding**

פרמטרים ומחזור חיים של השיטה

| פרמטר | מפרט |
| --- | --- |
| פרמטר`content_type` | מפרטapplication/json |
| פרמטר`required` | מפרטmodel, input |
| פרמטר`input_shapes` | מפרטstring, string\[\], nonnegative\_integer\_token\_array, nonnegative\_integer\_token\_array\[\] |
| פרמטר`encoding_format` | מפרטfloat |
| פרמטר`dimensions_override` | מפרטfalse |
| פרמטר`max_input_budget_units` | מפרט8192 |
| פרמטר`multimodal_objects` | מפרטfalse |
| פרמטר`material_types` | מפרטtext, token\_ids |

מחזור חיים: `synchronous_json`

שמרו כל אינדקס וקטור וממד.

שם מודל רב־מודאלי אינו מאפשר אובייקטי תמונה בנתיב המדויק הזה.

### תעריפים

מידע תעריפים אינו מוסיף אפשרויות לבקשה. הפרמטרים הנתמכים מפורטים בשיטה שנבחרה.

מצב מהיר

תעריף רגיל כאשר נבחר מצב מהיר

מצב Flex

תעריף רגיל כאשר נבחר מצב flex

מאמץ חשיבה מרבי

תעריף רגיל כאשר מאמץ החשיבה המרבי משתמש בהתאמת ברירת המחדל (default)

#### תעריפי Ailoot

#### מחירים לפי תצורה

| תצורה | טבלת תעריפים | חיוב |
| --- | --- | --- |
| תצורהתעריפי הבסיס לטוקנים | טבלת תעריפיםתעריף בסיס | חיוב קלט · טוקני קלט **$0.0004** / 1K טוקנים פלט · טוקני פלט **$0** / 1K טוקנים קלט · קריאה מהמטמון **—** / 1K טוקנים קלט · כתיבה למטמון **—** / 1K טוקנים קלט · כתיבה למטמון, 1 שעה **—** / 1K טוקנים |

לפני הבקשה Ailoot משריינת סכום משוער. לאחר קבלת התוצאה היא מסדירה את החיוב הסופי לפי השימוש המדוד. הסדרת חיוב בהזרמה משתמשת ברשומת השימוש הסופית. [איך פועלים שריון הסכום והסדרת החיוב →](https://ailoot.ai/docs/he/billing/reserve/)

### דוגמאות לבקשות

#### Ailoot Ultra · ייצוגים וקטוריים

curlPython SDK

```bash
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
p=json.loads('{"model": "google/gemini-embedding-2", "input": ["First document", "Second document"]}')

Path("request.json").write_text(json.dumps(p,ensure_ascii=False))
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \
  -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
  --data-binary @request.json -D response-headers.txt -o result.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
r=json.loads(Path("result.json").read_text())
for x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")}))
PY_RESULT
```

```python
from openai import OpenAI
import os

client=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)
result=client.embeddings.create(model='google/gemini-embedding-2',input=["First document","Second document"])
print(result)
for item in result.data:print(item.index,item.embedding)
```

### קבלה ושמירה של תוצאות

#### Ailoot Ultra · ייצוגים וקטוריים

json

##### שמירת כל התוצאות שהושלמו

שמרו כל תגובה מלאה, קובץ ומקטע תוכן שהוחזרו.

שמרו כל וקטור עם האינדקס שלו. מספר הווקטורים חייב להיות שווה למספר פריטי הקלט; מספר הממדים חייב להיות עקבי.

##### כשצריך לבדוק את התגובה המקורית

לא מתווספת נקודת קצה למשימות הטמעה.

שדות התגובה

| שדה | סוג |
| --- | --- |
| שדה`object` | סוגstring |
| שדה`model` | סוגstring |
| שדה`data[].index` | סוגinteger |
| שדה`data[].embedding` | סוגfinite float\[\] |
| שדה`usage` | סוגobject |

שגיאות והשלבים הבאים

| תגובה | תנאי | השלב הבא |
| --- | --- | --- |
| תגובה⁦400⁩ · `invalid_request_error` | תנאישדות נדרשים, ייצוג חומר או ערך פרמטר שאינם תקינים | השלב הבאתקנו את השדות שצוינו לפני בקשת יצירה חדשה. |

### כינויים

#### כינויים למודל

**Ailoot Ultra** [`google/gemini-embedding-2`](https://ailoot.ai/models/he/#m=google%2Fgemini-embedding-2&route=Ultra&caller=google%2Fgemini-embedding-2&fmt=embeddings)

#### כינויים לנתיבי שיטות

השתמשו בנתיבי השיטות המוצגים למעלה.

#### מזהי מודלים קשורים IDs

[`google/gemini-embedding-2`](https://ailoot.ai/models/he/#m=google%2Fgemini-embedding-2&route=Ultra&caller=google%2Fgemini-embedding-2&fmt=embeddings)

FAQ · Google: Gemini Embedding 2

אילו קלטים ותוצאות זמינים?

`POST /v1/embeddings` · `google/gemini-embedding-2`: `text`, `token_ids` → `embedding`

באילו שדות הבקשה משתמשת?

`POST /v1/embeddings` · `google/gemini-embedding-2`: `model`, `input`, `encoding_format`, `provider`

אילו מגבלות חלות?

`POST /v1/embeddings` · `google/gemini-embedding-2`: `ctx`: `8192`; `input.budget.maximum`: `8192` (בתים בקידוד UTF8); `input.min_items`: `1`

חברו Ailoot ל- Claude Code, OpenCode, Hermes או ליישום שלכם.

## החברה ופורטפוליו הפרויקטים שלה

החברה ופורטפוליו הפרויקטים שלה: מיליוני לקוחות; מכירות בהיקף של מיליארדים מדי חודש.

## קנו אסימונים בהנחה.

הנחת מנוי לעבודה קבועה. קודי הנחה עד 50% על רכישת אסימונים.

מנוי

בחרו מסלול עם הנחה לבקשות הקבועות שלכם.

קוד הנחה עד 50%

הזינו קוד ברכישה. המחיר יחושב מחדש לפי המבצע הפעיל.

הוצאות בהיסטוריה

המודל, האסימונים והסכום נשמרים לכל בקשה.

[בחירת מנוי](https://ailoot.ai/docs/he/billing/subscriptions/) · [מחירי מודלים](https://ailoot.ai/models/he/)

## חברו API למוצר שאתם מוכרים.

SaaS, יישומים ובוטים לפי ההצעה והסכם הרישוי של Ailoot. למכירה מחדש בקשו רישיון משווק.

יישום מסחרי

שלבו יצירת טקסט, תמונות, וידאו ושמע בתכונות בתשלום של השירות שלכם.

רישיון למכירה מחדש

שלחו תיאור פרויקט ואופן מתן גישה. בקשו תנאי שימוש ומכירה מחדש בכתב.

מסמכים באתר

ההצעה, הסכם הרישוי ומדיניות עיבוד הנתונים זמינים לפני החיבור.

[בקשת רישיון למכירה מחדש](mailto:support@ailoot.ai) · [ההצעה והסכם הרישוי](https://ailoot.ai/legal/offer?lang=he)

## Ailoot · החברה ופורטפוליו הפרויקטים שלה





Ailoot נשענת על ניסיון תפעולי מצטבר, בסיס לקוחות רחב, שירות יציב ובקרה שוטפת של KPI.





החברה ופורטפוליו הפרויקטים שלה: מיליוני לקוחות; מכירות בהיקף של מיליארדים מדי חודש.





Ailoot משתמשת בניסיון התפעולי הזה כדי לספק גישת API ליכולות AI במוצרי לקוחות, בסוכנים, באפליקציות ובאוטומציות.