A Gemini Embedding 2 a Google multimodális beágyazási modellje szöveg, kép, videó, hang és PDF numerikus reprezentációjához. A különböző médiatípusokat közös térbe képezi le, hogy egy alkalmazás összehasonlíthassa a jelentésüket. Az eredmény egy számvektor, amely szemantikai kereséshez, dokumentumkereséshez, ajánláshoz, osztályozáshoz vagy klaszterezéshez használható; nem írott válasz vagy generált médiafájl. A Google több mint 100 nyelvre kiterjedő szemantikai lefedettséget dokumentál.
Tudásbázisnál készítsen vektorokat a forrásszövegrészletekhez, hasonlítsa össze velük a felhasználó lekérdezését, és keresse meg a releváns anyagot. Egy külön szövegmodell ezután e források felhasználásával állíthat össze választ. Médiagyűjteménynél egy szöveges leírás kapcsolódó képeket vagy videókat kereshet; a lekérdezést kép is adhatja. Őrizze meg minden vektor kapcsolatát az eredeti tartalommal, beleértve az oldal- vagy videórészlet-hivatkozást, hogy a megtalált eredmény megvizsgálható és eredeti kontextusában megjeleníthető legyen.
A teljes bemeneti korlát 8192 token. A stabil modell útmutatója legfeljebb hat PNG- vagy JPEG-képet, legfeljebb 180 másodpercnyi MP3- vagy WAV-hangot, valamint legfeljebb 120 másodpercnyi MP4- vagy MOV-videót enged meg. A dokumentált videokodekek a H264, H265, AV1 és VP9. A videófeldolgozás legfeljebb 32 képkockát használ: a legfeljebb 32 másodperces részletekből másodpercenként egy képkockát mintavételez, a hosszabbakból pedig egyenletesen 32 képkockát. A videó hangsávját nem dolgozza fel e videóbemenet részeként; külön ágyazza be a hangját, ha az fontos a kereséshez.
A PDF-bemenet egyetlen, legfeljebb hatoldalas fájlt fogad el. A legjobb minőséghez a Google PDF-enként egy oldalt javasol. A nagyobb forrást ossza értelmes oldalakra vagy szakaszokra, és őrizze meg a kapcsolatukat az eredeti dokumentummal. Olyan részletet válasszon, amely a kereshetővé tenni kívánt tartalmat reprezentálja, ahelyett, hogy egymással össze nem függő anyagokat egyesítene pusztán azért, mert beleférnek a korlátba. A közös tokenhatár a vegyes médiát tartalmazó kérésre is vonatkozik. Minden PDF-oldal 258 vizuális tokent fogyaszt a kinyert szöveg tokenjein felül. A Google dokumentált munkafolyamatában a közös 8192 tokenes korlátot túllépő tartalom hiba nélkül csonkolódik.
A kimeneti dimenzió rugalmasan 128 és 3072 között választható, 3072 alapértelmezéssel és 768, 1536, illetve 3072 ajánlott mérettel. A modell Matryoshka Representation Learning módszert használ, így a vektor kezdőrészei kisebb dimenziónál is hasznosak maradnak. Útmutatója az alapértelmezett és a rövidített vektorok automatikus normalizálását is dokumentálja. Válasszon egységes dimenziót az alkalmazás által összehasonlított rekordokhoz és lekérdezésekhez; a kért méret a numerikus reprezentációt változtatja meg, nem magát a forrástartalmat.
Kizárólag szöveges feladatoknál a célt a szövegbe foglalja bele a régebbi task_type mező használata helyett. A Google megkülönbözteti az aszimmetrikus keresést a szimmetrikus összehasonlítástól. Egy keresőkérdés a “task: search result | query: {content}” formát, egy forrásdokumentum pedig a “title: {title} | text: {content}” formát használja; ha nincs címe, használja a “title: none” értéket. A kérdés–válasz, a tényellenőrzési és a kódkeresési feladatoknak saját lekérdezési előtagjaik vannak. Osztályozásnál, klaszterezésnél vagy mondathasonlóságnál következetesen ugyanazt a feladatformátumot használja mindkét oldalon. Az útmutató általában nem javasolja feladatelőtag hozzáadását egy kombinált multimodális reprezentáció szöveges részéhez.
A bemenet szerkezete határozza meg, hogy az eredmény egyetlen kombinált objektumot vagy különálló elemeket reprezentál-e. Több együtt megadott rész összesített beágyazást hoz létre; a külön Content objektumok minden bejegyzéshez külön beágyazást hoznak létre. Szöveget és képet tartalmazó bejegyzésnél a kombinált reprezentáció megragadhatja a kapcsolatukat. Az önállóan kereshető rekordokat tartsa külön. Ez a választás befolyásolja a keresés részletességét: egy egész bejegyzéshez tartozó egyetlen vektor más, mint a szövegrészletenként vagy képenként létrehozott vektor.
Az útmutató szerint a Gemini Embedding 001 és a Gemini Embedding 2 vektorai nem kompatibilis terekben helyezkednek el, és közvetlenül nem hasonlíthatók össze. A régebbi modellről átállított gyűjteményt újra be kell ágyazni az új térhez. Az összehasonlítandó vektoroknál tartsa következetesen a modellválasztást és a dimenziókat, az eredeti szöveget és médiát pedig a numerikus indextől külön őrizze meg. A beágyazások hasonlósága keresési jelzés, nem pedig tényszerű magyarázat arra, hogy egy dokumentum miért válaszolja meg a felhasználó kérdését.
Gyakorlati katalógusnál együtt ágyazza be a termékfotót és a hozzá tartozó jóváhagyott leírást, ha a párt egyetlen objektumként kell megtalálni. Dokumentumgyűjteménynél körülhatárolt szövegrészleteket ágyazzon be, és hasonlítsa össze őket egy célhoz formázott lekérdezéssel, majd a találat mellett jelenítse meg a forrásszövegrészleteket. Hangnál vagy videónál válassza azt az epizódot, amely a kereshető eseményt írja le, és őrizze meg az eredeti időtartományát. A hasznos eredmény egy forrásbizonyítékhoz kapcsolt numerikus reprezentáció az alkalmazás következő keresési vagy elemzési lépéséhez.
", "aboutText": "A Gemini Embedding 2 a Google multimodális beágyazási modellje szöveg, kép, videó, hang és PDF numerikus reprezentációjához. A különböző médiatípusokat közös térbe képezi le, hogy egy alkalmazás összehasonlíthassa a jelentésüket. Az eredmény egy számvektor, amely szemantikai kereséshez, dokumentumkereséshez, ajánláshoz, osztályozáshoz vagy klaszterezéshez használható; nem írott válasz vagy generált médiafájl. A Google több mint 100 nyelvre kiterjedő szemantikai lefedettséget dokumentál.\n\nTudásbázisnál készítsen vektorokat a forrásszövegrészletekhez, hasonlítsa össze velük a felhasználó lekérdezését, és keresse meg a releváns anyagot. Egy külön szövegmodell ezután e források felhasználásával állíthat össze választ. Médiagyűjteménynél egy szöveges leírás kapcsolódó képeket vagy videókat kereshet; a lekérdezést kép is adhatja. Őrizze meg minden vektor kapcsolatát az eredeti tartalommal, beleértve az oldal- vagy videórészlet-hivatkozást, hogy a megtalált eredmény megvizsgálható és eredeti kontextusában megjeleníthető legyen.\n\nA teljes bemeneti korlát 8192 token. A stabil modell útmutatója legfeljebb hat PNG- vagy JPEG-képet, legfeljebb 180 másodpercnyi MP3- vagy WAV-hangot, valamint legfeljebb 120 másodpercnyi MP4- vagy MOV-videót enged meg. A dokumentált videokodekek a H264, H265, AV1 és VP9. A videófeldolgozás legfeljebb 32 képkockát használ: a legfeljebb 32 másodperces részletekből másodpercenként egy képkockát mintavételez, a hosszabbakból pedig egyenletesen 32 képkockát. A videó hangsávját nem dolgozza fel e videóbemenet részeként; külön ágyazza be a hangját, ha az fontos a kereséshez.\n\nA PDF-bemenet egyetlen, legfeljebb hatoldalas fájlt fogad el. A legjobb minőséghez a Google PDF-enként egy oldalt javasol. A nagyobb forrást ossza értelmes oldalakra vagy szakaszokra, és őrizze meg a kapcsolatukat az eredeti dokumentummal. Olyan részletet válasszon, amely a kereshetővé tenni kívánt tartalmat reprezentálja, ahelyett, hogy egymással össze nem függő anyagokat egyesítene pusztán azért, mert beleférnek a korlátba. A közös tokenhatár a vegyes médiát tartalmazó kérésre is vonatkozik. Minden PDF-oldal 258 vizuális tokent fogyaszt a kinyert szöveg tokenjein felül. A Google dokumentált munkafolyamatában a közös 8192 tokenes korlátot túllépő tartalom hiba nélkül csonkolódik.\n\nA kimeneti dimenzió rugalmasan 128 és 3072 között választható, 3072 alapértelmezéssel és 768, 1536, illetve 3072 ajánlott mérettel. A modell Matryoshka Representation Learning módszert használ, így a vektor kezdőrészei kisebb dimenziónál is hasznosak maradnak. Útmutatója az alapértelmezett és a rövidített vektorok automatikus normalizálását is dokumentálja. Válasszon egységes dimenziót az alkalmazás által összehasonlított rekordokhoz és lekérdezésekhez; a kért méret a numerikus reprezentációt változtatja meg, nem magát a forrástartalmat.\n\nKizárólag szöveges feladatoknál a célt a szövegbe foglalja bele a régebbi task_type mező használata helyett. A Google megkülönbözteti az aszimmetrikus keresést a szimmetrikus összehasonlítástól. Egy keresőkérdés a “task: search result | query: {content}” formát, egy forrásdokumentum pedig a “title: {title} | text: {content}” formát használja; ha nincs címe, használja a “title: none” értéket. A kérdés–válasz, a tényellenőrzési és a kódkeresési feladatoknak saját lekérdezési előtagjaik vannak. Osztályozásnál, klaszterezésnél vagy mondathasonlóságnál következetesen ugyanazt a feladatformátumot használja mindkét oldalon. Az útmutató általában nem javasolja feladatelőtag hozzáadását egy kombinált multimodális reprezentáció szöveges részéhez.\n\nA bemenet szerkezete határozza meg, hogy az eredmény egyetlen kombinált objektumot vagy különálló elemeket reprezentál-e. Több együtt megadott rész összesített beágyazást hoz létre; a külön Content objektumok minden bejegyzéshez külön beágyazást hoznak létre. Szöveget és képet tartalmazó bejegyzésnél a kombinált reprezentáció megragadhatja a kapcsolatukat. Az önállóan kereshető rekordokat tartsa külön. Ez a választás befolyásolja a keresés részletességét: egy egész bejegyzéshez tartozó egyetlen vektor más, mint a szövegrészletenként vagy képenként létrehozott vektor.\n\nAz útmutató szerint a Gemini Embedding 001 és a Gemini Embedding 2 vektorai nem kompatibilis terekben helyezkednek el, és közvetlenül nem hasonlíthatók össze. A régebbi modellről átállított gyűjteményt újra be kell ágyazni az új térhez. Az összehasonlítandó vektoroknál tartsa következetesen a modellválasztást és a dimenziókat, az eredeti szöveget és médiát pedig a numerikus indextől külön őrizze meg. A beágyazások hasonlósága keresési jelzés, nem pedig tényszerű magyarázat arra, hogy egy dokumentum miért válaszolja meg a felhasználó kérdését.\n\nGyakorlati katalógusnál együtt ágyazza be a termékfotót és a hozzá tartozó jóváhagyott leírást, ha a párt egyetlen objektumként kell megtalálni. Dokumentumgyűjteménynél körülhatárolt szövegrészleteket ágyazzon be, és hasonlítsa össze őket egy célhoz formázott lekérdezéssel, majd a találat mellett jelenítse meg a forrásszövegrészleteket. Hangnál vagy videónál válassza azt az epizódot, amely a kereshető eseményt írja le, és őrizze meg az eredeti időtartományát. A hasznos eredmény egy forrásbizonyítékhoz kapcsolt numerikus reprezentáció az alkalmazás következő keresési vagy elemzési lépéséhez.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "5621bc41a515a5d79f447708afc3048366a96e4b4748b39a1b77a13e317b29b5", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "hu", "methods": [ { "html": "google/gemini-embedding-2A Gemini Embedding 2 szöveget, képet, hangot, videót és PDF-et képez le közös numerikus térbe. Vektorai modalitások közötti keresést, információkeresést, osztályozást és klaszterezést támogatnak, rugalmas dimenziókkal és 8192 tokenes bemeneti korláttal.
Ez a leírás a modell képességeit ismerteti. Az Ailootban elérhető bemenetek, kimenetek és lehetőségek alább, a kiválasztott metódusnál láthatók.
A Gemini Embedding 2 a Google multimodális beágyazási modellje szöveg, kép, videó, hang és PDF numerikus reprezentációjához. A különböző médiatípusokat közös térbe képezi le, hogy egy alkalmazás összehasonlíthassa a jelentésüket. Az eredmény egy számvektor, amely szemantikai kereséshez, dokumentumkereséshez, ajánláshoz, osztályozáshoz vagy klaszterezéshez használható; nem írott válasz vagy generált médiafájl. A Google több mint 100 nyelvre kiterjedő szemantikai lefedettséget dokumentál.
Tudásbázisnál készítsen vektorokat a forrásszövegrészletekhez, hasonlítsa össze velük a felhasználó lekérdezését, és keresse meg a releváns anyagot. Egy külön szövegmodell ezután e források felhasználásával állíthat össze választ. Médiagyűjteménynél egy szöveges leírás kapcsolódó képeket vagy videókat kereshet; a lekérdezést kép is adhatja. Őrizze meg minden vektor kapcsolatát az eredeti tartalommal, beleértve az oldal- vagy videórészlet-hivatkozást, hogy a megtalált eredmény megvizsgálható és eredeti kontextusában megjeleníthető legyen.
A teljes bemeneti korlát 8192 token. A stabil modell útmutatója legfeljebb hat PNG- vagy JPEG-képet, legfeljebb 180 másodpercnyi MP3- vagy WAV-hangot, valamint legfeljebb 120 másodpercnyi MP4- vagy MOV-videót enged meg. A dokumentált videokodekek a H264, H265, AV1 és VP9. A videófeldolgozás legfeljebb 32 képkockát használ: a legfeljebb 32 másodperces részletekből másodpercenként egy képkockát mintavételez, a hosszabbakból pedig egyenletesen 32 képkockát. A videó hangsávját nem dolgozza fel e videóbemenet részeként; külön ágyazza be a hangját, ha az fontos a kereséshez.
A PDF-bemenet egyetlen, legfeljebb hatoldalas fájlt fogad el. A legjobb minőséghez a Google PDF-enként egy oldalt javasol. A nagyobb forrást ossza értelmes oldalakra vagy szakaszokra, és őrizze meg a kapcsolatukat az eredeti dokumentummal. Olyan részletet válasszon, amely a kereshetővé tenni kívánt tartalmat reprezentálja, ahelyett, hogy egymással össze nem függő anyagokat egyesítene pusztán azért, mert beleférnek a korlátba. A közös tokenhatár a vegyes médiát tartalmazó kérésre is vonatkozik. Minden PDF-oldal 258 vizuális tokent fogyaszt a kinyert szöveg tokenjein felül. A Google dokumentált munkafolyamatában a közös 8192 tokenes korlátot túllépő tartalom hiba nélkül csonkolódik.
A kimeneti dimenzió rugalmasan 128 és 3072 között választható, 3072 alapértelmezéssel és 768, 1536, illetve 3072 ajánlott mérettel. A modell Matryoshka Representation Learning módszert használ, így a vektor kezdőrészei kisebb dimenziónál is hasznosak maradnak. Útmutatója az alapértelmezett és a rövidített vektorok automatikus normalizálását is dokumentálja. Válasszon egységes dimenziót az alkalmazás által összehasonlított rekordokhoz és lekérdezésekhez; a kért méret a numerikus reprezentációt változtatja meg, nem magát a forrástartalmat.
Kizárólag szöveges feladatoknál a célt a szövegbe foglalja bele a régebbi task_type mező használata helyett. A Google megkülönbözteti az aszimmetrikus keresést a szimmetrikus összehasonlítástól. Egy keresőkérdés a “task: search result | query: {content}” formát, egy forrásdokumentum pedig a “title: {title} | text: {content}” formát használja; ha nincs címe, használja a “title: none” értéket. A kérdés–válasz, a tényellenőrzési és a kódkeresési feladatoknak saját lekérdezési előtagjaik vannak. Osztályozásnál, klaszterezésnél vagy mondathasonlóságnál következetesen ugyanazt a feladatformátumot használja mindkét oldalon. Az útmutató általában nem javasolja feladatelőtag hozzáadását egy kombinált multimodális reprezentáció szöveges részéhez.
A bemenet szerkezete határozza meg, hogy az eredmény egyetlen kombinált objektumot vagy különálló elemeket reprezentál-e. Több együtt megadott rész összesített beágyazást hoz létre; a külön Content objektumok minden bejegyzéshez külön beágyazást hoznak létre. Szöveget és képet tartalmazó bejegyzésnél a kombinált reprezentáció megragadhatja a kapcsolatukat. Az önállóan kereshető rekordokat tartsa külön. Ez a választás befolyásolja a keresés részletességét: egy egész bejegyzéshez tartozó egyetlen vektor más, mint a szövegrészletenként vagy képenként létrehozott vektor.
Az útmutató szerint a Gemini Embedding 001 és a Gemini Embedding 2 vektorai nem kompatibilis terekben helyezkednek el, és közvetlenül nem hasonlíthatók össze. A régebbi modellről átállított gyűjteményt újra be kell ágyazni az új térhez. Az összehasonlítandó vektoroknál tartsa következetesen a modellválasztást és a dimenziókat, az eredeti szöveget és médiát pedig a numerikus indextől külön őrizze meg. A beágyazások hasonlósága keresési jelzés, nem pedig tényszerű magyarázat arra, hogy egy dokumentum miért válaszolja meg a felhasználó kérdését.
Gyakorlati katalógusnál együtt ágyazza be a termékfotót és a hozzá tartozó jóváhagyott leírást, ha a párt egyetlen objektumként kell megtalálni. Dokumentumgyűjteménynél körülhatárolt szövegrészleteket ágyazzon be, és hasonlítsa össze őket egy célhoz formázott lekérdezéssel, majd a találat mellett jelenítse meg a forrásszövegrészleteket. Hangnál vagy videónál válassza azt az epizódot, amely a kereshető eseményt írja le, és őrizze meg az eredeti időtartományát. A hasznos eredmény egy forrásbizonyítékhoz kapcsolt numerikus reprezentáció az alkalmazás következő keresési vagy elemzési lépéséhez.
POST /v1/embeddingstext, token_idsembedding| Mező | Típus | Követelmény | Értékek és korlátok | Alapértelmezett |
|---|---|---|---|---|
Mezőmodel | Típusstring | KövetelményKötelező | Értékek és korlátok google/gemini-embedding-2 | Alapértelmezett— |
Mezőinput | Típusstring|string[]|integer[]|integer[][] | KövetelményKötelező | Értékek és korlátok Minimális elemszám: 1 Feltételek: Nem üres, homogén köteg. A tokenazonosítók nemnegatív egész számok. Bemeneti keret: Maximum: 8192 · Szövegegység: UTF8-bájtok · Tokenegység: tokentömb elemei | Alapértelmezett— |
Mezőencoding_format | Típusstring | KövetelményOpcionális | Értékek és korlátok float | Alapértelmezettfloat |
Meződimensions | Típusinteger | KövetelményNem támogatott | Értékek és korlátok Minimum: 1 | Alapértelmezett— |
Mezőuser | Típusjson_value | KövetelményOpcionális | Értékek és korlátok Feltételek: A forrás engedélyezi ezt a JSON-metaadatmezőt; a szolgáltatónál érvényes pontos jelentése modellenként eltér. | Alapértelmezett— |
Mezősession_id | Típusjson_value | KövetelményOpcionális | Értékek és korlátok Feltételek: A forrás engedélyezi ezt a JSON-metaadatmezőt; a szolgáltatónál érvényes pontos jelentése modellenként eltér. | Alapértelmezett— |
Mezőtrace | Típusjson_value | KövetelményOpcionális | Értékek és korlátok Feltételek: A forrás engedélyezi ezt a JSON-metaadatmezőt; a szolgáltatónál érvényes pontos jelentése modellenként eltér. | Alapértelmezett— |
Mezőprovider | Típusobject | KövetelményOpcionális | Értékek és korlátok Feltételek: A provider.options elutasítva | Alapértelmezett— |
text_to_embedding
| Paraméter | Szerződés |
|---|---|
Paramétercontent_type | Szerződésapplication/json |
Paraméterrequired | Szerződésmodel, input |
Paraméterinput_shapes | Szerződésstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Paraméterencoding_format | Szerződésfloat |
Paraméterdimensions_override | Szerződésfalse |
Paramétermax_input_budget_units | Szerződés8192 |
Paramétermultimodal_objects | Szerződésfalse |
Paramétermaterial_types | Szerződéstext, token_ids |
Életciklus: synchronous_json
Őrizze meg minden vektor indexét és dimenzióját.
A multimodális modell neve ezen a pontos útvonalon nem teszi lehetővé képobjektumok használatát.
A díjszabás nem ad új kérési lehetőségeket. A támogatott paraméterek a kiválasztott módszernél szerepelnek.
| Beállítás | Díjtáblázat | Díj |
|---|---|---|
| BeállításTokenenkénti alapárak | DíjtáblázatAlapdíj | Díj Bemenet · Bemeneti tokenek $0.0004 / 1K token Kimenet · Kimeneti tokenek $0 / 1K token Bemenet · Gyorsítótár olvasása — / 1K token Bemenet · Írás a gyorsítótárba — / 1K token Bemenet · Írás a gyorsítótárba, 1 óra — / 1K token |
Az Ailoot a kérés előtt becsült összeget foglal le. Az eredmény után a mért használat alapján elszámolja a végső díjat. Folyamatos átvitel esetén a végső használati rekordot használja. A foglalás és az elszámolás működése →
set -eu\n: "${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\nfrom 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)\njson
Őrizzen meg minden teljes visszaadott választ, fájlt és tartalomrészt.
Őrizzen meg minden vektort az indexével együtt. A vektorok számának meg kell egyeznie a bemenetek számával; a dimenzióknak egységesnek kell lenniük.
Nem kerül bevezetésre külön beágyazási feladatvégpont.
| Mező | Típus |
|---|---|
Mezőobject | Típusstring |
Mezőmodel | Típusstring |
Meződata[].index | Típusinteger |
Meződata[].embedding | Típusfinite float[] |
Mezőusage | Típusobject |
| Válasz | Feltétel | Következő lépés |
|---|---|---|
Válasz400 · invalid_request_error | FeltételÉrvénytelen kötelező mezők, az anyag érvénytelen reprezentációja vagy érvénytelen paraméterérték | Következő lépésJavítsa a jelzett mezőket egy új létrehozási kérés előtt. |
Ailoot Ultra google/gemini-embedding-2
Használja a fent látható metódusútvonalakat.