{ "aboutHtml": "

Gemini Embedding 2 è il modello di embedding multimodale di Google per rappresentare numericamente testo, immagini, video, audio e PDF. Trasforma i diversi tipi di media in uno spazio condiviso, affinché un’applicazione possa confrontarne il significato tra modalità. Il risultato è un vettore di numeri, utile per ricerca semantica, recupero di documenti, raccomandazione, classificazione o clustering; non è una risposta scritta né un file multimediale generato. Google documenta una copertura semantica in oltre 100 lingue.

Per una base di conoscenze, crea vettori per i passaggi di origine, confronta con essi la query di un utente e recupera il materiale pertinente. Un modello testuale separato può poi comporre una risposta usando quelle fonti. Per una raccolta multimediale, una descrizione testuale può cercare immagini o video correlati; anche un’immagine può fornire la query. Preserva il collegamento di ogni vettore al contenuto originale, compreso un riferimento di pagina o clip, affinché il risultato recuperato possa essere esaminato e mostrato nel suo contesto originale.

Il limite complessivo di input è di 8192 token. La guida del modello stabile permette fino a sei immagini PNG o JPEG, fino a 180 secondi di audio MP3 o WAV e fino a 120 secondi di video MP4 o MOV. I codec video documentati sono H264, H265, AV1 e VP9. L’elaborazione video usa al massimo 32 fotogrammi: clip fino a 32 secondi vengono campionate a un fotogramma al secondo, mentre clip più lunghe vengono campionate uniformemente in 32 fotogrammi. La traccia audio di un video non viene elaborata in quell’input video; codifica separatamente il suono quando conta per il recupero.

L’input PDF accetta un file con al massimo sei pagine. Google raccomanda una pagina per PDF per la qualità migliore. Dividi una fonte più grande in pagine o sezioni significative e conserva il rapporto con il documento originale. Scegli un estratto che rappresenti ciò che deve essere recuperabile anziché combinare materiale non correlato soltanto perché rientra nel limite. Il confine condiviso in token si applica comunque a una richiesta con media misti. Ogni pagina PDF consuma 258 token visivi oltre ai token del testo estratto. Nel flusso documentato di Google, il contenuto che supera il limite condiviso di 8192 token viene troncato senza errore.

La dimensionalità dell’output è flessibile da 128 a 3072, con 3072 come valore predefinito e 768, 1536 e 3072 come dimensioni raccomandate. Il modello usa Matryoshka Representation Learning, quindi i prefissi del vettore rimangono utili a dimensioni inferiori. La guida documenta la normalizzazione automatica sia dei vettori predefiniti sia di quelli accorciati. Scegli una dimensione coerente per record e query confrontati dall’applicazione; la dimensione richiesta cambia la rappresentazione numerica, non il contenuto di origine stesso.

Per le attività solo testuali, includi lo scopo nel testo anziché usare il vecchio campo task_type. Google distingue il recupero asimmetrico dal confronto simmetrico. Una query di ricerca usa «task: search result | query: {content}», mentre un documento di origine usa «title: {title} | text: {content}»; usa «title: none» se non ha titolo. Le attività di domanda-risposta, verifica dei fatti e recupero di codice hanno propri prefissi di query. Per classificazione, clustering o similarità tra frasi, usa coerentemente lo stesso formato di attività su entrambi i lati. La guida generalmente sconsiglia di aggiungere un prefisso di attività alla porzione testuale di una rappresentazione multimodale combinata.

La struttura di input determina se il risultato rappresenta un oggetto combinato o elementi separati. Più parti fornite insieme creano un embedding aggregato; oggetti Content separati creano embedding distinti per ogni voce. Per un post contenente testo e un’immagine, una rappresentazione combinata può catturarne il rapporto. Per record ricercabili indipendentemente, mantienili separati. Questa scelta influisce sulla granularità del recupero: un vettore per un post intero è diverso da uno per ogni passaggio o immagine.

La guida afferma che i vettori di Gemini Embedding 001 e Gemini Embedding 2 occupano spazi incompatibili e non possono essere confrontati direttamente. Una raccolta migrata dal modello precedente deve essere ricodificata nel nuovo spazio. Mantieni coerenti la scelta del modello e le dimensioni con i vettori confrontati e conserva testo e media originali separatamente dall’indice numerico. La similarità di un embedding è un segnale di recupero, anziché una spiegazione fattuale del motivo per cui un documento risponde alla domanda dell’utente.

Per un catalogo concreto, codifica una fotografia di prodotto insieme alla descrizione approvata quando la coppia deve essere recuperata come un solo oggetto. Per una raccolta documentale, codifica passaggi mirati e confrontali con una query formattata per lo scopo, quindi presenta i passaggi di origine insieme al risultato di ricerca. Per audio o video, scegli la sequenza che descrive l’evento ricercabile e conserva il suo intervallo temporale originale. Il risultato utile è una rappresentazione numerica collegata a elementi di origine per il successivo passaggio di ricerca o analisi dell’applicazione.

", "aboutText": "Gemini Embedding 2 è il modello di embedding multimodale di Google per rappresentare numericamente testo, immagini, video, audio e PDF. Trasforma i diversi tipi di media in uno spazio condiviso, affinché un’applicazione possa confrontarne il significato tra modalità. Il risultato è un vettore di numeri, utile per ricerca semantica, recupero di documenti, raccomandazione, classificazione o clustering; non è una risposta scritta né un file multimediale generato. Google documenta una copertura semantica in oltre 100 lingue.\n\nPer una base di conoscenze, crea vettori per i passaggi di origine, confronta con essi la query di un utente e recupera il materiale pertinente. Un modello testuale separato può poi comporre una risposta usando quelle fonti. Per una raccolta multimediale, una descrizione testuale può cercare immagini o video correlati; anche un’immagine può fornire la query. Preserva il collegamento di ogni vettore al contenuto originale, compreso un riferimento di pagina o clip, affinché il risultato recuperato possa essere esaminato e mostrato nel suo contesto originale.\n\nIl limite complessivo di input è di 8192 token. La guida del modello stabile permette fino a sei immagini PNG o JPEG, fino a 180 secondi di audio MP3 o WAV e fino a 120 secondi di video MP4 o MOV. I codec video documentati sono H264, H265, AV1 e VP9. L’elaborazione video usa al massimo 32 fotogrammi: clip fino a 32 secondi vengono campionate a un fotogramma al secondo, mentre clip più lunghe vengono campionate uniformemente in 32 fotogrammi. La traccia audio di un video non viene elaborata in quell’input video; codifica separatamente il suono quando conta per il recupero.\n\nL’input PDF accetta un file con al massimo sei pagine. Google raccomanda una pagina per PDF per la qualità migliore. Dividi una fonte più grande in pagine o sezioni significative e conserva il rapporto con il documento originale. Scegli un estratto che rappresenti ciò che deve essere recuperabile anziché combinare materiale non correlato soltanto perché rientra nel limite. Il confine condiviso in token si applica comunque a una richiesta con media misti. Ogni pagina PDF consuma 258 token visivi oltre ai token del testo estratto. Nel flusso documentato di Google, il contenuto che supera il limite condiviso di 8192 token viene troncato senza errore.\n\nLa dimensionalità dell’output è flessibile da 128 a 3072, con 3072 come valore predefinito e 768, 1536 e 3072 come dimensioni raccomandate. Il modello usa Matryoshka Representation Learning, quindi i prefissi del vettore rimangono utili a dimensioni inferiori. La guida documenta la normalizzazione automatica sia dei vettori predefiniti sia di quelli accorciati. Scegli una dimensione coerente per record e query confrontati dall’applicazione; la dimensione richiesta cambia la rappresentazione numerica, non il contenuto di origine stesso.\n\nPer le attività solo testuali, includi lo scopo nel testo anziché usare il vecchio campo task_type. Google distingue il recupero asimmetrico dal confronto simmetrico. Una query di ricerca usa «task: search result | query: {content}», mentre un documento di origine usa «title: {title} | text: {content}»; usa «title: none» se non ha titolo. Le attività di domanda-risposta, verifica dei fatti e recupero di codice hanno propri prefissi di query. Per classificazione, clustering o similarità tra frasi, usa coerentemente lo stesso formato di attività su entrambi i lati. La guida generalmente sconsiglia di aggiungere un prefisso di attività alla porzione testuale di una rappresentazione multimodale combinata.\n\nLa struttura di input determina se il risultato rappresenta un oggetto combinato o elementi separati. Più parti fornite insieme creano un embedding aggregato; oggetti Content separati creano embedding distinti per ogni voce. Per un post contenente testo e un’immagine, una rappresentazione combinata può catturarne il rapporto. Per record ricercabili indipendentemente, mantienili separati. Questa scelta influisce sulla granularità del recupero: un vettore per un post intero è diverso da uno per ogni passaggio o immagine.\n\nLa guida afferma che i vettori di Gemini Embedding 001 e Gemini Embedding 2 occupano spazi incompatibili e non possono essere confrontati direttamente. Una raccolta migrata dal modello precedente deve essere ricodificata nel nuovo spazio. Mantieni coerenti la scelta del modello e le dimensioni con i vettori confrontati e conserva testo e media originali separatamente dall’indice numerico. La similarità di un embedding è un segnale di recupero, anziché una spiegazione fattuale del motivo per cui un documento risponde alla domanda dell’utente.\n\nPer un catalogo concreto, codifica una fotografia di prodotto insieme alla descrizione approvata quando la coppia deve essere recuperata come un solo oggetto. Per una raccolta documentale, codifica passaggi mirati e confrontali con una query formattata per lo scopo, quindi presenta i passaggi di origine insieme al risultato di ricerca. Per audio o video, scegli la sequenza che descrive l’evento ricercabile e conserva il suo intervallo temporale originale. Il risultato utile è una rappresentazione numerica collegata a elementi di origine per il successivo passaggio di ricerca o analisi dell’applicazione.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "43f715e4bda0523191def2827e07a2335087a9d4e89a9ccd4fa756a886434e6d", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "it", "methods": [ { "html": "
G

Google: Gemini Embedding 2

Google /google/gemini-embedding-2

Introduzione

Gemini Embedding 2 trasforma testo, immagini, audio, video e PDF in uno spazio numerico condiviso. I suoi vettori supportano ricerca tra modalità, recupero, classificazione e clustering, con dimensioni flessibili e un limite di input di 8192 token.

Input accettati
Testo · token_ids
Risultati
embedding
Informazioni sul modello

Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.

Gemini Embedding 2 è il modello di embedding multimodale di Google per rappresentare numericamente testo, immagini, video, audio e PDF. Trasforma i diversi tipi di media in uno spazio condiviso, affinché un’applicazione possa confrontarne il significato tra modalità. Il risultato è un vettore di numeri, utile per ricerca semantica, recupero di documenti, raccomandazione, classificazione o clustering; non è una risposta scritta né un file multimediale generato. Google documenta una copertura semantica in oltre 100 lingue.

Per una base di conoscenze, crea vettori per i passaggi di origine, confronta con essi la query di un utente e recupera il materiale pertinente. Un modello testuale separato può poi comporre una risposta usando quelle fonti. Per una raccolta multimediale, una descrizione testuale può cercare immagini o video correlati; anche un’immagine può fornire la query. Preserva il collegamento di ogni vettore al contenuto originale, compreso un riferimento di pagina o clip, affinché il risultato recuperato possa essere esaminato e mostrato nel suo contesto originale.

Il limite complessivo di input è di 8192 token. La guida del modello stabile permette fino a sei immagini PNG o JPEG, fino a 180 secondi di audio MP3 o WAV e fino a 120 secondi di video MP4 o MOV. I codec video documentati sono H264, H265, AV1 e VP9. L’elaborazione video usa al massimo 32 fotogrammi: clip fino a 32 secondi vengono campionate a un fotogramma al secondo, mentre clip più lunghe vengono campionate uniformemente in 32 fotogrammi. La traccia audio di un video non viene elaborata in quell’input video; codifica separatamente il suono quando conta per il recupero.

L’input PDF accetta un file con al massimo sei pagine. Google raccomanda una pagina per PDF per la qualità migliore. Dividi una fonte più grande in pagine o sezioni significative e conserva il rapporto con il documento originale. Scegli un estratto che rappresenti ciò che deve essere recuperabile anziché combinare materiale non correlato soltanto perché rientra nel limite. Il confine condiviso in token si applica comunque a una richiesta con media misti. Ogni pagina PDF consuma 258 token visivi oltre ai token del testo estratto. Nel flusso documentato di Google, il contenuto che supera il limite condiviso di 8192 token viene troncato senza errore.

La dimensionalità dell’output è flessibile da 128 a 3072, con 3072 come valore predefinito e 768, 1536 e 3072 come dimensioni raccomandate. Il modello usa Matryoshka Representation Learning, quindi i prefissi del vettore rimangono utili a dimensioni inferiori. La guida documenta la normalizzazione automatica sia dei vettori predefiniti sia di quelli accorciati. Scegli una dimensione coerente per record e query confrontati dall’applicazione; la dimensione richiesta cambia la rappresentazione numerica, non il contenuto di origine stesso.

Per le attività solo testuali, includi lo scopo nel testo anziché usare il vecchio campo task_type. Google distingue il recupero asimmetrico dal confronto simmetrico. Una query di ricerca usa «task: search result | query: {content}», mentre un documento di origine usa «title: {title} | text: {content}»; usa «title: none» se non ha titolo. Le attività di domanda-risposta, verifica dei fatti e recupero di codice hanno propri prefissi di query. Per classificazione, clustering o similarità tra frasi, usa coerentemente lo stesso formato di attività su entrambi i lati. La guida generalmente sconsiglia di aggiungere un prefisso di attività alla porzione testuale di una rappresentazione multimodale combinata.

La struttura di input determina se il risultato rappresenta un oggetto combinato o elementi separati. Più parti fornite insieme creano un embedding aggregato; oggetti Content separati creano embedding distinti per ogni voce. Per un post contenente testo e un’immagine, una rappresentazione combinata può catturarne il rapporto. Per record ricercabili indipendentemente, mantienili separati. Questa scelta influisce sulla granularità del recupero: un vettore per un post intero è diverso da uno per ogni passaggio o immagine.

La guida afferma che i vettori di Gemini Embedding 001 e Gemini Embedding 2 occupano spazi incompatibili e non possono essere confrontati direttamente. Una raccolta migrata dal modello precedente deve essere ricodificata nel nuovo spazio. Mantieni coerenti la scelta del modello e le dimensioni con i vettori confrontati e conserva testo e media originali separatamente dall’indice numerico. La similarità di un embedding è un segnale di recupero, anziché una spiegazione fattuale del motivo per cui un documento risponde alla domanda dell’utente.

Per un catalogo concreto, codifica una fotografia di prodotto insieme alla descrizione approvata quando la coppia deve essere recuperata come un solo oggetto. Per una raccolta documentale, codifica passaggi mirati e confrontali con una query formattata per lo scopo, quindi presenta i passaggi di origine insieme al risultato di ricerca. Per audio o video, scegli la sequenza che descrive l’evento ricercabile e conserva il suo intervallo temporale originale. Il risultato utile è una rappresentazione numerica collegata a elementi di origine per il successivo passaggio di ricerca o analisi dell’applicazione.

Disponibile in Ailoot · input e metodi

Ailoot Ultra · Embedding POST /v1/embeddings
Tipi di input
text, token_ids
Tipi di output
embedding
Contesto
8192 tokens
Formato di output
json
CampoTipoRequisitoValori e limitiPredefinito
CampomodelTipostringRequisitoObbligatorioValori e limiti
google/gemini-embedding-2
Predefinito—
CampoinputTipostring|string[]|integer[]|integer[][]RequisitoObbligatorioValori e limiti
Numero minimo di elementi: 1
Condizioni: Batch omogeneo non vuoto. Gli ID dei token sono numeri interi non negativi.
Budget di input: Massimo: 8192 · Unità di testo: byte UTF8 · Unità di token: elementi dell’array di token
Predefinito—
Campoencoding_formatTipostringRequisitoFacoltativoValori e limiti
float
Predefinitofloat
CampodimensionsTipointegerRequisitoNon supportatoValori e limiti
Minimo: 1
Predefinito—
CampouserTipojson_valueRequisitoFacoltativoValori e limiti
Condizioni: La fonte consente questo campo di metadati JSON; la semantica esatta del fornitore a monte dipende dal modello.
Predefinito—
Camposession_idTipojson_valueRequisitoFacoltativoValori e limiti
Condizioni: La fonte consente questo campo di metadati JSON; la semantica esatta del fornitore a monte dipende dal modello.
Predefinito—
CampotraceTipojson_valueRequisitoFacoltativoValori e limiti
Condizioni: La fonte consente questo campo di metadati JSON; la semantica esatta del fornitore a monte dipende dal modello.
Predefinito—
CampoproviderTipoobjectRequisitoFacoltativoValori e limiti
Condizioni: provider.options rifiutato
Predefinito—
Combinazioni di materiali in input

text_to_embedding

Parametri e ciclo di vita del metodo
ParametroContratto
Parametrocontent_typeContrattoapplication/json
ParametrorequiredContrattomodel, input
Parametroinput_shapesContrattostring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[]
Parametroencoding_formatContrattofloat
Parametrodimensions_overrideContrattofalse
Parametromax_input_budget_unitsContratto8192
Parametromultimodal_objectsContrattofalse
Parametromaterial_typesContrattotext, token_ids

Ciclo di vita: synchronous_json

Conserva l'indice e la dimensione di ogni vettore.

Il nome del modello multimodale non consente oggetti immagine su questo percorso specifico.

Tariffe

Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato.

Modalità rapida
Tariffa standard Quando è selezionata la modalità rapida
Modalità flex
Tariffa standard Quando è selezionata la modalità flex
Sforzo massimo di ragionamento
Tariffa standard Quando lo sforzo massimo di ragionamento usa l'adeguamento predefinito (default)

Tariffe Ailoot

Prezzi per configurazione

ConfigurazioneListino delle tariffeCosto
ConfigurazioneTariffe di base dei tokenListino delle tariffeTariffa baseCosto
Input · Token in input $0.0004 / 1K token
Output · Token in output $0 / 1K token
Input · Lettura dalla cache — / 1K token
Input · Scrittura nella cache — / 1K token
Input · Scrittura nella cache, 1 ora — / 1K token

Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →

Esempi di richieste

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

Ricevi e salva i risultati

Ailoot Ultra · Embedding

json

Conserva tutti i risultati completati

Conserva ogni risposta, file e parte di contenuto restituiti per intero.

Conserva ogni vettore con il suo indice. Il numero di vettori deve coincidere con il numero di input; le dimensioni devono essere coerenti.

Se occorre verificare la risposta originale

Non viene introdotto alcun endpoint per i job di embedding.

Campi della risposta
CampoTipo
CampoobjectTipostring
CampomodelTipostring
Campodata[].indexTipointeger
Campodata[].embeddingTipofinite float[]
CampousageTipoobject
Errori e passaggi successivi
RispostaCondizionePassaggio successivo
Risposta400 · invalid_request_errorCondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validiPassaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione.

Alias

Alias del modello

Ailoot Ultra google/gemini-embedding-2

Alias dei percorsi dei metodi

Usa i percorsi dei metodi indicati sopra.

ID di chiamata correlati

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": "Campi obbligatori, rappresentazione del materiale o valore del parametro non validi", "http_status": 400, "recovery": "Correggi i campi indicati prima di una nuova richiesta di creazione.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "Non viene introdotto alcun endpoint per i job di embedding." }, "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": "Conserva ogni vettore con il suo indice. Il numero di vettori deve coincidere con il numero di input; le dimensioni devono essere coerenti.", "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": "elementi dell’array di token" }, "conditions": "Batch omogeneo non vuoto. Gli ID dei token sono numeri interi non negativi.", "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": "La fonte consente questo campo di metadati JSON; la semantica esatta del fornitore a monte dipende dal modello.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "user", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "La fonte consente questo campo di metadati JSON; la semantica esatta del fornitore a monte dipende dal modello.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "session_id", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "La fonte consente questo campo di metadati JSON; la semantica esatta del fornitore a monte dipende dal modello.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "trace", "required": false, "type": "json_value" }, { "availability": "source_interface", "conditions": "provider.options rifiutato", "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": [ "Conserva l'indice e la dimensione di ogni vettore.", "Il nome del modello multimodale non consente oggetti immagine su questo percorso specifico." ], "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": "Tariffe di base dei 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": "Modalità rapida", "value": "Tariffa standard", "when": "Quando è selezionata la modalità rapida" }, { "label": "Modalità flex", "value": "Tariffa standard", "when": "Quando è selezionata la modalità flex" }, { "label": "Sforzo massimo di ragionamento", "value": "Tariffa standard", "when": "Quando lo sforzo massimo di ragionamento usa l'adeguamento predefinito (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": "24e2649f3d894ba59b87f7ca14431bb8429b21b8cf8bd1113d1855d6833f9293", "input_html_sha256": "fd9705a96c6146d2290412ed45075f4dfb739a16a91476b2f9041a2272757d99", "private_audit_sha256": "490d9452815f081d90164b92a2f2b567ec3e71fe004ab9c61d6fdc86f5d5fa13", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/it/google-gemini-embedding-2/", "description": "Gemini Embedding 2 trasforma testo, immagini, audio, video e PDF in uno spazio numerico condiviso. I suoi vettori supportano ricerca tra modalità, recupero, classificazione e clustering, con dimensioni flessibili e un limite di input di 8192 token.", "locale": "it", "md_url": "https://ailoot.ai/models/it/google-gemini-embedding-2/index.md", "title": "Google: Gemini Embedding 2 — Ailoot", "url": "https://ailoot.ai/models/it/google-gemini-embedding-2/" }, "rawModel": { "about": "Gemini Embedding 2 è il modello di embedding multimodale di Google per rappresentare numericamente testo, immagini, video, audio e PDF. Trasforma i diversi tipi di media in uno spazio condiviso, affinché un’applicazione possa confrontarne il significato tra modalità. Il risultato è un vettore di numeri, utile per ricerca semantica, recupero di documenti, raccomandazione, classificazione o clustering; non è una risposta scritta né un file multimediale generato. Google documenta una copertura semantica in oltre 100 lingue.\n\nPer una base di conoscenze, crea vettori per i passaggi di origine, confronta con essi la query di un utente e recupera il materiale pertinente. Un modello testuale separato può poi comporre una risposta usando quelle fonti. Per una raccolta multimediale, una descrizione testuale può cercare immagini o video correlati; anche un’immagine può fornire la query. Preserva il collegamento di ogni vettore al contenuto originale, compreso un riferimento di pagina o clip, affinché il risultato recuperato possa essere esaminato e mostrato nel suo contesto originale.\n\nIl limite complessivo di input è di 8192 token. La guida del modello stabile permette fino a sei immagini PNG o JPEG, fino a 180 secondi di audio MP3 o WAV e fino a 120 secondi di video MP4 o MOV. I codec video documentati sono H264, H265, AV1 e VP9. L’elaborazione video usa al massimo 32 fotogrammi: clip fino a 32 secondi vengono campionate a un fotogramma al secondo, mentre clip più lunghe vengono campionate uniformemente in 32 fotogrammi. La traccia audio di un video non viene elaborata in quell’input video; codifica separatamente il suono quando conta per il recupero.\n\nL’input PDF accetta un file con al massimo sei pagine. Google raccomanda una pagina per PDF per la qualità migliore. Dividi una fonte più grande in pagine o sezioni significative e conserva il rapporto con il documento originale. Scegli un estratto che rappresenti ciò che deve essere recuperabile anziché combinare materiale non correlato soltanto perché rientra nel limite. Il confine condiviso in token si applica comunque a una richiesta con media misti. Ogni pagina PDF consuma 258 token visivi oltre ai token del testo estratto. Nel flusso documentato di Google, il contenuto che supera il limite condiviso di 8192 token viene troncato senza errore.\n\nLa dimensionalità dell’output è flessibile da 128 a 3072, con 3072 come valore predefinito e 768, 1536 e 3072 come dimensioni raccomandate. Il modello usa Matryoshka Representation Learning, quindi i prefissi del vettore rimangono utili a dimensioni inferiori. La guida documenta la normalizzazione automatica sia dei vettori predefiniti sia di quelli accorciati. Scegli una dimensione coerente per record e query confrontati dall’applicazione; la dimensione richiesta cambia la rappresentazione numerica, non il contenuto di origine stesso.\n\nPer le attività solo testuali, includi lo scopo nel testo anziché usare il vecchio campo task_type. Google distingue il recupero asimmetrico dal confronto simmetrico. Una query di ricerca usa «task: search result | query: {content}», mentre un documento di origine usa «title: {title} | text: {content}»; usa «title: none» se non ha titolo. Le attività di domanda-risposta, verifica dei fatti e recupero di codice hanno propri prefissi di query. Per classificazione, clustering o similarità tra frasi, usa coerentemente lo stesso formato di attività su entrambi i lati. La guida generalmente sconsiglia di aggiungere un prefisso di attività alla porzione testuale di una rappresentazione multimodale combinata.\n\nLa struttura di input determina se il risultato rappresenta un oggetto combinato o elementi separati. Più parti fornite insieme creano un embedding aggregato; oggetti Content separati creano embedding distinti per ogni voce. Per un post contenente testo e un’immagine, una rappresentazione combinata può catturarne il rapporto. Per record ricercabili indipendentemente, mantienili separati. Questa scelta influisce sulla granularità del recupero: un vettore per un post intero è diverso da uno per ogni passaggio o immagine.\n\nLa guida afferma che i vettori di Gemini Embedding 001 e Gemini Embedding 2 occupano spazi incompatibili e non possono essere confrontati direttamente. Una raccolta migrata dal modello precedente deve essere ricodificata nel nuovo spazio. Mantieni coerenti la scelta del modello e le dimensioni con i vettori confrontati e conserva testo e media originali separatamente dall’indice numerico. La similarità di un embedding è un segnale di recupero, anziché una spiegazione fattuale del motivo per cui un documento risponde alla domanda dell’utente.\n\nPer un catalogo concreto, codifica una fotografia di prodotto insieme alla descrizione approvata quando la coppia deve essere recuperata come un solo oggetto. Per una raccolta documentale, codifica passaggi mirati e confrontali con una query formattata per lo scopo, quindi presenta i passaggi di origine insieme al risultato di ricerca. Per audio o video, scegli la sequenza che descrive l’evento ricercabile e conserva il suo intervallo temporale originale. Il risultato utile è una rappresentazione numerica collegata a elementi di origine per il successivo passaggio di ricerca o analisi dell’applicazione.", "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": "Tutte le tariffe della configurazione sono riportate nei dettagli." } ], "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": "Campi obbligatori, rappresentazione del materiale o valore del parametro non validi", "http_status": 400, "recovery": "Correggi i campi indicati prima di una nuova richiesta di creazione.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "Non viene introdotto alcun endpoint per i job di embedding." }, "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": "Conserva ogni vettore con il suo indice. Il numero di vettori deve coincidere con il numero di input; le dimensioni devono essere coerenti.", "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": "elementi dell’array di token" }, "conditions": "Batch omogeneo non vuoto. Gli ID dei token sono numeri interi non negativi.", "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": "La fonte consente questo campo di metadati JSON; la semantica esatta del fornitore a monte dipende dal modello.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "user", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "La fonte consente questo campo di metadati JSON; la semantica esatta del fornitore a monte dipende dal modello.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "session_id", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "La fonte consente questo campo di metadati JSON; la semantica esatta del fornitore a monte dipende dal modello.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "trace", "required": false, "type": "json_value" }, { "availability": "source_interface", "conditions": "provider.options rifiutato", "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": [ "Conserva l'indice e la dimensione di ogni vettore.", "Il nome del modello multimodale non consente oggetti immagine su questo percorso specifico." ], "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": "Tariffe di base dei 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": "Modalità rapida", "value": "Tariffa standard", "when": "Quando è selezionata la modalità rapida" }, { "label": "Modalità flex", "value": "Tariffa standard", "when": "Quando è selezionata la modalità flex" }, { "label": "Sforzo massimo di ragionamento", "value": "Tariffa standard", "when": "Quando lo sforzo massimo di ragionamento usa l'adeguamento predefinito (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 trasforma testo, immagini, audio, video e PDF in uno spazio numerico condiviso. I suoi vettori supportano ricerca tra modalità, recupero, classificazione e clustering, con dimensioni flessibili e un limite di input di 8192 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 trasforma testo, immagini, audio, video e PDF in uno spazio numerico condiviso. I suoi vettori supportano ricerca tra modalità, recupero, classificazione e clustering, con dimensioni flessibili e un limite di input di 8192 token.", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "cf7bc66efd8393b23299311e4dbe9d9eb6f5f16c5250416a5e04b48b0c0c84e7", "renderer_sha256": "3be1a96012c3c76b38a7b9bea6a57c0def38c56103737bee6a5e77aaa75e488a" }, "sourceRevision": "3f8297ed5f56d83f21527544704e49193a251a3f92ffcc7cc54cc57fd2437450" }