{
  "aboutHtml": "<p>Gemini Embedding 2 Preview yra įvardyta Google peržiūros versija jos iš prigimties multimodalinių įterpinių šeimoje. Ji tekstą, vaizdus, vaizdo įrašus, garsą ir PDF atvaizduoja bendroje skaitinėje erdvėje, reprezentuodama semantinį ketinimą daugiau nei 100 kalbų. Išvestis yra įterpiniai: vektoriai, naudojami susijusiai medžiagai palyginti ir rasti. Šios peržiūros versijos tapatybė lieka atskira nuo stabilios Gemini Embedding 2 versijos ir nereiškia tarpusavyje pakeičiamų svorių ar tapačios vektorių erdvės.</p><p>Pradiniame pranešime kaip tolesni taikymai aprašomi paieška tarp modalumų, klasifikavimas, grupavimas į klasterius, nuotaikų analizė ir paieška papildytas generavimas. Tekstinė užklausa gali rasti susijusią vaizdinę poziciją, o vaizdas ar klipas taip pat gali tapti paieškos atspirties tašku. Programa saugo reprezentacijas, jas palygina ir grąžina atitinkamus įrašus; atskiras kalbos modelis gali panaudoti rastą šaltinio medžiagą atsakymui parengti. Pats įterpinys neturi paaiškinimo natūraliąja kalba ar transkripcijos.</p><p>Jo paties modelio puslapyje dokumentuota 8192 žetonų įvesties riba ir išvesties matmenų skaičius nuo 128 iki 3072, rekomenduojami dydžiai – 768, 1536 ir 3072. Peržiūros versijos pranešime nurodytas numatytasis 3072 dydis ir aprašomas Matryoshka Representation Learning, išsaugantis naudingą informaciją trumpesnėse pradinėse reprezentacijos dalyse. Vektoriams, kuriuos reikia palyginti, išlaikykite vieną pasirinktą matmenų skaičių ir modelio versiją saugokite kartu su kolekcija, užuot jungę reprezentacijas vien dėl sutampančio jų ilgio.</p><p>Peržiūros versijos pranešime nurodoma, kad vienoje užklausoje galima pateikti iki šešių PNG ar JPEG vaizdų, iki 120 sekundžių MP4 ar MOV vaizdo įrašą ir iki šešių puslapių PDF dokumentus. Jame taip pat dokumentuotas tiesioginis garso įterpinių kūrimas be tarpinės tekstinės transkripcijos. Šios specifikacijos yra iš pačios peržiūros versijos pranešimo, o ne iš vėlesnio stabilios versijos vadovo. Pranešimas nenustato visų dabartinių garso trukmės, kodekų ar kadrų atrankos ribų šiam konkrečiam peržiūros profiliui.</p><p>Persipinanti multimodalinė įvestis leidžia reprezentacijai atspindėti ryšius tarp medijų, pavyzdžiui, vaizdo ir jo antraštės. Produktų kataloge pateikite nuotrauką ir patvirtintą aprašymą kartu, kai jie apibūdina vieną randamą objektą. Dokumentų kolekcijoje šaltinį padalykite į konkrečiai temai skirtas ištraukas ar puslapius ir išsaugokite jo pavadinimą bei vietą. Medijų bibliotekoje pasirinkite klipą, atitinkantį įvykį, kurį naudotojai turėtų rasti, ir su saugomu įrašu išsaugokite originalų laiko intervalą.</p><p>Naudinga paieškos užduotis aiškiai nusako numatytą ryšį. Klausimas, kuriuo prašoma paaiškinimo, vizualiai panašių pozicijų paieška ir grupavimas pagal temą yra skirtingos užduotys, net jei naudoja tą pačią šaltinių kolekciją. Turinį ruoškite nuosekliai, užregistruokite versiją ir matmenų skaičių bei išlaikykite kiekvieno vektoriaus ryšį su jo šaltiniu. Panašumas pateikia kandidatus programai patikrinti; jis neįrodo, kad du įrašai teigia tą patį faktą ar rastas šaltinis visiškai atsako į klausimą.</p><p>Praktinei medijų paieškai atvaizduokite pasirinktą vaizdą ar vaizdo įrašo ištrauką ir palyginkite su norimo turinio aprašymu. Atitinkantį šaltinį pateikite su jo antrašte ar laiko intervalu, kad naudotojas galėtų peržiūrėti. Žinių asistentui prieš generuojant rašytinį atsakymą raskite aktualų puslapį ar ištrauką. Preview modelio vaidmuo yra multimodalinė skaitinė reprezentacija, palaikanti šiuos atrankos veiksmus, o saugojimas, rikiavimo taisyklės ir galutinis atsakymas lieka jį naudojančio proceso dalimis.</p>",
  "aboutText": "Gemini Embedding 2 Preview yra įvardyta Google peržiūros versija jos iš prigimties multimodalinių įterpinių šeimoje. Ji tekstą, vaizdus, vaizdo įrašus, garsą ir PDF atvaizduoja bendroje skaitinėje erdvėje, reprezentuodama semantinį ketinimą daugiau nei 100 kalbų. Išvestis yra įterpiniai: vektoriai, naudojami susijusiai medžiagai palyginti ir rasti. Šios peržiūros versijos tapatybė lieka atskira nuo stabilios Gemini Embedding 2 versijos ir nereiškia tarpusavyje pakeičiamų svorių ar tapačios vektorių erdvės.\n\nPradiniame pranešime kaip tolesni taikymai aprašomi paieška tarp modalumų, klasifikavimas, grupavimas į klasterius, nuotaikų analizė ir paieška papildytas generavimas. Tekstinė užklausa gali rasti susijusią vaizdinę poziciją, o vaizdas ar klipas taip pat gali tapti paieškos atspirties tašku. Programa saugo reprezentacijas, jas palygina ir grąžina atitinkamus įrašus; atskiras kalbos modelis gali panaudoti rastą šaltinio medžiagą atsakymui parengti. Pats įterpinys neturi paaiškinimo natūraliąja kalba ar transkripcijos.\n\nJo paties modelio puslapyje dokumentuota 8192 žetonų įvesties riba ir išvesties matmenų skaičius nuo 128 iki 3072, rekomenduojami dydžiai – 768, 1536 ir 3072. Peržiūros versijos pranešime nurodytas numatytasis 3072 dydis ir aprašomas Matryoshka Representation Learning, išsaugantis naudingą informaciją trumpesnėse pradinėse reprezentacijos dalyse. Vektoriams, kuriuos reikia palyginti, išlaikykite vieną pasirinktą matmenų skaičių ir modelio versiją saugokite kartu su kolekcija, užuot jungę reprezentacijas vien dėl sutampančio jų ilgio.\n\nPeržiūros versijos pranešime nurodoma, kad vienoje užklausoje galima pateikti iki šešių PNG ar JPEG vaizdų, iki 120 sekundžių MP4 ar MOV vaizdo įrašą ir iki šešių puslapių PDF dokumentus. Jame taip pat dokumentuotas tiesioginis garso įterpinių kūrimas be tarpinės tekstinės transkripcijos. Šios specifikacijos yra iš pačios peržiūros versijos pranešimo, o ne iš vėlesnio stabilios versijos vadovo. Pranešimas nenustato visų dabartinių garso trukmės, kodekų ar kadrų atrankos ribų šiam konkrečiam peržiūros profiliui.\n\nPersipinanti multimodalinė įvestis leidžia reprezentacijai atspindėti ryšius tarp medijų, pavyzdžiui, vaizdo ir jo antraštės. Produktų kataloge pateikite nuotrauką ir patvirtintą aprašymą kartu, kai jie apibūdina vieną randamą objektą. Dokumentų kolekcijoje šaltinį padalykite į konkrečiai temai skirtas ištraukas ar puslapius ir išsaugokite jo pavadinimą bei vietą. Medijų bibliotekoje pasirinkite klipą, atitinkantį įvykį, kurį naudotojai turėtų rasti, ir su saugomu įrašu išsaugokite originalų laiko intervalą.\n\nNaudinga paieškos užduotis aiškiai nusako numatytą ryšį. Klausimas, kuriuo prašoma paaiškinimo, vizualiai panašių pozicijų paieška ir grupavimas pagal temą yra skirtingos užduotys, net jei naudoja tą pačią šaltinių kolekciją. Turinį ruoškite nuosekliai, užregistruokite versiją ir matmenų skaičių bei išlaikykite kiekvieno vektoriaus ryšį su jo šaltiniu. Panašumas pateikia kandidatus programai patikrinti; jis neįrodo, kad du įrašai teigia tą patį faktą ar rastas šaltinis visiškai atsako į klausimą.\n\nPraktinei medijų paieškai atvaizduokite pasirinktą vaizdą ar vaizdo įrašo ištrauką ir palyginkite su norimo turinio aprašymu. Atitinkantį šaltinį pateikite su jo antrašte ar laiko intervalu, kad naudotojas galėtų peržiūrėti. Žinių asistentui prieš generuojant rašytinį atsakymą raskite aktualų puslapį ar ištrauką. Preview modelio vaidmuo yra multimodalinė skaitinė reprezentacija, palaikanti šiuos atrankos veiksmus, o saugojimas, rikiavimo taisyklės ir galutinis atsakymas lieka jį naudojančio proceso dalimis.",
  "editorialOverlay": {
    "copy_fields": null,
    "copy_sha256": null,
    "copy_source": null,
    "html_sha256": "12c97027569f5aee0b3477b90ab5a8c231634853ee673fa2b56c892acb796768",
    "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06",
    "raw_model_unchanged": true,
    "schema": "ailoot-native-model-editorial-v1"
  },
  "locale": "lt",
  "methods": [
    {
      "html": "<div class=\"sheet-head\"><span class=\"mav\" aria-hidden=\"true\">G</span><h2 id=\"sheet-title\">Google: Gemini Embedding 2 Preview</h2><button class=\"icon-btn\" type=\"button\" data-close-sheet aria-label=\"Uždaryti\">×</button></div><div class=\"idline\"><span>Google /</span><code>google/gemini-embedding-2-preview</code><button type=\"button\" id=\"copy-id\">Kopijuoti ID</button></div><nav class=\"card-jump-nav\" aria-label=\"Modelio kortelės skyriai\"><button type=\"button\" data-card-jump=\"overview\">Pradžia</button><button type=\"button\" data-card-jump=\"methods\">Įvestys ir metodai</button><button type=\"button\" data-card-jump=\"pricing\">Planai</button><button type=\"button\" data-card-jump=\"examples\">Pavyzdžiai</button><button type=\"button\" data-card-jump=\"results\">Rezultatai</button><button type=\"button\" data-card-jump=\"aliases\">Pseudonimai</button></nav><div class=\"card-method-tabs\" role=\"tablist\" aria-label=\"API metodai\"><button type=\"button\" role=\"tab\" tabindex=\"0\" aria-controls=\"card-method-content\" aria-selected=\"true\" id=\"card-method-tab-0\" data-card-method=\"Ultra|embeddings|/v1/embeddings|google%2Fgemini-embedding-2-preview\">Įterpiniai</button></div><div id=\"card-method-content\" role=\"tabpanel\" aria-labelledby=\"card-method-tab-0\"><section class=\"card-section\" data-card-section=\"overview\"><h3 tabindex=\"-1\">Pradžia</h3><p class=\"mdesc-full\">Gemini Embedding 2 Preview tekstą, vaizdus, garsą, vaizdo įrašus ir PDF paverčia skaitiniais vektoriais vienoje multimodalinėje erdvėje. Atskirai dokumentuotas jo peržiūros versijos profilis palaiko paiešką ir palyginimą tarp modalumų, 8192 žetonų įvestį ir lankstų vektorių matmenų skaičių.</p><dl class=\"card-io\" data-card-io><div><dt>Leidžiamos įvestys</dt><dd>Tekstas</dd></div><div><dt>Rezultatai</dt><dd>embedding</dd></div></dl><details class=\"card-about\"><summary>Apie modelį</summary><p class=\"note-s\" data-model-method-boundary>Šis aprašas apima modelio galimybes. Pasirinktam metodui Ailoot prieinamos įvestys, išvestys ir parinktys nurodytos toliau.</p><div class=\"mabout\" id=\"m-about\"><p>Gemini Embedding 2 Preview yra įvardyta Google peržiūros versija jos iš prigimties multimodalinių įterpinių šeimoje. Ji tekstą, vaizdus, vaizdo įrašus, garsą ir PDF atvaizduoja bendroje skaitinėje erdvėje, reprezentuodama semantinį ketinimą daugiau nei 100 kalbų. Išvestis yra įterpiniai: vektoriai, naudojami susijusiai medžiagai palyginti ir rasti. Šios peržiūros versijos tapatybė lieka atskira nuo stabilios Gemini Embedding 2 versijos ir nereiškia tarpusavyje pakeičiamų svorių ar tapačios vektorių erdvės.</p><p>Pradiniame pranešime kaip tolesni taikymai aprašomi paieška tarp modalumų, klasifikavimas, grupavimas į klasterius, nuotaikų analizė ir paieška papildytas generavimas. Tekstinė užklausa gali rasti susijusią vaizdinę poziciją, o vaizdas ar klipas taip pat gali tapti paieškos atspirties tašku. Programa saugo reprezentacijas, jas palygina ir grąžina atitinkamus įrašus; atskiras kalbos modelis gali panaudoti rastą šaltinio medžiagą atsakymui parengti. Pats įterpinys neturi paaiškinimo natūraliąja kalba ar transkripcijos.</p><p>Jo paties modelio puslapyje dokumentuota 8192 žetonų įvesties riba ir išvesties matmenų skaičius nuo 128 iki 3072, rekomenduojami dydžiai – 768, 1536 ir 3072. Peržiūros versijos pranešime nurodytas numatytasis 3072 dydis ir aprašomas Matryoshka Representation Learning, išsaugantis naudingą informaciją trumpesnėse pradinėse reprezentacijos dalyse. Vektoriams, kuriuos reikia palyginti, išlaikykite vieną pasirinktą matmenų skaičių ir modelio versiją saugokite kartu su kolekcija, užuot jungę reprezentacijas vien dėl sutampančio jų ilgio.</p><p>Peržiūros versijos pranešime nurodoma, kad vienoje užklausoje galima pateikti iki šešių PNG ar JPEG vaizdų, iki 120 sekundžių MP4 ar MOV vaizdo įrašą ir iki šešių puslapių PDF dokumentus. Jame taip pat dokumentuotas tiesioginis garso įterpinių kūrimas be tarpinės tekstinės transkripcijos. Šios specifikacijos yra iš pačios peržiūros versijos pranešimo, o ne iš vėlesnio stabilios versijos vadovo. Pranešimas nenustato visų dabartinių garso trukmės, kodekų ar kadrų atrankos ribų šiam konkrečiam peržiūros profiliui.</p><p>Persipinanti multimodalinė įvestis leidžia reprezentacijai atspindėti ryšius tarp medijų, pavyzdžiui, vaizdo ir jo antraštės. Produktų kataloge pateikite nuotrauką ir patvirtintą aprašymą kartu, kai jie apibūdina vieną randamą objektą. Dokumentų kolekcijoje šaltinį padalykite į konkrečiai temai skirtas ištraukas ar puslapius ir išsaugokite jo pavadinimą bei vietą. Medijų bibliotekoje pasirinkite klipą, atitinkantį įvykį, kurį naudotojai turėtų rasti, ir su saugomu įrašu išsaugokite originalų laiko intervalą.</p><p>Naudinga paieškos užduotis aiškiai nusako numatytą ryšį. Klausimas, kuriuo prašoma paaiškinimo, vizualiai panašių pozicijų paieška ir grupavimas pagal temą yra skirtingos užduotys, net jei naudoja tą pačią šaltinių kolekciją. Turinį ruoškite nuosekliai, užregistruokite versiją ir matmenų skaičių bei išlaikykite kiekvieno vektoriaus ryšį su jo šaltiniu. Panašumas pateikia kandidatus programai patikrinti; jis neįrodo, kad du įrašai teigia tą patį faktą ar rastas šaltinis visiškai atsako į klausimą.</p><p>Praktinei medijų paieškai atvaizduokite pasirinktą vaizdą ar vaizdo įrašo ištrauką ir palyginkite su norimo turinio aprašymu. Atitinkantį šaltinį pateikite su jo antrašte ar laiko intervalu, kad naudotojas galėtų peržiūrėti. Žinių asistentui prieš generuojant rašytinį atsakymą raskite aktualų puslapį ar ištrauką. Preview modelio vaidmuo yra multimodalinė skaitinė reprezentacija, palaikanti šiuos atrankos veiksmus, o saugojimas, rikiavimo taisyklės ir galutinis atsakymas lieka jį naudojančio proceso dalimis.</p></div></details></section><section class=\"card-section\" data-card-section=\"methods\"><h3 tabindex=\"-1\">Prieinama Ailoot · įvestys ir metodai</h3><details class=\"card-method\" open><summary><b>Ailoot Ultra · Įterpiniai</b> <code>POST /v1/embeddings</code></summary><dl class=\"method-capabilities\"><div><dt>Įvestis</dt><dd><code>text</code></dd></div><div><dt>Išvestis</dt><dd><code>embedding</code></dd></div><div><dt>Kontekstas</dt><dd>8 192 tokens</dd></div><div><dt>Išvesties formatas</dt><dd>json</dd></div></dl><div class=\"tw\" data-card-parameters data-typed-parameters><table><thead><tr><th>Laukas</th><th>Tipas</th><th>Reikalavimas</th><th>Reikšmės ir ribos</th><th>Numatyta</th></tr></thead><tbody><tr data-parameter-availability=\"source_interface\"><th data-cell-label=\"Laukas\" scope=\"row\"><span class=\"card-cell-label\">Laukas</span><code class=\"card-field-name\">model</code></th><td data-cell-label=\"Tipas\" data-field-type><span class=\"card-cell-label\">Tipas</span><code>string</code></td><td data-cell-label=\"Reikalavimas\"><span class=\"card-cell-label\">Reikalavimas</span>Privaloma</td><td data-cell-label=\"Reikšmės ir ribos\"><span class=\"card-cell-label\">Reikšmės ir ribos</span><div>google/gemini-embedding-2-preview</div></td><td data-cell-label=\"Numatyta\" data-default=\"unspecified\"><span class=\"card-cell-label\">Numatyta</span>—</td></tr><tr data-parameter-availability=\"source_interface\"><th data-cell-label=\"Laukas\" scope=\"row\"><span class=\"card-cell-label\">Laukas</span><code class=\"card-field-name\">input</code></th><td data-cell-label=\"Tipas\" data-field-type><span class=\"card-cell-label\">Tipas</span><code>string|string[]</code></td><td data-cell-label=\"Reikalavimas\"><span class=\"card-cell-label\">Reikalavimas</span>Privaloma</td><td data-cell-label=\"Reikšmės ir ribos\"><span class=\"card-cell-label\">Reikšmės ir ribos</span></td><td data-cell-label=\"Numatyta\" data-default=\"unspecified\"><span class=\"card-cell-label\">Numatyta</span>—</td></tr></tbody></table></div><details class=\"card-about\" data-material-combinations><summary>Įvesties medžiagos deriniai</summary><p class=\"note-s\"><b>text_to_embedding</b></p></details><details class=\"note-s\" data-method-contract><summary>Metodo parametrai ir gyvavimo ciklas</summary><div class=\"tw\" data-card-table=\"contract\"><table><thead><tr><th>Parametras</th><th>Specifikacija</th></tr></thead><tbody><tr><th data-cell-label=\"Parametras\" scope=\"row\"><span class=\"card-cell-label\">Parametras</span><code>content_type</code></th><td data-cell-label=\"Specifikacija\"><span class=\"card-cell-label\">Specifikacija</span>application/json</td></tr><tr><th data-cell-label=\"Parametras\" scope=\"row\"><span class=\"card-cell-label\">Parametras</span><code>required</code></th><td data-cell-label=\"Specifikacija\"><span class=\"card-cell-label\">Specifikacija</span>model, input</td></tr><tr><th data-cell-label=\"Parametras\" scope=\"row\"><span class=\"card-cell-label\">Parametras</span><code>input_shapes</code></th><td data-cell-label=\"Specifikacija\"><span class=\"card-cell-label\">Specifikacija</span>string, string[]</td></tr><tr><th data-cell-label=\"Parametras\" scope=\"row\"><span class=\"card-cell-label\">Parametras</span><code>material_types</code></th><td data-cell-label=\"Specifikacija\"><span class=\"card-cell-label\">Specifikacija</span>text</td></tr></tbody></table></div><p>Gyvavimo ciklas: <code>synchronous_json</code></p><p class=\"note-s\">Išsaugokite kiekvieną grąžintą vektorių ir indeksą.</p><p class=\"note-s\">Iš šio minimalaus teksto profilio nenumanomas paveikslėlių, garso ar failų objektų palaikymas.</p></details></details></section><section class=\"card-section\" data-card-section=\"pricing\"><h3 tabindex=\"-1\">Planai</h3><div data-native-semantic-method=\"v1\" data-tariff-reference-only><p class=\"note-s\" data-rate-support-note>Tarifų informacija neprideda užklausos parinkčių. Palaikomi parametrai nurodyti prie pasirinkto metodo.</p><dl data-price-conditions><dt>Spartusis režimas</dt><dd>Nenurodyta <span class=\"note-s\">Pasirinkus spartųjį režimą</span></dd><dt>Flex režimas</dt><dd>Nenurodyta <span class=\"note-s\">Pasirinkus flex režimą</span></dd><dt>Didžiausios samprotavimo pastangos</dt><dd>Nenurodyta <span class=\"note-s\">Kai didžiausioms samprotavimo pastangoms taikomas numatytasis koregavimas (default)</span></dd></dl></div><div data-declared-tariff-pricing><h4>Ailoot įkainiai</h4><h4>Kainos pagal konfigūraciją</h4><div class=\"tw\" data-pricing-profiles><table><thead><tr><th>Konfigūracija</th><th>Įkainių lentelė</th><th>Mokestis</th></tr></thead><tbody><tr><th data-cell-label=\"Konfigūracija\" scope=\"row\"><span class=\"card-cell-label\">Konfigūracija</span>Baziniai žetonų įkainiai</th><td data-cell-label=\"Įkainių lentelė\"><span class=\"card-cell-label\">Įkainių lentelė</span>Bazinis įkainis</td><td data-cell-label=\"Mokestis\"><span class=\"card-cell-label\">Mokestis</span><div><span>Įvestis · Įvesties tokenai</span> <b>$0.0004</b> <span class=\"price-unit\">/ 1K tokenų</span></div><div><span>Išvestis · Išvesties tokenai</span> <b>$0</b> <span class=\"price-unit\">/ 1K tokenų</span></div><div><span>Įvestis · Talpyklos skaitymas</span> <b>—</b> <span class=\"price-unit\">/ 1K tokenų</span></div><div><span>Įvestis · Rašymas į talpyklą</span> <b>—</b> <span class=\"price-unit\">/ 1K tokenų</span></div><div><span>Įvestis · Rašymas į talpyklą, 1 val</span> <b>—</b> <span class=\"price-unit\">/ 1K tokenų</span></div></td></tr></tbody></table></div></div><p class=\"note-s\">Ailoot prieš užklausą rezervuoja numatomą sumą. Gavus rezultatą, galutinis mokestis nuskaitomas pagal išmatuotą naudojimą. Srautinio atsakymo atsiskaitymui naudojamas galutinis naudojimo įrašas. <a href=\"/docs/lt/billing/reserve/\">Kaip veikia rezervavimas ir atsiskaitymas →</a></p></section><section class=\"card-section\" data-card-section=\"examples\"><h3 tabindex=\"-1\">Užklausų pavyzdžiai</h3><h4>Ailoot Ultra · Įterpiniai</h4><div class=\"code-group\"><div class=\"cg-bar\"><div class=\"cg-tabs\" role=\"tablist\" aria-label=\"Kodo variantai\"><button class=\"cg-tab\" id=\"model-code-1488-tab-0\" role=\"tab\" type=\"button\" aria-controls=\"model-code-1488-panel-0\" aria-selected=\"true\" tabindex=\"0\">Visas minimalus JSON užklausos turinys</button><button class=\"cg-tab\" id=\"model-code-1488-tab-1\" role=\"tab\" type=\"button\" aria-controls=\"model-code-1488-panel-1\" aria-selected=\"false\" tabindex=\"-1\">curl · minimalus teksto įterpinių pavyzdys</button></div><div class=\"cg-tools\"><button class=\"cg-btn cg-copy\" type=\"button\" aria-label=\"Kopijuoti kodą\"><svg class=\"cp\" viewBox=\"0 0 16 16\" fill=\"none\" stroke=\"currentColor\" stroke-width=\"1.4\"><rect x=\"5.25\" y=\"5.25\" width=\"8.5\" height=\"8.5\" rx=\"1.75\"/><path d=\"M10.75 5.25V3.5a1.25 1.25 0 0 0-1.25-1.25H3.5A1.25 1.25 0 0 0 2.25 3.5v6a1.25 1.25 0 0 0 1.25 1.25h1.75\"/></svg><svg class=\"ok\" viewBox=\"0 0 16 16\" fill=\"none\" stroke=\"currentColor\" stroke-width=\"1.4\"><path d=\"m3 8.5 3.25 3.25L13 5\"/></svg></button></div></div><div class=\"cg-body\"><div class=\"cg-pane\" id=\"model-code-1488-panel-0\" role=\"tabpanel\" aria-labelledby=\"model-code-1488-tab-0\"><pre data-lang=\"json\"><code>{\n  &quot;model&quot;: &quot;google/gemini-embedding-2-preview&quot;,\n  &quot;input&quot;: [\n    &quot;First document&quot;,\n    &quot;Second document&quot;\n  ]\n}</code></pre></div><div class=\"cg-pane\" id=\"model-code-1488-panel-1\" role=\"tabpanel\" aria-labelledby=\"model-code-1488-tab-1\" hidden><pre data-lang=\"bash\"><code>set -eu\n: &quot;${AILOOT_API_KEY:?Set your Ailoot API key}&quot;\ncat &gt; embedding-request.json &lt;&lt;&#39;JSON_REQUEST&#39;\n{\n  &quot;model&quot;: &quot;google/gemini-embedding-2-preview&quot;,\n  &quot;input&quot;: [\n    &quot;First document&quot;,\n    &quot;Second document&quot;\n  ]\n}\nJSON_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n  -H &quot;Authorization: Bearer $AILOOT_API_KEY&quot; -H &#39;Content-Type: application/json&#39; \\\n  --data-binary @embedding-request.json -o embedding-response.json\n</code></pre></div></div></div></section><section class=\"card-section\" data-card-section=\"results\"><h3 tabindex=\"-1\">Gauti ir išsaugoti rezultatus</h3><h4>Ailoot Ultra · Įterpiniai</h4><p class=\"note-s\">json</p><div class=\"card-result-process\" data-all-results><h5>Išsaugoti visus baigtus rezultatus</h5><p class=\"note-s\">Išsaugokite kiekvieną visą grąžintą atsakymą, failą ir turinio dalį.</p><p class=\"note-s\">Išsaugokite kiekvieną vektorių su jo indeksu. Vektorių skaičius turi sutapti su įvesčių skaičiumi; jų matmenų skaičius turi būti vienodas.</p></div><div class=\"card-result-process\" data-unknown-recovery><h5>Jei reikia patikrinti pradinį atsakymą</h5><p class=\"note-s\">Vektorių generavimo užduotims atskiras API galinis taškas neįvedamas.</p></div><details class=\"card-about\" data-output-fields><summary>Atsakymo laukai</summary><div class=\"tw\" data-card-table=\"output\"><table><thead><tr><th>Laukas</th><th>Tipas</th></tr></thead><tbody><tr><th data-cell-label=\"Laukas\" scope=\"row\"><span class=\"card-cell-label\">Laukas</span><code class=\"card-field-name\">object</code></th><td data-cell-label=\"Tipas\" data-field-type><span class=\"card-cell-label\">Tipas</span>string</td></tr><tr><th data-cell-label=\"Laukas\" scope=\"row\"><span class=\"card-cell-label\">Laukas</span><code class=\"card-field-name\">model</code></th><td data-cell-label=\"Tipas\" data-field-type><span class=\"card-cell-label\">Tipas</span>string</td></tr><tr><th data-cell-label=\"Laukas\" scope=\"row\"><span class=\"card-cell-label\">Laukas</span><code class=\"card-field-name\">data[].index</code></th><td data-cell-label=\"Tipas\" data-field-type><span class=\"card-cell-label\">Tipas</span>integer</td></tr><tr><th data-cell-label=\"Laukas\" scope=\"row\"><span class=\"card-cell-label\">Laukas</span><code class=\"card-field-name\">data[].embedding</code></th><td data-cell-label=\"Tipas\" data-field-type><span class=\"card-cell-label\">Tipas</span>finite float[]</td></tr><tr><th data-cell-label=\"Laukas\" scope=\"row\"><span class=\"card-cell-label\">Laukas</span><code class=\"card-field-name\">usage</code></th><td data-cell-label=\"Tipas\" data-field-type><span class=\"card-cell-label\">Tipas</span>object</td></tr></tbody></table></div></details><details class=\"card-about\" data-method-errors><summary>Klaidos ir tolesni veiksmai</summary><div class=\"tw\" data-card-table=\"errors\"><table><thead><tr><th>Atsakymas</th><th>Sąlyga</th><th>Kitas žingsnis</th></tr></thead><tbody><tr><th data-cell-label=\"Atsakymas\" scope=\"row\"><span class=\"card-cell-label\">Atsakymas</span>400 · <code>invalid_request_error</code></th><td data-cell-label=\"Sąlyga\"><span class=\"card-cell-label\">Sąlyga</span>Trūksta model arba JSON netaisyklingas.</td><td data-cell-label=\"Kitas žingsnis\"><span class=\"card-cell-label\">Kitas žingsnis</span>Pataisykite nurodytus laukus.</td></tr><tr><th data-cell-label=\"Atsakymas\" scope=\"row\"><span class=\"card-cell-label\">Atsakymas</span>413 · <code>invalid_request_error</code></th><td data-cell-label=\"Sąlyga\"><span class=\"card-cell-label\">Sąlyga</span>Viršyta nustatyta užklausos turinio dydžio riba.</td><td data-cell-label=\"Kitas žingsnis\"><span class=\"card-cell-label\">Kitas žingsnis</span>Sumažinkite tikrosios medžiagos apimtį.</td></tr><tr><th data-cell-label=\"Atsakymas\" scope=\"row\"><span class=\"card-cell-label\">Atsakymas</span>422 · <code>invalid_request_error</code></th><td data-cell-label=\"Sąlyga\"><span class=\"card-cell-label\">Sąlyga</span>Įvestis arba valdikliai pažeidžia galiojančią atskirą politiką.</td><td data-cell-label=\"Kitas žingsnis\"><span class=\"card-cell-label\">Kitas žingsnis</span>Naudokite parodytą minimalią teksto įvestį be paveldėtų valdiklių.</td></tr><tr><th data-cell-label=\"Atsakymas\" scope=\"row\"><span class=\"card-cell-label\">Atsakymas</span>503 · <code>billing_error</code></th><td data-cell-label=\"Sąlyga\"><span class=\"card-cell-label\">Sąlyga</span>Nepavyksta susieti leidimo vykdyti užklausą arba kainos pasiūlymo.</td><td data-cell-label=\"Kitas žingsnis\"><span class=\"card-cell-label\">Kitas žingsnis</span>Išsaugokite atsakymą; nekeiskite politikos kita.</td></tr></tbody></table></div></details></section><section class=\"card-section\" data-card-section=\"aliases\"><h3 tabindex=\"-1\">Pseudonimai</h3><h4>Modelių pseudonimai</h4><p class=\"note-s\"><span data-model-alias-route=\"Ultra\"><b>Ailoot Ultra</b> <a href=\"#m=google%2Fgemini-embedding-2-preview&amp;route=Ultra&amp;caller=google%2Fgemini-embedding-2-preview&amp;fmt=embeddings\"><code>google/gemini-embedding-2-preview</code></a></span></p><h4>Metodų kelių pseudonimai</h4><p class=\"note-s\">Naudokite aukščiau nurodytus metodų kelius.</p><h4>Susiję ID iškvietimui</h4><p class=\"note-s\"><a href=\"#m=google%2Fgemini-embedding-2-preview&amp;route=Ultra&amp;caller=google%2Fgemini-embedding-2-preview&amp;fmt=embeddings\"><code>google/gemini-embedding-2-preview</code></a></p></section></div>",
      "method_identity": {
        "effective_request_model_id": "google/gemini-embedding-2-preview",
        "fmt": "embeddings",
        "http": "POST",
        "path": "/v1/embeddings",
        "request_model_id": "google/gemini-embedding-2-preview",
        "route_label": "Ultra"
      },
      "method_key": "Ultra|embeddings|/v1/embeddings|google%2Fgemini-embedding-2-preview",
      "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": "Trūksta model arba JSON netaisyklingas.",
                "http_status": 400,
                "recovery": "Pataisykite nurodytus laukus.",
                "type": "invalid_request_error"
              },
              {
                "code": null,
                "condition": "Viršyta nustatyta užklausos turinio dydžio riba.",
                "http_status": 413,
                "recovery": "Sumažinkite tikrosios medžiagos apimtį.",
                "type": "invalid_request_error"
              },
              {
                "code": null,
                "condition": "Įvestis arba valdikliai pažeidžia galiojančią atskirą politiką.",
                "http_status": 422,
                "recovery": "Naudokite parodytą minimalią teksto įvestį be paveldėtų valdiklių.",
                "type": "invalid_request_error"
              },
              {
                "code": null,
                "condition": "Nepavyksta susieti leidimo vykdyti užklausą arba kainos pasiūlymo.",
                "http_status": 503,
                "recovery": "Išsaugokite atsakymą; nekeiskite politikos kita.",
                "type": "billing_error"
              }
            ],
            "example_body": {
              "input": [
                "First document",
                "Second document"
              ],
              "model": "google/gemini-embedding-2-preview"
            },
            "hints": [],
            "ignored_fields": [],
            "lifecycle": {
              "create": {
                "http": "POST",
                "path": "/v1/embeddings"
              },
              "job_read": null,
              "mode": "synchronous_json",
              "unknown": "Vektorių generavimo užduotims atskiras API galinis taškas neįvedamas."
            },
            "material_combinations": [
              {
                "alternatives": [
                  "string",
                  "string[]"
                ],
                "mode": "text_to_embedding"
              }
            ],
            "operation_modes": [
              "single_embedding",
              "batched_embeddings"
            ],
            "outputs": {
              "all_results": "Išsaugokite kiekvieną vektorių su jo indeksu. Vektorių skaičius turi sutapti su įvesčių skaičiumi; jų matmenų skaičius turi būti vienodas.",
              "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-preview"
                ],
                "enum_known": true,
                "name": "model",
                "required": true,
                "type": "string"
              },
              {
                "availability": "source_interface",
                "default": null,
                "default_known": false,
                "enum": null,
                "enum_known": false,
                "name": "input",
                "required": true,
                "type": "string|string[]"
              }
            ],
            "profile_binding": "Minimal current Source subset: only model and text input. Optional controls and another model dimensions/token limits are not inherited.",
            "request_schema": {
              "additionalProperties": false,
              "properties": {
                "input": {
                  "oneOf": [
                    {
                      "minLength": 1,
                      "type": "string"
                    },
                    {
                      "items": {
                        "minLength": 1,
                        "type": "string"
                      },
                      "minItems": 1,
                      "type": "array"
                    }
                  ]
                },
                "model": {
                  "enum": [
                    "google/gemini-embedding-2-preview"
                  ],
                  "type": "string"
                }
              },
              "required": [
                "model",
                "input"
              ],
              "type": "object"
            },
            "schema_template": {
              "input": [
                "First document",
                "Second document"
              ],
              "model": "google/gemini-embedding-2-preview"
            },
            "unsupported": [
              "image/audio/file objects in this minimal text profile",
              "dimensions (current Native43 supports_dimensions:false)",
              "foreign model-specific dimensions or token limits"
            ]
          },
          "hints": [
            "Išsaugokite kiekvieną grąžintą vektorių ir indeksą.",
            "Iš šio minimalaus teksto profilio nenumanomas paveikslėlių, garso ar failų objektų palaikymas."
          ],
          "input": {
            "content_type": "application/json",
            "input_shapes": [
              "string",
              "string[]"
            ],
            "material_types": [
              "text"
            ],
            "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": "Keep every vector, index, model and usage field. Current dedicated Source validates count, finite float elements and consistent actual dimensions."
          }
        },
        "ctx": 8192,
        "declared_pricing_profiles": [
          {
            "dimensions": {
              "regime": "base"
            },
            "label": "Baziniai žetonų įkainiai",
            "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": "{\n  \"model\": \"google/gemini-embedding-2-preview\",\n  \"input\": [\n    \"First document\",\n    \"Second document\"\n  ]\n}",
            "label": "Complete minimal JSON body",
            "language": "json"
          },
          {
            "code": "set -eu\n: \"${AILOOT_API_KEY:?Set your Ailoot API key}\"\ncat > embedding-request.json <<'JSON_REQUEST'\n{\n  \"model\": \"google/gemini-embedding-2-preview\",\n  \"input\": [\n    \"First document\",\n    \"Second document\"\n  ]\n}\nJSON_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 @embedding-request.json -o embedding-response.json\n",
            "label": "curl · minimal text embeddings",
            "language": "bash"
          }
        ],
        "family": "openai",
        "fast_multiplier": null,
        "flex_multiplier": null,
        "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"
        ],
        "label": "Įterpiniai",
        "max_out": null,
        "max_reasoning_effort_multiplier": null,
        "out": 0,
        "output": [
          "embedding"
        ],
        "path": "/v1/embeddings",
        "price_conditions": [
          {
            "label": "Fast mode",
            "value": "Not specified",
            "when": "When fast mode is selected"
          },
          {
            "label": "Flex mode",
            "value": "Not specified",
            "when": "When flex mode is selected"
          },
          {
            "label": "Maximum reasoning effort",
            "value": "Not specified",
            "when": "When maximum reasoning effort uses the default adjustment"
          }
        ],
        "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-preview",
        "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-preview",
  "nativeProvenance": {
    "input_facts_canonical_sha256": "23f827abfacd87e3f2fe2fe1ae56ef19225a25b2213bf74f9fa5dfe8d292f6e2",
    "input_html_sha256": "b912555cb237c87631d7010da77a93aba9165cfcfac1352d65531aa018494dcf",
    "private_audit_sha256": "179b3a2c7187e3f071722227686b8d707fc7ca47c075e1a3b3af2d0c0db8ccd5",
    "role": "historical-normalized-input-audit-hashes",
    "schema": "ailoot-native-model-provenance-v2"
  },
  "page": {
    "canonical": "https://ailoot.ai/models/lt/google-gemini-embedding-2-preview/",
    "description": "Gemini Embedding 2 Preview tekstą, vaizdus, garsą, vaizdo įrašus ir PDF paverčia skaitiniais vektoriais vienoje multimodalinėje erdvėje. Atskirai dokumentuotas jo peržiūros versijos profilis palaiko paiešką ir palyginimą tarp modalumų, 8192 žetonų įvestį ir lankstų vektorių matmenų skaičių.",
    "locale": "lt",
    "md_url": "https://ailoot.ai/models/lt/google-gemini-embedding-2-preview/index.md",
    "title": "Google: Gemini Embedding 2 Preview — Ailoot",
    "url": "https://ailoot.ai/models/lt/google-gemini-embedding-2-preview/"
  },
  "rawModel": {
    "about": "Gemini Embedding 2 Preview yra įvardyta Google peržiūros versija jos iš prigimties multimodalinių įterpinių šeimoje. Ji tekstą, vaizdus, vaizdo įrašus, garsą ir PDF atvaizduoja bendroje skaitinėje erdvėje, reprezentuodama semantinį ketinimą daugiau nei 100 kalbų. Išvestis yra įterpiniai: vektoriai, naudojami susijusiai medžiagai palyginti ir rasti. Šios peržiūros versijos tapatybė lieka atskira nuo stabilios Gemini Embedding 2 versijos ir nereiškia tarpusavyje pakeičiamų svorių ar tapačios vektorių erdvės.\n\nPradiniame pranešime kaip tolesni taikymai aprašomi paieška tarp modalumų, klasifikavimas, grupavimas į klasterius, nuotaikų analizė ir paieška papildytas generavimas. Tekstinė užklausa gali rasti susijusią vaizdinę poziciją, o vaizdas ar klipas taip pat gali tapti paieškos atspirties tašku. Programa saugo reprezentacijas, jas palygina ir grąžina atitinkamus įrašus; atskiras kalbos modelis gali panaudoti rastą šaltinio medžiagą atsakymui parengti. Pats įterpinys neturi paaiškinimo natūraliąja kalba ar transkripcijos.\n\nJo paties modelio puslapyje dokumentuota 8192 žetonų įvesties riba ir išvesties matmenų skaičius nuo 128 iki 3072, rekomenduojami dydžiai – 768, 1536 ir 3072. Peržiūros versijos pranešime nurodytas numatytasis 3072 dydis ir aprašomas Matryoshka Representation Learning, išsaugantis naudingą informaciją trumpesnėse pradinėse reprezentacijos dalyse. Vektoriams, kuriuos reikia palyginti, išlaikykite vieną pasirinktą matmenų skaičių ir modelio versiją saugokite kartu su kolekcija, užuot jungę reprezentacijas vien dėl sutampančio jų ilgio.\n\nPeržiūros versijos pranešime nurodoma, kad vienoje užklausoje galima pateikti iki šešių PNG ar JPEG vaizdų, iki 120 sekundžių MP4 ar MOV vaizdo įrašą ir iki šešių puslapių PDF dokumentus. Jame taip pat dokumentuotas tiesioginis garso įterpinių kūrimas be tarpinės tekstinės transkripcijos. Šios specifikacijos yra iš pačios peržiūros versijos pranešimo, o ne iš vėlesnio stabilios versijos vadovo. Pranešimas nenustato visų dabartinių garso trukmės, kodekų ar kadrų atrankos ribų šiam konkrečiam peržiūros profiliui.\n\nPersipinanti multimodalinė įvestis leidžia reprezentacijai atspindėti ryšius tarp medijų, pavyzdžiui, vaizdo ir jo antraštės. Produktų kataloge pateikite nuotrauką ir patvirtintą aprašymą kartu, kai jie apibūdina vieną randamą objektą. Dokumentų kolekcijoje šaltinį padalykite į konkrečiai temai skirtas ištraukas ar puslapius ir išsaugokite jo pavadinimą bei vietą. Medijų bibliotekoje pasirinkite klipą, atitinkantį įvykį, kurį naudotojai turėtų rasti, ir su saugomu įrašu išsaugokite originalų laiko intervalą.\n\nNaudinga paieškos užduotis aiškiai nusako numatytą ryšį. Klausimas, kuriuo prašoma paaiškinimo, vizualiai panašių pozicijų paieška ir grupavimas pagal temą yra skirtingos užduotys, net jei naudoja tą pačią šaltinių kolekciją. Turinį ruoškite nuosekliai, užregistruokite versiją ir matmenų skaičių bei išlaikykite kiekvieno vektoriaus ryšį su jo šaltiniu. Panašumas pateikia kandidatus programai patikrinti; jis neįrodo, kad du įrašai teigia tą patį faktą ar rastas šaltinis visiškai atsako į klausimą.\n\nPraktinei medijų paieškai atvaizduokite pasirinktą vaizdą ar vaizdo įrašo ištrauką ir palyginkite su norimo turinio aprašymu. Atitinkantį šaltinį pateikite su jo antrašte ar laiko intervalu, kad naudotojas galėtų peržiūrėti. Žinių asistentui prieš generuojant rašytinį atsakymą raskite aktualų puslapį ar ištrauką. Preview modelio vaidmuo yra multimodalinė skaitinė reprezentacija, palaikanti šiuos atrankos veiksmus, o saugojimas, rikiavimo taisyklės ir galutinis atsakymas lieka jį naudojančio proceso dalimis.",
    "alias_of": null,
    "aliases": [],
    "author": "Google",
    "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": "Visa konfigūracijos kainodara pateikta išsamioje informacijoje."
      }
    ],
    "ctx": 8192,
    "formats": [
      "embeddings"
    ],
    "id": "google/gemini-embedding-2-preview",
    "input": [
      "text"
    ],
    "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": "Trūksta model arba JSON netaisyklingas.",
                "http_status": 400,
                "recovery": "Pataisykite nurodytus laukus.",
                "type": "invalid_request_error"
              },
              {
                "code": null,
                "condition": "Viršyta nustatyta užklausos turinio dydžio riba.",
                "http_status": 413,
                "recovery": "Sumažinkite tikrosios medžiagos apimtį.",
                "type": "invalid_request_error"
              },
              {
                "code": null,
                "condition": "Įvestis arba valdikliai pažeidžia galiojančią atskirą politiką.",
                "http_status": 422,
                "recovery": "Naudokite parodytą minimalią teksto įvestį be paveldėtų valdiklių.",
                "type": "invalid_request_error"
              },
              {
                "code": null,
                "condition": "Nepavyksta susieti leidimo vykdyti užklausą arba kainos pasiūlymo.",
                "http_status": 503,
                "recovery": "Išsaugokite atsakymą; nekeiskite politikos kita.",
                "type": "billing_error"
              }
            ],
            "example_body": {
              "input": [
                "First document",
                "Second document"
              ],
              "model": "google/gemini-embedding-2-preview"
            },
            "hints": [],
            "ignored_fields": [],
            "lifecycle": {
              "create": {
                "http": "POST",
                "path": "/v1/embeddings"
              },
              "job_read": null,
              "mode": "synchronous_json",
              "unknown": "Vektorių generavimo užduotims atskiras API galinis taškas neįvedamas."
            },
            "material_combinations": [
              {
                "alternatives": [
                  "string",
                  "string[]"
                ],
                "mode": "text_to_embedding"
              }
            ],
            "operation_modes": [
              "single_embedding",
              "batched_embeddings"
            ],
            "outputs": {
              "all_results": "Išsaugokite kiekvieną vektorių su jo indeksu. Vektorių skaičius turi sutapti su įvesčių skaičiumi; jų matmenų skaičius turi būti vienodas.",
              "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-preview"
                ],
                "enum_known": true,
                "name": "model",
                "required": true,
                "type": "string"
              },
              {
                "availability": "source_interface",
                "default": null,
                "default_known": false,
                "enum": null,
                "enum_known": false,
                "name": "input",
                "required": true,
                "type": "string|string[]"
              }
            ],
            "profile_binding": "Minimal current Source subset: only model and text input. Optional controls and another model dimensions/token limits are not inherited.",
            "request_schema": {
              "additionalProperties": false,
              "properties": {
                "input": {
                  "oneOf": [
                    {
                      "minLength": 1,
                      "type": "string"
                    },
                    {
                      "items": {
                        "minLength": 1,
                        "type": "string"
                      },
                      "minItems": 1,
                      "type": "array"
                    }
                  ]
                },
                "model": {
                  "enum": [
                    "google/gemini-embedding-2-preview"
                  ],
                  "type": "string"
                }
              },
              "required": [
                "model",
                "input"
              ],
              "type": "object"
            },
            "schema_template": {
              "input": [
                "First document",
                "Second document"
              ],
              "model": "google/gemini-embedding-2-preview"
            },
            "unsupported": [
              "image/audio/file objects in this minimal text profile",
              "dimensions (current Native43 supports_dimensions:false)",
              "foreign model-specific dimensions or token limits"
            ]
          },
          "hints": [
            "Išsaugokite kiekvieną grąžintą vektorių ir indeksą.",
            "Iš šio minimalaus teksto profilio nenumanomas paveikslėlių, garso ar failų objektų palaikymas."
          ],
          "input": {
            "content_type": "application/json",
            "input_shapes": [
              "string",
              "string[]"
            ],
            "material_types": [
              "text"
            ],
            "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": "Keep every vector, index, model and usage field. Current dedicated Source validates count, finite float elements and consistent actual dimensions."
          }
        },
        "ctx": 8192,
        "declared_pricing_profiles": [
          {
            "dimensions": {
              "regime": "base"
            },
            "label": "Baziniai žetonų įkainiai",
            "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": "{\n  \"model\": \"google/gemini-embedding-2-preview\",\n  \"input\": [\n    \"First document\",\n    \"Second document\"\n  ]\n}",
            "label": "Complete minimal JSON body",
            "language": "json"
          },
          {
            "code": "set -eu\n: \"${AILOOT_API_KEY:?Set your Ailoot API key}\"\ncat > embedding-request.json <<'JSON_REQUEST'\n{\n  \"model\": \"google/gemini-embedding-2-preview\",\n  \"input\": [\n    \"First document\",\n    \"Second document\"\n  ]\n}\nJSON_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 @embedding-request.json -o embedding-response.json\n",
            "label": "curl · minimal text embeddings",
            "language": "bash"
          }
        ],
        "family": "openai",
        "fast_multiplier": null,
        "flex_multiplier": null,
        "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"
        ],
        "label": "Įterpiniai",
        "max_out": null,
        "max_reasoning_effort_multiplier": null,
        "out": 0,
        "output": [
          "embedding"
        ],
        "path": "/v1/embeddings",
        "price_conditions": [
          {
            "label": "Fast mode",
            "value": "Not specified",
            "when": "When fast mode is selected"
          },
          {
            "label": "Flex mode",
            "value": "Not specified",
            "when": "When flex mode is selected"
          },
          {
            "label": "Maximum reasoning effort",
            "value": "Not specified",
            "when": "When maximum reasoning effort uses the default adjustment"
          }
        ],
        "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-preview",
        "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-preview",
        "request_model_id": "google/gemini-embedding-2-preview",
        "route_label": "Ultra"
      }
    ],
    "name": "Google: Gemini Embedding 2 Preview",
    "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
    },
    "short": "Gemini Embedding 2 Preview tekstą, vaizdus, garsą, vaizdo įrašus ir PDF paverčia skaitiniais vektoriais vienoje multimodalinėje erdvėje. Atskirai dokumentuotas jo peržiūros versijos profilis palaiko paiešką ir palyginimą tarp modalumų, 8192 žetonų įvestį ir lankstų vektorių matmenų skaičių."
  },
  "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 Preview tekstą, vaizdus, garsą, vaizdo įrašus ir PDF paverčia skaitiniais vektoriais vienoje multimodalinėje erdvėje. Atskirai dokumentuotas jo peržiūros versijos profilis palaiko paiešką ir palyginimą tarp modalumų, 8192 žetonų įvestį ir lankstų vektorių matmenų skaičių.",
  "source": {
    "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1",
    "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036",
    "raw_model_json_sha256": "4bc6436f77503cad007d10afaa28141d881261e7947eba0e99d96eb3011ff93f",
    "renderer_sha256": "57bd2f8a61f57d341aae369006eca818e3eea645ec43af488ec7b2289eeca772"
  },
  "sourceRevision": "b517eb4dc890c994c2186c360a296fc544ea1456a6ea74957d8fd2dc94a86bac"
}