{ "aboutHtml": "

Gemini Embedding 2 adalah model embedding multimodal Google untuk representasi numerik teks, gambar, video, audio, dan PDF. Model memetakan berbagai jenis media ke ruang bersama agar aplikasi dapat membandingkan maknanya lintas media. Hasilnya berupa vektor angka yang berguna untuk pencarian semantik, temu kembali dokumen, rekomendasi, klasifikasi, atau pengelompokan; bukan jawaban tertulis atau berkas media yang dihasilkan. Google mendokumentasikan cakupan semantik dalam lebih dari 100 bahasa.

Untuk basis pengetahuan, buat vektor bagian sumber, bandingkan kueri pengguna dengannya, dan temukan materi relevan. Model teks terpisah kemudian dapat menyusun jawaban menggunakan sumber tersebut. Untuk koleksi media, deskripsi tekstual dapat mencari gambar atau video terkait; gambar juga dapat menjadi kueri. Pertahankan hubungan setiap vektor dengan konten asli, termasuk rujukan halaman atau klip, agar hasil temu kembali dapat diperiksa dan ditampilkan dalam konteks aslinya.

Batas masukan keseluruhan adalah 8.192 token. Panduan model stabil mengizinkan hingga enam gambar PNG atau JPEG, hingga 180 detik audio MP3 atau WAV, dan hingga 120 detik video MP4 atau MOV. Codec video yang didokumentasikan adalah H264, H265, AV1, dan VP9. Pemrosesan video menggunakan paling banyak 32 bingkai: klip hingga 32 detik disampel pada satu bingkai per detik, sedangkan klip lebih panjang disampel secara merata menjadi 32 bingkai. Trek audio video tidak diproses dalam masukan video tersebut; buat embedding suaranya secara terpisah ketika penting untuk temu kembali.

Masukan PDF menerima satu berkas dengan paling banyak enam halaman. Google menyarankan satu halaman per PDF untuk kualitas terbaik. Bagi sumber yang lebih besar menjadi halaman atau bagian bermakna dan pertahankan hubungannya dengan dokumen asli. Pilih kutipan yang mewakili materi yang harus dapat ditemukan alih-alih menggabungkan materi tidak terkait hanya karena muat dalam batas. Batas token bersama tetap berlaku untuk permintaan media campuran. Setiap halaman PDF menggunakan 258 token visual selain token teks yang diekstrak. Dalam alur Google yang didokumentasikan, konten yang melampaui batas bersama 8.192 token dipotong tanpa galat.

Dimensi keluaran fleksibel dari 128 hingga 3.072, dengan 3.072 sebagai bawaan dan 768, 1.536, serta 3.072 sebagai ukuran yang disarankan. Model menggunakan Matryoshka Representation Learning, sehingga bagian awal vektor tetap berguna pada dimensi lebih kecil. Panduannya mendokumentasikan normalisasi otomatis untuk vektor bawaan maupun yang dipendekkan. Pilih dimensi konsisten untuk rekaman dan kueri yang dibandingkan aplikasi; ukuran yang diminta mengubah representasi numerik, bukan konten sumber itu sendiri.

Untuk tugas teks saja, sertakan tujuan dalam teks alih-alih menggunakan bidang task_type lama. Google membedakan temu kembali asimetris dari perbandingan simetris. Kueri pencarian menggunakan “task: search result | query: {content}”, sedangkan dokumen sumber menggunakan “title: {title} | text: {content}”; gunakan “title: none” jika tidak memiliki judul. Tugas tanya jawab, pemeriksaan fakta, dan temu kembali kode memiliki prefiks kueri sendiri. Untuk klasifikasi, pengelompokan, atau kemiripan kalimat, gunakan format tugas yang sama secara konsisten pada kedua sisi. Panduan secara umum menyarankan agar tidak menambahkan prefiks tugas ke bagian teks dari representasi multimodal gabungan.

Struktur masukan menentukan apakah hasil merepresentasikan satu objek gabungan atau item terpisah. Beberapa bagian yang diberikan bersama menghasilkan embedding agregat; objek Content terpisah menghasilkan embedding terpisah untuk setiap entri. Untuk kiriman yang memuat teks dan gambar, representasi gabungan dapat menangkap hubungannya. Untuk rekaman yang dapat dicari secara independen, pisahkan. Pilihan ini memengaruhi tingkat perincian temu kembali: satu vektor untuk seluruh kiriman berbeda dari satu vektor untuk setiap bagian teks atau gambar.

Panduan menyatakan bahwa vektor Gemini Embedding 001 dan Gemini Embedding 2 berada dalam ruang yang tidak kompatibel dan tidak dapat dibandingkan langsung. Koleksi yang dimigrasikan dari model lama perlu dibuat ulang embedding-nya untuk ruang baru. Pertahankan pilihan model dan dimensi agar konsisten dengan vektor yang dibandingkan, serta simpan teks asli dan media terpisah dari indeks numerik. Kemiripan embedding adalah sinyal temu kembali, bukan penjelasan faktual tentang alasan suatu dokumen menjawab pertanyaan pengguna.

Untuk katalog praktis, buat embedding foto produk bersama deskripsi yang disetujui ketika pasangan itu harus ditemukan sebagai satu objek. Untuk koleksi dokumen, buat embedding bagian terfokus dan bandingkan dengan kueri berformat tujuan, lalu sajikan bagian sumber di samping hasil pencarian. Untuk audio atau video, pilih segmen yang menjelaskan kejadian yang dapat dicari dan simpan rentang waktu aslinya. Hasil yang berguna adalah representasi numerik yang terhubung dengan bukti sumber untuk tahap pencarian atau analisis aplikasi berikutnya.

", "aboutText": "Gemini Embedding 2 adalah model embedding multimodal Google untuk representasi numerik teks, gambar, video, audio, dan PDF. Model memetakan berbagai jenis media ke ruang bersama agar aplikasi dapat membandingkan maknanya lintas media. Hasilnya berupa vektor angka yang berguna untuk pencarian semantik, temu kembali dokumen, rekomendasi, klasifikasi, atau pengelompokan; bukan jawaban tertulis atau berkas media yang dihasilkan. Google mendokumentasikan cakupan semantik dalam lebih dari 100 bahasa.\n\nUntuk basis pengetahuan, buat vektor bagian sumber, bandingkan kueri pengguna dengannya, dan temukan materi relevan. Model teks terpisah kemudian dapat menyusun jawaban menggunakan sumber tersebut. Untuk koleksi media, deskripsi tekstual dapat mencari gambar atau video terkait; gambar juga dapat menjadi kueri. Pertahankan hubungan setiap vektor dengan konten asli, termasuk rujukan halaman atau klip, agar hasil temu kembali dapat diperiksa dan ditampilkan dalam konteks aslinya.\n\nBatas masukan keseluruhan adalah 8.192 token. Panduan model stabil mengizinkan hingga enam gambar PNG atau JPEG, hingga 180 detik audio MP3 atau WAV, dan hingga 120 detik video MP4 atau MOV. Codec video yang didokumentasikan adalah H264, H265, AV1, dan VP9. Pemrosesan video menggunakan paling banyak 32 bingkai: klip hingga 32 detik disampel pada satu bingkai per detik, sedangkan klip lebih panjang disampel secara merata menjadi 32 bingkai. Trek audio video tidak diproses dalam masukan video tersebut; buat embedding suaranya secara terpisah ketika penting untuk temu kembali.\n\nMasukan PDF menerima satu berkas dengan paling banyak enam halaman. Google menyarankan satu halaman per PDF untuk kualitas terbaik. Bagi sumber yang lebih besar menjadi halaman atau bagian bermakna dan pertahankan hubungannya dengan dokumen asli. Pilih kutipan yang mewakili materi yang harus dapat ditemukan alih-alih menggabungkan materi tidak terkait hanya karena muat dalam batas. Batas token bersama tetap berlaku untuk permintaan media campuran. Setiap halaman PDF menggunakan 258 token visual selain token teks yang diekstrak. Dalam alur Google yang didokumentasikan, konten yang melampaui batas bersama 8.192 token dipotong tanpa galat.\n\nDimensi keluaran fleksibel dari 128 hingga 3.072, dengan 3.072 sebagai bawaan dan 768, 1.536, serta 3.072 sebagai ukuran yang disarankan. Model menggunakan Matryoshka Representation Learning, sehingga bagian awal vektor tetap berguna pada dimensi lebih kecil. Panduannya mendokumentasikan normalisasi otomatis untuk vektor bawaan maupun yang dipendekkan. Pilih dimensi konsisten untuk rekaman dan kueri yang dibandingkan aplikasi; ukuran yang diminta mengubah representasi numerik, bukan konten sumber itu sendiri.\n\nUntuk tugas teks saja, sertakan tujuan dalam teks alih-alih menggunakan bidang task_type lama. Google membedakan temu kembali asimetris dari perbandingan simetris. Kueri pencarian menggunakan “task: search result | query: {content}”, sedangkan dokumen sumber menggunakan “title: {title} | text: {content}”; gunakan “title: none” jika tidak memiliki judul. Tugas tanya jawab, pemeriksaan fakta, dan temu kembali kode memiliki prefiks kueri sendiri. Untuk klasifikasi, pengelompokan, atau kemiripan kalimat, gunakan format tugas yang sama secara konsisten pada kedua sisi. Panduan secara umum menyarankan agar tidak menambahkan prefiks tugas ke bagian teks dari representasi multimodal gabungan.\n\nStruktur masukan menentukan apakah hasil merepresentasikan satu objek gabungan atau item terpisah. Beberapa bagian yang diberikan bersama menghasilkan embedding agregat; objek Content terpisah menghasilkan embedding terpisah untuk setiap entri. Untuk kiriman yang memuat teks dan gambar, representasi gabungan dapat menangkap hubungannya. Untuk rekaman yang dapat dicari secara independen, pisahkan. Pilihan ini memengaruhi tingkat perincian temu kembali: satu vektor untuk seluruh kiriman berbeda dari satu vektor untuk setiap bagian teks atau gambar.\n\nPanduan menyatakan bahwa vektor Gemini Embedding 001 dan Gemini Embedding 2 berada dalam ruang yang tidak kompatibel dan tidak dapat dibandingkan langsung. Koleksi yang dimigrasikan dari model lama perlu dibuat ulang embedding-nya untuk ruang baru. Pertahankan pilihan model dan dimensi agar konsisten dengan vektor yang dibandingkan, serta simpan teks asli dan media terpisah dari indeks numerik. Kemiripan embedding adalah sinyal temu kembali, bukan penjelasan faktual tentang alasan suatu dokumen menjawab pertanyaan pengguna.\n\nUntuk katalog praktis, buat embedding foto produk bersama deskripsi yang disetujui ketika pasangan itu harus ditemukan sebagai satu objek. Untuk koleksi dokumen, buat embedding bagian terfokus dan bandingkan dengan kueri berformat tujuan, lalu sajikan bagian sumber di samping hasil pencarian. Untuk audio atau video, pilih segmen yang menjelaskan kejadian yang dapat dicari dan simpan rentang waktu aslinya. Hasil yang berguna adalah representasi numerik yang terhubung dengan bukti sumber untuk tahap pencarian atau analisis aplikasi berikutnya.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "c56ba54c41bec8c42df255c0ad1807980456039b18bd516d1a0def418c9b9ab0", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "id", "methods": [ { "html": "
G

Google: Gemini Embedding 2

Google /google/gemini-embedding-2

Mulai

Gemini Embedding 2 memetakan teks, gambar, audio, video, dan PDF ke ruang numerik bersama. Vektornya mendukung pencarian lintas modalitas, temu kembali, klasifikasi, dan pengelompokan, dengan dimensi fleksibel serta batas masukan 8.192 token.

Masukan yang diterima
Teks · token_ids
Hasil
embedding
Tentang model

Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.

Gemini Embedding 2 adalah model embedding multimodal Google untuk representasi numerik teks, gambar, video, audio, dan PDF. Model memetakan berbagai jenis media ke ruang bersama agar aplikasi dapat membandingkan maknanya lintas media. Hasilnya berupa vektor angka yang berguna untuk pencarian semantik, temu kembali dokumen, rekomendasi, klasifikasi, atau pengelompokan; bukan jawaban tertulis atau berkas media yang dihasilkan. Google mendokumentasikan cakupan semantik dalam lebih dari 100 bahasa.

Untuk basis pengetahuan, buat vektor bagian sumber, bandingkan kueri pengguna dengannya, dan temukan materi relevan. Model teks terpisah kemudian dapat menyusun jawaban menggunakan sumber tersebut. Untuk koleksi media, deskripsi tekstual dapat mencari gambar atau video terkait; gambar juga dapat menjadi kueri. Pertahankan hubungan setiap vektor dengan konten asli, termasuk rujukan halaman atau klip, agar hasil temu kembali dapat diperiksa dan ditampilkan dalam konteks aslinya.

Batas masukan keseluruhan adalah 8.192 token. Panduan model stabil mengizinkan hingga enam gambar PNG atau JPEG, hingga 180 detik audio MP3 atau WAV, dan hingga 120 detik video MP4 atau MOV. Codec video yang didokumentasikan adalah H264, H265, AV1, dan VP9. Pemrosesan video menggunakan paling banyak 32 bingkai: klip hingga 32 detik disampel pada satu bingkai per detik, sedangkan klip lebih panjang disampel secara merata menjadi 32 bingkai. Trek audio video tidak diproses dalam masukan video tersebut; buat embedding suaranya secara terpisah ketika penting untuk temu kembali.

Masukan PDF menerima satu berkas dengan paling banyak enam halaman. Google menyarankan satu halaman per PDF untuk kualitas terbaik. Bagi sumber yang lebih besar menjadi halaman atau bagian bermakna dan pertahankan hubungannya dengan dokumen asli. Pilih kutipan yang mewakili materi yang harus dapat ditemukan alih-alih menggabungkan materi tidak terkait hanya karena muat dalam batas. Batas token bersama tetap berlaku untuk permintaan media campuran. Setiap halaman PDF menggunakan 258 token visual selain token teks yang diekstrak. Dalam alur Google yang didokumentasikan, konten yang melampaui batas bersama 8.192 token dipotong tanpa galat.

Dimensi keluaran fleksibel dari 128 hingga 3.072, dengan 3.072 sebagai bawaan dan 768, 1.536, serta 3.072 sebagai ukuran yang disarankan. Model menggunakan Matryoshka Representation Learning, sehingga bagian awal vektor tetap berguna pada dimensi lebih kecil. Panduannya mendokumentasikan normalisasi otomatis untuk vektor bawaan maupun yang dipendekkan. Pilih dimensi konsisten untuk rekaman dan kueri yang dibandingkan aplikasi; ukuran yang diminta mengubah representasi numerik, bukan konten sumber itu sendiri.

Untuk tugas teks saja, sertakan tujuan dalam teks alih-alih menggunakan bidang task_type lama. Google membedakan temu kembali asimetris dari perbandingan simetris. Kueri pencarian menggunakan “task: search result | query: {content}”, sedangkan dokumen sumber menggunakan “title: {title} | text: {content}”; gunakan “title: none” jika tidak memiliki judul. Tugas tanya jawab, pemeriksaan fakta, dan temu kembali kode memiliki prefiks kueri sendiri. Untuk klasifikasi, pengelompokan, atau kemiripan kalimat, gunakan format tugas yang sama secara konsisten pada kedua sisi. Panduan secara umum menyarankan agar tidak menambahkan prefiks tugas ke bagian teks dari representasi multimodal gabungan.

Struktur masukan menentukan apakah hasil merepresentasikan satu objek gabungan atau item terpisah. Beberapa bagian yang diberikan bersama menghasilkan embedding agregat; objek Content terpisah menghasilkan embedding terpisah untuk setiap entri. Untuk kiriman yang memuat teks dan gambar, representasi gabungan dapat menangkap hubungannya. Untuk rekaman yang dapat dicari secara independen, pisahkan. Pilihan ini memengaruhi tingkat perincian temu kembali: satu vektor untuk seluruh kiriman berbeda dari satu vektor untuk setiap bagian teks atau gambar.

Panduan menyatakan bahwa vektor Gemini Embedding 001 dan Gemini Embedding 2 berada dalam ruang yang tidak kompatibel dan tidak dapat dibandingkan langsung. Koleksi yang dimigrasikan dari model lama perlu dibuat ulang embedding-nya untuk ruang baru. Pertahankan pilihan model dan dimensi agar konsisten dengan vektor yang dibandingkan, serta simpan teks asli dan media terpisah dari indeks numerik. Kemiripan embedding adalah sinyal temu kembali, bukan penjelasan faktual tentang alasan suatu dokumen menjawab pertanyaan pengguna.

Untuk katalog praktis, buat embedding foto produk bersama deskripsi yang disetujui ketika pasangan itu harus ditemukan sebagai satu objek. Untuk koleksi dokumen, buat embedding bagian terfokus dan bandingkan dengan kueri berformat tujuan, lalu sajikan bagian sumber di samping hasil pencarian. Untuk audio atau video, pilih segmen yang menjelaskan kejadian yang dapat dicari dan simpan rentang waktu aslinya. Hasil yang berguna adalah representasi numerik yang terhubung dengan bukti sumber untuk tahap pencarian atau analisis aplikasi berikutnya.

Tersedia di Ailoot · masukan & metode

Ailoot Ultra · Embedding POST /v1/embeddings
Masukan
text, token_ids
Keluaran
embedding
Konteks
8.192 tokens
Format keluaran
json
KolomJenisPersyaratanNilai & batasanBawaan
KolommodelJenisstringPersyaratanWajibNilai & batasan
google/gemini-embedding-2
Bawaan—
KolominputJenisstring|string[]|integer[]|integer[][]PersyaratanWajibNilai & batasan
Item minimum: 1
Kondisi: Batch homogen yang tidak kosong. ID token berupa bilangan bulat nonnegatif.
Anggaran masukan: Maksimum: 8.192 · Satuan teks: byte UTF8 · Satuan token: elemen array token
Bawaan—
Kolomencoding_formatJenisstringPersyaratanOpsionalNilai & batasan
float
Bawaanfloat
KolomdimensionsJenisintegerPersyaratanTidak didukungNilai & batasan
Minimum: 1
Bawaan—
KolomuserJenisjson_valuePersyaratanOpsionalNilai & batasan
Kondisi: Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model.
Bawaan—
Kolomsession_idJenisjson_valuePersyaratanOpsionalNilai & batasan
Kondisi: Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model.
Bawaan—
KolomtraceJenisjson_valuePersyaratanOpsionalNilai & batasan
Kondisi: Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model.
Bawaan—
KolomproviderJenisobjectPersyaratanOpsionalNilai & batasan
Kondisi: provider.options ditolak
Bawaan—
Kombinasi bahan masukan

text_to_embedding

Parameter metode dan siklus hidup
ParameterKontrak
Parametercontent_typeKontrakapplication/json
ParameterrequiredKontrakmodel, input
Parameterinput_shapesKontrakstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[]
Parameterencoding_formatKontrakfloat
Parameterdimensions_overrideKontrakfalse
Parametermax_input_budget_unitsKontrak8192
Parametermultimodal_objectsKontrakfalse
Parametermaterial_typesKontraktext, token_ids

Siklus hidup: synchronous_json

Pertahankan index dan dimensi setiap vektor.

Nama model multimodal tidak mengizinkan objek gambar pada jalur persis ini.

Paket

Referensi tarif tidak menambah opsi permintaan. Parameter yang didukung tercantum pada metode yang dipilih.

Mode Fast
Tarif standar Saat mode fast dipilih
Mode Flex
Tarif standar Saat mode flex dipilih
Upaya penalaran maksimum
Tarif standar Saat upaya penalaran maksimum menggunakan penyesuaian default

Tarif Ailoot

Harga menurut konfigurasi

KonfigurasiJadwal tarifBiaya
KonfigurasiTarif dasar tokenJadwal tarifTarif dasarBiaya
Masukan · Token masukan $0.0004 / 1K token
Keluaran · Token keluaran $0 / 1K token
Masukan · Pembacaan cache — / 1K token
Masukan · Penulisan cache — / 1K token
Masukan · Penulisan cache, 1 jam — / 1K token

Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →

Contoh permintaan

Ailoot Ultra · Embedding

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

Terima dan simpan hasil

Ailoot Ultra · Embedding

json

Simpan semua hasil yang selesai

Simpan setiap respons lengkap, berkas, dan bagian konten yang dikembalikan.

Simpan setiap vektor beserta index masing-masing. Jumlah vektor harus sama dengan jumlah input; dimensinya harus konsisten.

Jika respons asli perlu diperiksa

Endpoint untuk tugas embedding tidak ditambahkan.

Kolom respons
KolomJenis
KolomobjectJenisstring
KolommodelJenisstring
Kolomdata[].indexJenisinteger
Kolomdata[].embeddingJenisfinite float[]
KolomusageJenisobject
Kesalahan dan langkah berikutnya
ResponsKondisiLangkah berikutnya
Respons400 · invalid_request_errorKondisiBidang wajib, representasi materi, atau nilai parameter tidak validLangkah berikutnyaPerbaiki bidang yang ditunjukkan sebelum permintaan pembuatan baru.

Alias

Alias model

Ailoot Ultra google/gemini-embedding-2

Alias jalur metode

Gunakan jalur metode yang ditampilkan di atas.

ID pemanggil terkait

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": "Bidang wajib, representasi materi, atau nilai parameter tidak valid", "http_status": 400, "recovery": "Perbaiki bidang yang ditunjukkan sebelum permintaan pembuatan baru.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "Endpoint untuk tugas embedding tidak ditambahkan." }, "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": "Simpan setiap vektor beserta index masing-masing. Jumlah vektor harus sama dengan jumlah input; dimensinya harus konsisten.", "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": "byte UTF8", "token_unit": "elemen array token" }, "conditions": "Batch homogen yang tidak kosong. ID token berupa bilangan bulat nonnegatif.", "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": "Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "user", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "session_id", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "trace", "required": false, "type": "json_value" }, { "availability": "source_interface", "conditions": "provider.options ditolak", "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": [ "Pertahankan index dan dimensi setiap vektor.", "Nama model multimodal tidak mengizinkan objek gambar pada jalur persis ini." ], "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": "Tarif dasar token", "units": [ { "amount": "0.0004000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.0000004", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "examples": [ { "code": "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": "Mode Fast", "value": "Tarif standar", "when": "Saat mode fast dipilih" }, { "label": "Mode Flex", "value": "Tarif standar", "when": "Saat mode flex dipilih" }, { "label": "Upaya penalaran maksimum", "value": "Tarif standar", "when": "Saat upaya penalaran maksimum menggunakan penyesuaian default" } ], "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": "909239ddc8a5cca35fa756f89b21d4fc304b7cbd0f6077003260f8cd7ee67d46", "input_html_sha256": "736834785181d842a18b4b9850ed621c83d7fcacfe38562441f0a18a1e156655", "private_audit_sha256": "38a76b3aa5e153dbfa4bb18fd172f6036c4c955e440eb7aa6891560521f22cc3", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/id/google-gemini-embedding-2/", "description": "Gemini Embedding 2 memetakan teks, gambar, audio, video, dan PDF ke ruang numerik bersama. Vektornya mendukung pencarian lintas modalitas, temu kembali, klasifikasi, dan pengelompokan, dengan dimensi fleksibel serta batas masukan 8.192 token.", "locale": "id", "md_url": "https://ailoot.ai/models/id/google-gemini-embedding-2/index.md", "title": "Google: Gemini Embedding 2 — Ailoot", "url": "https://ailoot.ai/models/id/google-gemini-embedding-2/" }, "rawModel": { "about": "Gemini Embedding 2 adalah model embedding multimodal Google untuk representasi numerik teks, gambar, video, audio, dan PDF. Model memetakan berbagai jenis media ke ruang bersama agar aplikasi dapat membandingkan maknanya lintas media. Hasilnya berupa vektor angka yang berguna untuk pencarian semantik, temu kembali dokumen, rekomendasi, klasifikasi, atau pengelompokan; bukan jawaban tertulis atau berkas media yang dihasilkan. Google mendokumentasikan cakupan semantik dalam lebih dari 100 bahasa.\n\nUntuk basis pengetahuan, buat vektor bagian sumber, bandingkan kueri pengguna dengannya, dan temukan materi relevan. Model teks terpisah kemudian dapat menyusun jawaban menggunakan sumber tersebut. Untuk koleksi media, deskripsi tekstual dapat mencari gambar atau video terkait; gambar juga dapat menjadi kueri. Pertahankan hubungan setiap vektor dengan konten asli, termasuk rujukan halaman atau klip, agar hasil temu kembali dapat diperiksa dan ditampilkan dalam konteks aslinya.\n\nBatas masukan keseluruhan adalah 8.192 token. Panduan model stabil mengizinkan hingga enam gambar PNG atau JPEG, hingga 180 detik audio MP3 atau WAV, dan hingga 120 detik video MP4 atau MOV. Codec video yang didokumentasikan adalah H264, H265, AV1, dan VP9. Pemrosesan video menggunakan paling banyak 32 bingkai: klip hingga 32 detik disampel pada satu bingkai per detik, sedangkan klip lebih panjang disampel secara merata menjadi 32 bingkai. Trek audio video tidak diproses dalam masukan video tersebut; buat embedding suaranya secara terpisah ketika penting untuk temu kembali.\n\nMasukan PDF menerima satu berkas dengan paling banyak enam halaman. Google menyarankan satu halaman per PDF untuk kualitas terbaik. Bagi sumber yang lebih besar menjadi halaman atau bagian bermakna dan pertahankan hubungannya dengan dokumen asli. Pilih kutipan yang mewakili materi yang harus dapat ditemukan alih-alih menggabungkan materi tidak terkait hanya karena muat dalam batas. Batas token bersama tetap berlaku untuk permintaan media campuran. Setiap halaman PDF menggunakan 258 token visual selain token teks yang diekstrak. Dalam alur Google yang didokumentasikan, konten yang melampaui batas bersama 8.192 token dipotong tanpa galat.\n\nDimensi keluaran fleksibel dari 128 hingga 3.072, dengan 3.072 sebagai bawaan dan 768, 1.536, serta 3.072 sebagai ukuran yang disarankan. Model menggunakan Matryoshka Representation Learning, sehingga bagian awal vektor tetap berguna pada dimensi lebih kecil. Panduannya mendokumentasikan normalisasi otomatis untuk vektor bawaan maupun yang dipendekkan. Pilih dimensi konsisten untuk rekaman dan kueri yang dibandingkan aplikasi; ukuran yang diminta mengubah representasi numerik, bukan konten sumber itu sendiri.\n\nUntuk tugas teks saja, sertakan tujuan dalam teks alih-alih menggunakan bidang task_type lama. Google membedakan temu kembali asimetris dari perbandingan simetris. Kueri pencarian menggunakan “task: search result | query: {content}”, sedangkan dokumen sumber menggunakan “title: {title} | text: {content}”; gunakan “title: none” jika tidak memiliki judul. Tugas tanya jawab, pemeriksaan fakta, dan temu kembali kode memiliki prefiks kueri sendiri. Untuk klasifikasi, pengelompokan, atau kemiripan kalimat, gunakan format tugas yang sama secara konsisten pada kedua sisi. Panduan secara umum menyarankan agar tidak menambahkan prefiks tugas ke bagian teks dari representasi multimodal gabungan.\n\nStruktur masukan menentukan apakah hasil merepresentasikan satu objek gabungan atau item terpisah. Beberapa bagian yang diberikan bersama menghasilkan embedding agregat; objek Content terpisah menghasilkan embedding terpisah untuk setiap entri. Untuk kiriman yang memuat teks dan gambar, representasi gabungan dapat menangkap hubungannya. Untuk rekaman yang dapat dicari secara independen, pisahkan. Pilihan ini memengaruhi tingkat perincian temu kembali: satu vektor untuk seluruh kiriman berbeda dari satu vektor untuk setiap bagian teks atau gambar.\n\nPanduan menyatakan bahwa vektor Gemini Embedding 001 dan Gemini Embedding 2 berada dalam ruang yang tidak kompatibel dan tidak dapat dibandingkan langsung. Koleksi yang dimigrasikan dari model lama perlu dibuat ulang embedding-nya untuk ruang baru. Pertahankan pilihan model dan dimensi agar konsisten dengan vektor yang dibandingkan, serta simpan teks asli dan media terpisah dari indeks numerik. Kemiripan embedding adalah sinyal temu kembali, bukan penjelasan faktual tentang alasan suatu dokumen menjawab pertanyaan pengguna.\n\nUntuk katalog praktis, buat embedding foto produk bersama deskripsi yang disetujui ketika pasangan itu harus ditemukan sebagai satu objek. Untuk koleksi dokumen, buat embedding bagian terfokus dan bandingkan dengan kueri berformat tujuan, lalu sajikan bagian sumber di samping hasil pencarian. Untuk audio atau video, pilih segmen yang menjelaskan kejadian yang dapat dicari dan simpan rentang waktu aslinya. Hasil yang berguna adalah representasi numerik yang terhubung dengan bukti sumber untuk tahap pencarian atau analisis aplikasi berikutnya.", "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": "Informasi lengkap harga konfigurasi tersedia di bagian detail." } ], "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": "Bidang wajib, representasi materi, atau nilai parameter tidak valid", "http_status": 400, "recovery": "Perbaiki bidang yang ditunjukkan sebelum permintaan pembuatan baru.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "Endpoint untuk tugas embedding tidak ditambahkan." }, "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": "Simpan setiap vektor beserta index masing-masing. Jumlah vektor harus sama dengan jumlah input; dimensinya harus konsisten.", "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": "byte UTF8", "token_unit": "elemen array token" }, "conditions": "Batch homogen yang tidak kosong. ID token berupa bilangan bulat nonnegatif.", "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": "Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "user", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "session_id", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "trace", "required": false, "type": "json_value" }, { "availability": "source_interface", "conditions": "provider.options ditolak", "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": [ "Pertahankan index dan dimensi setiap vektor.", "Nama model multimodal tidak mengizinkan objek gambar pada jalur persis ini." ], "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": "Tarif dasar token", "units": [ { "amount": "0.0004000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.0000004", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "examples": [ { "code": "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": "Mode Fast", "value": "Tarif standar", "when": "Saat mode fast dipilih" }, { "label": "Mode Flex", "value": "Tarif standar", "when": "Saat mode flex dipilih" }, { "label": "Upaya penalaran maksimum", "value": "Tarif standar", "when": "Saat upaya penalaran maksimum menggunakan penyesuaian default" } ], "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 memetakan teks, gambar, audio, video, dan PDF ke ruang numerik bersama. Vektornya mendukung pencarian lintas modalitas, temu kembali, klasifikasi, dan pengelompokan, dengan dimensi fleksibel serta batas masukan 8.192 token." }, "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 memetakan teks, gambar, audio, video, dan PDF ke ruang numerik bersama. Vektornya mendukung pencarian lintas modalitas, temu kembali, klasifikasi, dan pengelompokan, dengan dimensi fleksibel serta batas masukan 8.192 token.", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "04dab5b1b1662de90b96049f4a936db4ca33dca367d097096801aa2e298dc94b", "renderer_sha256": "2a0471475a29000c23db326ca1e315df73dee7524f6bc2907818ee3458813f2d" }, "sourceRevision": "0edd5d3eef923f037fb295036889f66db10bddf3f2408e63ec9ba9e4b4b5d572" }