Source: https://ailoot.ai/models/ms/google-gemini-embedding-2/
Canonical: https://ailoot.ai/models/ms/google-gemini-embedding-2/
Language: ms

# Google: Gemini Embedding 2

[Markdown](https://ailoot.ai/models/ms/google-gemini-embedding-2/index.md) · [JSON](https://ailoot.ai/models/ms/google-gemini-embedding-2/facts.json)

## [Google: Gemini Embedding 2](https://ailoot.ai/models/ms/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.

- [**Ailoot Ultra · Pembenaman** `POST /v1/embeddings` `google/gemini-embedding-2`](https://ailoot.ai/models/ms/google-gemini-embedding-2/#method-0)

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-2`](https://ailoot.ai/models/ms/#m=google%2Fgemini-embedding-2&route=Ultra&caller=google%2Fgemini-embedding-2&fmt=embeddings)

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

### 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 |
| --- | --- | --- | --- | --- |
| Medan`model` | Jenis`string` | KeperluanDiperlukan | Nilai & had google/gemini-embedding-2 | Lalai— |
| Medan`input` | Jenis`string\|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— |
| Medan`encoding_format` | Jenis`string` | KeperluanPilihan | Nilai & had float | Lalaifloat |
| Medan`dimensions` | Jenis`integer` | KeperluanTidak disokong | Nilai & had Minimum: 1 | Lalai— |
| Medan`user` | Jenis`json_value` | KeperluanPilihan | Nilai & had Syarat: Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model. | Lalai— |
| Medan`session_id` | Jenis`json_value` | KeperluanPilihan | Nilai & had Syarat: Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model. | Lalai— |
| Medan`trace` | Jenis`json_value` | KeperluanPilihan | Nilai & had Syarat: Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model. | Lalai— |
| Medan`provider` | Jenis`object` | KeperluanPilihan | Nilai & had Syarat: provider.options ditolak | Lalai— |

Gabungan bahan input

**text\_to\_embedding**

Parameter kaedah dan kitar hayat

| Parameter | Kontrak |
| --- | --- |
| Parameter`content_type` | Kontrakapplication/json |
| Parameter`required` | Kontrakmodel, input |
| Parameter`input_shapes` | Kontrakstring, string\[\], nonnegative\_integer\_token\_array, nonnegative\_integer\_token\_array\[\] |
| Parameter`encoding_format` | Kontrakfloat |
| Parameter`dimensions_override` | Kontrakfalse |
| Parameter`max_input_budget_units` | Kontrak8192 |
| Parameter`multimodal_objects` | Kontrakfalse |
| Parameter`material_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 →](https://ailoot.ai/docs/ms/billing/reserve/)

### Contoh permintaan

#### Ailoot Ultra · Pembenaman

curlPython SDK

```bash
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
```

```python
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 |
| --- | --- |
| Medan`object` | Jenisstring |
| Medan`model` | Jenisstring |
| Medan`data[].index` | Jenisinteger |
| Medan`data[].embedding` | Jenisfinite float\[\] |
| Medan`usage` | 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`](https://ailoot.ai/models/ms/#m=google%2Fgemini-embedding-2&route=Ultra&caller=google%2Fgemini-embedding-2&fmt=embeddings)

#### Alias laluan kaedah

Gunakan laluan kaedah yang dipaparkan di atas.

#### ID pemanggil berkaitan

[`google/gemini-embedding-2`](https://ailoot.ai/models/ms/#m=google%2Fgemini-embedding-2&route=Ultra&caller=google%2Fgemini-embedding-2&fmt=embeddings)

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`

Sambungkan Ailoot kepada Claude Code, OpenCode, Hermes atau aplikasi anda.

## Syarikat dan portfolio projeknya

Syarikat dan portfolio projeknya: jutaan pelanggan; jualan bernilai berbilion setiap bulan.

## Beli token dengan diskaun.

Diskaun langganan untuk penggunaan berkala. Kod promosi — sehingga 50% bagi pembelian token.

Langganan

Pilih pelan berdiskaun untuk permintaan berkala anda.

Kod promosi sehingga 50%

Masukkan kod semasa pembelian. Harga dikira semula mengikut promosi semasa.

Perbelanjaan dalam sejarah

Model, token dan jumlah disimpan bagi setiap permintaan.

[Pilih langganan](https://ailoot.ai/docs/ms/billing/subscriptions/) · [Lihat harga model](https://ailoot.ai/models/ms/)

## Sambungkan API kepada produk yang anda jual.

SaaS, aplikasi dan bot — di bawah tawaran rasmi serta perjanjian lesen Ailoot. Untuk jualan semula, mohon lesen penjual semula.

Aplikasi komersial

Tambahkan penjanaan teks, imej, video dan audio pada ciri berbayar perkhidmatan anda.

Lesen penjual semula

Hantar keterangan projek dan susunan akses. Minta terma penggunaan serta jualan semula secara bertulis.

Dokumen pada laman

Tawaran, perjanjian lesen dan dasar pemprosesan data tersedia sebelum sambungan.

[Mohon lesen penjual semula](mailto:support@ailoot.ai) · [Tawaran dan perjanjian lesen](https://ailoot.ai/legal/offer?lang=ms)

## Ailoot · Syarikat dan portfolio projeknya





Ailoot berteraskan pengalaman operasi yang mantap, pangkalan pelanggan yang besar, perkhidmatan yang stabil dan pemantauan KPI berterusan.





Syarikat dan portfolio projeknya: jutaan pelanggan; jualan bernilai berbilion setiap bulan.





Ailoot menggunakan pengalaman operasi ini untuk akses API kepada ciri AI dalam produk pelanggan, ejen, aplikasi dan automasi.