{ "aboutHtml": "

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.

", "aboutText": "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.\n\nUntuk 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.\n\nHad 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.\n\nInput 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.\n\nDimensi 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.\n\nUntuk 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.\n\nStruktur 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.\n\nPanduan 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.\n\nUntuk 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.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "2c6bd29f7b5928704bfaed6e540428a3c1880d764f3f84b7ae96251c2427436f", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "ms", "methods": [ { "html": "
G

Google: Gemini Embedding 2

Google /google/gemini-embedding-2

Pengenalan

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
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.

Tersedia di Ailoot · input & kaedah

Ailoot Ultra · Pembenaman POST /v1/embeddings
Input
text, token_ids
Output
embedding
Konteks
8,192 tokens
Format output
json
MedanJenisKeperluanNilai & hadLalai
MedanmodelJenisstringKeperluanDiperlukanNilai & had
google/gemini-embedding-2
Lalai—
MedaninputJenisstring|string[]|integer[]|integer[][]KeperluanDiperlukanNilai & 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_formatJenisstringKeperluanPilihanNilai & had
float
Lalaifloat
MedandimensionsJenisintegerKeperluanTidak disokongNilai & had
Minimum: 1
Lalai—
MedanuserJenisjson_valueKeperluanPilihanNilai & had
Syarat: Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model.
Lalai—
Medansession_idJenisjson_valueKeperluanPilihanNilai & had
Syarat: Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model.
Lalai—
MedantraceJenisjson_valueKeperluanPilihanNilai & had
Syarat: Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model.
Lalai—
MedanproviderJenisobjectKeperluanPilihanNilai & had
Syarat: provider.options ditolak
Lalai—
Gabungan bahan input

text_to_embedding

Parameter kaedah dan kitar hayat
ParameterKontrak
Parametercontent_typeKontrakapplication/json
ParameterrequiredKontrakmodel, input
Parameterinput_shapesKontrakstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[]
Parameterencoding_formatKontrakfloat
Parameterdimensions_overrideKontrakfalse
Parametermax_input_budget_unitsKontrak8192
Parametermultimodal_objectsKontrakfalse
Parametermaterial_typesKontraktext, token_ids

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

KonfigurasiJadual kadarCaj
KonfigurasiKadar asas tokenJadual kadarKadar asasCaj
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\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "google/gemini-embedding-2", "input": ["First document", "Second document"]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n  -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n  --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")}))\nPY_RESULT\n

Terima dan simpan hasil

Ailoot Ultra · 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
MedanJenis
MedanobjectJenisstring
MedanmodelJenisstring
Medandata[].indexJenisinteger
Medandata[].embeddingJenisfinite float[]
MedanusageJenisobject
Ralat dan langkah seterusnya
ResponsSyaratLangkah seterusnya
Respons400 · invalid_request_errorSyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sahLangkah 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

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": "Medan wajib, perwakilan bahan atau nilai parameter tidak sah", "http_status": 400, "recovery": "Betulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "Tiada titik akhir tugas pembenaman diperkenalkan." }, "material_combinations": [ { "alternatives": [ "string", "string[]", "nonnegative_integer_token_array", "nonnegative_integer_token_array[]" ], "mode": "text_to_embedding" } ], "operation_modes": [ "single_embedding", "batched_embeddings" ], "outputs": { "all_results": "Simpan setiap vektor bersama indeksnya. Bilangan vektor mesti sama dengan bilangan input; dimensi mesti konsisten.", "default_dimensions": null, "family": "embedding", "fields": [ { "description": null, "name": "object", "type": "string" }, { "description": null, "name": "model", "type": "string" }, { "description": null, "name": "data[].index", "type": "integer" }, { "description": null, "name": "data[].embedding", "type": "finite float[]" }, { "description": null, "name": "usage", "type": "object" } ], "format": "json" }, "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "google/gemini-embedding-2" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "budget": { "maximum": 8192, "text_unit": "bait UTF8", "token_unit": "elemen tatasusunan token" }, "conditions": "Kelompok homogen yang tidak kosong. ID token ialah integer bukan negatif.", "default": null, "default_known": false, "enum": null, "enum_known": false, "min_items": 1, "name": "input", "required": true, "type": "string|string[]|integer[]|integer[][]" }, { "availability": "source_interface", "default": "float", "default_known": true, "enum": [ "float" ], "enum_known": true, "name": "encoding_format", "required": false, "type": "string" }, { "availability": "unsupported", "default": null, "default_known": false, "enum": null, "enum_known": false, "minimum": 1, "name": "dimensions", "required": false, "type": "integer" }, { "availability": "pass_through_metadata", "conditions": "Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "user", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "session_id", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "trace", "required": false, "type": "json_value" }, { "availability": "source_interface", "conditions": "provider.options ditolak", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "provider", "required": false, "type": "object" } ], "profile_binding": "Exact existing Ailoot model and method; interface constraints below do not assert provider qualification.", "unsupported": [ "mixed input kinds", "empty input", "image/audio/file objects", "encoding_format=base64", "dimensions override" ] }, "hints": [ "Simpan setiap indeks dan dimensi vektor.", "Nama model multimodal tidak bermakna objek imej dibenarkan pada laluan khusus ini." ], "input": { "content_type": "application/json", "dimensions_override": false, "encoding_format": [ "float" ], "input_shapes": [ "string", "string[]", "nonnegative_integer_token_array", "nonnegative_integer_token_array[]" ], "material_types": [ "text", "token_ids" ], "max_input_budget_units": 8192, "multimodal_objects": false, "required": [ "model", "input" ] }, "lifecycle": { "mode": "synchronous_json", "unknown": "no embedding job endpoint inferred" }, "manufacturer_capability": null, "method": { "http": "POST", "path": "/v1/embeddings" }, "method_aliases": [], "operation_modes": [ "text_to_embedding" ], "output": { "default_dimensions": null, "family": "embedding", "format": "json", "http_success": 200, "vectors": "one dense float vector per input; indices/model/usage validated" } }, "ctx": 8192, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Kadar asas 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": "Mod pantas", "value": "Kadar standard", "when": "Apabila mod pantas dipilih" }, { "label": "Mod flex", "value": "Kadar standard", "when": "Apabila mod flex dipilih" }, { "label": "Usaha penaakulan maksimum", "value": "Kadar standard", "when": "Apabila usaha penaakulan maksimum menggunakan pelarasan 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": "325e1eb87ff92977c38e514622d389873adfc3e1c6fa73af9028e599304f97f5", "input_html_sha256": "420b15516dc433bf9da93380ddf8d9764ef3cadfbc0e0f7ca8ea082637271875", "private_audit_sha256": "1b2dcb331d2fb7bab0da4427d2560e465fffc3fd5c089e5bc1dfa48e17018415", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/ms/google-gemini-embedding-2/", "description": "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.", "locale": "ms", "md_url": "https://ailoot.ai/models/ms/google-gemini-embedding-2/index.md", "title": "Google: Gemini Embedding 2 — Ailoot", "url": "https://ailoot.ai/models/ms/google-gemini-embedding-2/" }, "rawModel": { "about": "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.\n\nUntuk 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.\n\nHad 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.\n\nInput 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.\n\nDimensi 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.\n\nUntuk 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.\n\nStruktur 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.\n\nPanduan 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.\n\nUntuk 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.", "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": "Maklumat lengkap tentang harga konfigurasi terdapat dalam butiran." } ], "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": "Medan wajib, perwakilan bahan atau nilai parameter tidak sah", "http_status": 400, "recovery": "Betulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "Tiada titik akhir tugas pembenaman diperkenalkan." }, "material_combinations": [ { "alternatives": [ "string", "string[]", "nonnegative_integer_token_array", "nonnegative_integer_token_array[]" ], "mode": "text_to_embedding" } ], "operation_modes": [ "single_embedding", "batched_embeddings" ], "outputs": { "all_results": "Simpan setiap vektor bersama indeksnya. Bilangan vektor mesti sama dengan bilangan input; dimensi mesti konsisten.", "default_dimensions": null, "family": "embedding", "fields": [ { "description": null, "name": "object", "type": "string" }, { "description": null, "name": "model", "type": "string" }, { "description": null, "name": "data[].index", "type": "integer" }, { "description": null, "name": "data[].embedding", "type": "finite float[]" }, { "description": null, "name": "usage", "type": "object" } ], "format": "json" }, "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "google/gemini-embedding-2" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "budget": { "maximum": 8192, "text_unit": "bait UTF8", "token_unit": "elemen tatasusunan token" }, "conditions": "Kelompok homogen yang tidak kosong. ID token ialah integer bukan negatif.", "default": null, "default_known": false, "enum": null, "enum_known": false, "min_items": 1, "name": "input", "required": true, "type": "string|string[]|integer[]|integer[][]" }, { "availability": "source_interface", "default": "float", "default_known": true, "enum": [ "float" ], "enum_known": true, "name": "encoding_format", "required": false, "type": "string" }, { "availability": "unsupported", "default": null, "default_known": false, "enum": null, "enum_known": false, "minimum": 1, "name": "dimensions", "required": false, "type": "integer" }, { "availability": "pass_through_metadata", "conditions": "Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "user", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "session_id", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "trace", "required": false, "type": "json_value" }, { "availability": "source_interface", "conditions": "provider.options ditolak", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "provider", "required": false, "type": "object" } ], "profile_binding": "Exact existing Ailoot model and method; interface constraints below do not assert provider qualification.", "unsupported": [ "mixed input kinds", "empty input", "image/audio/file objects", "encoding_format=base64", "dimensions override" ] }, "hints": [ "Simpan setiap indeks dan dimensi vektor.", "Nama model multimodal tidak bermakna objek imej dibenarkan pada laluan khusus ini." ], "input": { "content_type": "application/json", "dimensions_override": false, "encoding_format": [ "float" ], "input_shapes": [ "string", "string[]", "nonnegative_integer_token_array", "nonnegative_integer_token_array[]" ], "material_types": [ "text", "token_ids" ], "max_input_budget_units": 8192, "multimodal_objects": false, "required": [ "model", "input" ] }, "lifecycle": { "mode": "synchronous_json", "unknown": "no embedding job endpoint inferred" }, "manufacturer_capability": null, "method": { "http": "POST", "path": "/v1/embeddings" }, "method_aliases": [], "operation_modes": [ "text_to_embedding" ], "output": { "default_dimensions": null, "family": "embedding", "format": "json", "http_success": 200, "vectors": "one dense float vector per input; indices/model/usage validated" } }, "ctx": 8192, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Kadar asas 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": "Mod pantas", "value": "Kadar standard", "when": "Apabila mod pantas dipilih" }, { "label": "Mod flex", "value": "Kadar standard", "when": "Apabila mod flex dipilih" }, { "label": "Usaha penaakulan maksimum", "value": "Kadar standard", "when": "Apabila usaha penaakulan maksimum menggunakan pelarasan default" } ], "pricing": { "billing_mode": "token", "image_input_price": null, "image_output_price": null, "per_request_price": null }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": "0.0004000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.0000004", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "request_model_id": "google/gemini-embedding-2", "route_label": "Ultra", "status_reads": [], "tiers": [], "units": [ { "amount": "0.0004000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.0000004", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "model_aliases": [ { "canonical_model_id": "google/gemini-embedding-2", "request_model_id": "google/gemini-embedding-2", "route_label": "Ultra" } ], "name": "Google: Gemini Embedding 2", "price": { "in": 0.4, "in_label": null, "out": 0, "out_label": null, "scope_label": "Token rates", "sort_in": 0.4, "sort_out": 0, "varies": false }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Эмбеддинги · Base token rates", "units": [ { "amount": "0.0004000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.0000004", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "public_id": "google/gemini-embedding-2", "short": "Gemini Embedding 2 memetakan teks, 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." }, "renderer_schema": { "method_order": "Original DTO methods order; every exact route/format/path/caller survives.", "prices": "Original public DTO fields and original native display HTML; no flattened or normalized offers." }, "representation": "exact-public-dto-and-native-renderer-html", "representationNotes": { "current_reference": { "about_json_pointer": "/aboutHtml", "methods": [ { "contract_json_pointer": "/methods/0/rawMethod/contract", "html_json_pointer": "/methods/0/html", "method_ordinal": 0 } ], "role": "current-semantic-reference" }, "raw_input": { "examples_role": "historical-input-not-current-ready-examples", "json_pointers": [ "/rawModel", "/methods/0/rawMethod" ], "role": "historical-owner-input" }, "schema": "ailoot-native-model-representations-v1" }, "schema": "ailoot-static-model-facts-v1", "schema_version": 1, "shortText": "Gemini Embedding 2 memetakan teks, 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.", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "d3a3b68f420d754d0252aefeb84a174bd91faac51080f40fe6a838f036db5738", "renderer_sha256": "1dab5ba62521e9568c8b7c82005622cabbf330a075df7cce1f83274a04009460" }, "sourceRevision": "a494449c9727fae2630b1654047e9c8b21a57f784b1aaf68b3debcc8a5c345ee" }