Google: Gemini Embedding 2
Gemini Embedding 2 memetakan teks, imej, audio, video dan PDF kepada ruang berangka bersama. Vektornya menyokong carian merentas modaliti, pemerolehan semula, pengelasan dan pengelompokan, dengan dimensi fleksibel serta had input 8,192 token.
Tentang model
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Gemini Embedding 2 ialah model embedding multimodal Google untuk perwakilan berangka teks, imej, video, audio dan PDF. Ia memetakan pelbagai jenis media kepada ruang bersama supaya aplikasi dapat membandingkan makna merentasnya. Hasilnya ialah vektor nombor yang berguna untuk carian semantik, pemerolehan semula dokumen, cadangan, pengelasan atau pengelompokan; ia bukan jawapan bertulis atau fail media terjana. Google mendokumenkan liputan semantik merentas lebih daripada 100 bahasa.
Untuk pangkalan pengetahuan, cipta vektor bagi petikan sumber, bandingkan pertanyaan pengguna dengannya dan dapatkan bahan relevan. Model teks berasingan kemudian boleh mengarang jawapan menggunakan sumber itu. Untuk koleksi media, penerangan teks boleh mencari imej atau video berkaitan; imej juga boleh membekalkan pertanyaan. Kekalkan pautan setiap vektor kepada kandungan asal, termasuk rujukan halaman atau klip, supaya hasil pemerolehan semula dapat diperiksa dan dipaparkan dalam konteks asalnya.
Had input keseluruhan ialah 8,192 token. Panduan model stabil membenarkan sehingga enam imej PNG atau JPEG, sehingga 180 saat audio MP3 atau WAV dan sehingga 120 saat video MP4 atau MOV. Codec video yang didokumenkan ialah H264, H265, AV1 dan VP9. Pemprosesan video menggunakan paling banyak 32 bingkai: klip sehingga 32 saat disampel pada satu bingkai sesaat, manakala klip lebih panjang disampel secara seragam kepada 32 bingkai. Trek audio video tidak diproses dalam input video itu; hasilkan embedding bunyinya secara berasingan apabila penting kepada pemerolehan semula.
Input PDF menerima satu fail dengan paling banyak enam halaman. Google mengesyorkan satu halaman bagi setiap PDF untuk kualiti terbaik. Bahagikan sumber lebih besar kepada halaman atau bahagian bermakna dan simpan hubungannya dengan dokumen asal. Pilih petikan yang mewakili perkara yang patut diperoleh semula, bukannya menggabungkan bahan tidak berkaitan semata-mata kerana muat dalam had. Sempadan token bersama tetap terpakai kepada permintaan media campuran. Setiap halaman PDF menggunakan 258 token visual selain token teks yang diekstrak. Dalam aliran kerja Google yang didokumenkan, kandungan melebihi had bersama 8,192 token dipotong tanpa ralat.
Dimensi output fleksibel dari 128 hingga 3,072, dengan 3,072 sebagai lalai dan 768, 1,536 serta 3,072 sebagai saiz yang disyorkan. Model menggunakan Matryoshka Representation Learning, maka bahagian awal vektor kekal berguna pada dimensi lebih kecil. Panduannya mendokumenkan penormalan automatik untuk vektor lalai dan dipendekkan. Pilih dimensi konsisten untuk rekod dan pertanyaan yang dibandingkan aplikasi anda; saiz yang diminta mengubah perwakilan berangka, bukan kandungan sumber itu sendiri.
Untuk tugas teks sahaja, sertakan tujuan dalam teks, bukannya menggunakan medan task_type terdahulu. Google membezakan pemerolehan semula tidak simetri daripada perbandingan simetri. Pertanyaan carian menggunakan “task: search result | query: {content}”, manakala dokumen sumber menggunakan “title: {title} | text: {content}”; gunakan “title: none” jika tiada tajuk. Tugas soal jawab, semakan fakta dan pemerolehan semula kod mempunyai awalan pertanyaan sendiri. Untuk pengelasan, pengelompokan atau keserupaan ayat, gunakan format tugas yang sama secara konsisten pada kedua-dua sisi. Panduan secara umum menasihati agar tidak menambah awalan tugas pada bahagian teks perwakilan multimodal gabungan.
Struktur input menentukan sama ada hasil mewakili satu objek gabungan atau item berasingan. Beberapa bahagian yang dibekalkan bersama menghasilkan embedding agregat; objek Content berasingan menghasilkan embedding berasingan bagi setiap entri. Untuk hantaran yang mengandungi teks dan gambar, perwakilan gabungan boleh menangkap hubungannya. Untuk rekod yang boleh dicari secara bebas, asingkannya. Pilihan ini mempengaruhi aras perincian pemerolehan semula: satu vektor untuk seluruh hantaran berbeza daripada satu vektor bagi setiap petikan atau imej.
Panduan menyatakan bahawa vektor Gemini Embedding 001 dan Gemini Embedding 2 berada dalam ruang tidak serasi dan tidak boleh dibandingkan secara langsung. Koleksi yang dipindahkan daripada model terdahulu perlu dihasilkan embeddingnya semula untuk ruang baharu. Pastikan pilihan model dan dimensi konsisten dengan vektor yang dibandingkan, serta simpan teks asal dan media secara berasingan daripada indeks berangka. Keserupaan embedding ialah isyarat pemerolehan semula, bukannya penjelasan fakta tentang sebab dokumen menjawab soalan pengguna.
Untuk katalog praktikal, hasilkan embedding foto produk bersama penerangan yang diluluskan apabila pasangan itu patut diperoleh semula sebagai satu objek. Untuk koleksi dokumen, hasilkan embedding petikan terfokus dan bandingkan dengan pertanyaan berformat tujuan, kemudian bentangkan petikan sumber bersama hasil carian. Untuk audio atau video, pilih episod yang menerangkan peristiwa yang boleh dicari dan simpan julat masa asalnya. Hasil berguna ialah perwakilan berangka yang dipautkan kepada bukti sumber untuk langkah carian atau analisis aplikasi seterusnya.
Ailoot Ultra · Pembenaman POST /v1/embeddings google/gemini-embedding-2
google/gemini-embedding-2Pengenalan
Gemini Embedding 2 memetakan teks, imej, audio, video dan PDF kepada ruang berangka bersama. Vektornya menyokong carian merentas modaliti, pemerolehan semula, pengelasan dan pengelompokan, dengan dimensi fleksibel serta had input 8,192 token.
- Input yang diterima
- Teks · token_ids
- Hasil
- embedding
Tersedia di Ailoot · input & kaedah
Ailoot Ultra · Pembenaman POST /v1/embeddings
- Input
text,token_ids- Output
embedding- Konteks
- 8,192 tokens
- Format output
- json
| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had google/gemini-embedding-2 | Lalai— |
Medaninput | Jenisstring|string[]|integer[]|integer[][] | KeperluanDiperlukan | Nilai & had Item minimum: 1 Syarat: Kelompok homogen yang tidak kosong. ID token ialah integer bukan negatif. Bajet input: Maksimum: 8,192 · Unit teks: bait UTF8 · Unit token: elemen tatasusunan token | Lalai— |
Medanencoding_format | Jenisstring | KeperluanPilihan | Nilai & had float | Lalaifloat |
Medandimensions | Jenisinteger | KeperluanTidak disokong | Nilai & had Minimum: 1 | Lalai— |
Medanuser | Jenisjson_value | KeperluanPilihan | Nilai & had Syarat: Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model. | Lalai— |
Medansession_id | Jenisjson_value | KeperluanPilihan | Nilai & had Syarat: Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model. | Lalai— |
Medantrace | Jenisjson_value | KeperluanPilihan | Nilai & had Syarat: Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model. | Lalai— |
Medanprovider | Jenisobject | KeperluanPilihan | Nilai & had Syarat: provider.options ditolak | Lalai— |
Gabungan bahan input
text_to_embedding
Parameter kaedah dan kitar hayat
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, input |
Parameterinput_shapes | Kontrakstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Parameterencoding_format | Kontrakfloat |
Parameterdimensions_override | Kontrakfalse |
Parametermax_input_budget_units | Kontrak8192 |
Parametermultimodal_objects | Kontrakfalse |
Parametermaterial_types | Kontraktext, token_ids |
Kitar hayat: synchronous_json
Simpan setiap indeks dan dimensi vektor.
Nama model multimodal tidak bermakna objek imej dibenarkan pada laluan khusus ini.
Pelan harga
Rujukan tarif tidak menambah pilihan permintaan. Parameter yang disokong disenaraikan untuk kaedah yang dipilih.
- Mod pantas
- Kadar standard Apabila mod pantas dipilih
- Mod flex
- Kadar standard Apabila mod flex dipilih
- Usaha penaakulan maksimum
- Kadar standard Apabila usaha penaakulan maksimum menggunakan pelarasan default
Kadar Ailoot
Harga mengikut konfigurasi
| Konfigurasi | Jadual kadar | Caj |
|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Caj Input · Token input $0.0004 / 1K token Output · Token output $0 / 1K token Input · Bacaan cache — / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
Contoh permintaan
Ailoot Ultra · Pembenaman
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
p=json.loads('{"model": "google/gemini-embedding-2", "input": ["First document", "Second document"]}')
Path("request.json").write_text(json.dumps(p,ensure_ascii=False))
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \
-H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
--data-binary @request.json -D response-headers.txt -o result.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
r=json.loads(Path("result.json").read_text())
for x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")}))
PY_RESULT
from openai import OpenAI
import os
client=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)
result=client.embeddings.create(model='google/gemini-embedding-2',input=["First document","Second document"])
print(result)
for item in result.data:print(item.index,item.embedding)
Terima dan simpan hasil
Ailoot Ultra · Pembenaman
json
Simpan semua hasil yang selesai
Simpan setiap respons lengkap, fail dan bahagian kandungan yang dikembalikan.
Simpan setiap vektor bersama indeksnya. Bilangan vektor mesti sama dengan bilangan input; dimensi mesti konsisten.
Jika respons asal perlu disemak
Tiada titik akhir tugas pembenaman diperkenalkan.
Medan respons
| Medan | Jenis |
|---|---|
Medanobject | Jenisstring |
Medanmodel | Jenisstring |
Medandata[].index | Jenisinteger |
Medandata[].embedding | Jenisfinite float[] |
Medanusage | Jenisobject |
Ralat dan langkah seterusnya
| Respons | Syarat | Langkah seterusnya |
|---|---|---|
Respons400 · invalid_request_error | SyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sah | Langkah seterusnyaBetulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu. |
Alias
Alias model
Ailoot Ultra google/gemini-embedding-2
Alias laluan kaedah
Gunakan laluan kaedah yang dipaparkan di atas.
ID pemanggil berkaitan
FAQ · Google: Gemini Embedding 2
- Apakah input dan hasil yang tersedia?
POST /v1/embeddings·google/gemini-embedding-2:text,token_ids→embedding- Apakah medan yang digunakan oleh permintaan?
POST /v1/embeddings·google/gemini-embedding-2:model,input,encoding_format,provider- Apakah had yang terpakai?
POST /v1/embeddings·google/gemini-embedding-2:ctx:8192;input.budget.maximum:8192(bait UTF8);input.min_items:1