Gemini Embedding 2 Preview is de benoemde previeweditie van Google binnen de native multimodale embeddingfamilie. Deze previeweditie zet tekst, afbeeldingen, video, audio en PDF om in een gedeelde numerieke ruimte, met semantische intentie gerepresenteerd over meer dan 100 talen. De uitvoer bestaat uit embeddings: vectoren waarmee verwant materiaal wordt vergeleken en opgehaald. Deze previewidentiteit blijft onderscheiden van de stabiele Gemini-Embedding-2-editie en impliceert geen uitwisselbare gewichten of identieke vectorruimte.
De oorspronkelijke aankondiging beschrijft modaliteitsoverschrijdend zoeken, classificatie, clustering, sentimentanalyse en retrieval-augmented generation als vervolgtoepassingen. Een tekstzoekvraag kan een verwant visueel item vinden, terwijl een afbeelding of clip ook als uitgangspunt voor een zoekopdracht kan dienen. Een toepassing bewaart de representaties, vergelijkt ze en retourneert de bijbehorende records; een afzonderlijk taalmodel kan het opgehaalde bronmateriaal gebruiken om een antwoord op te stellen. De embedding zelf bevat geen uitleg in natuurlijke taal of transcript.
De eigen modelpagina documenteert een invoerlimiet van 8.192 tokens en uitvoerdimensies van 128 tot 3.072, met 768, 1.536 en 3.072 als aanbevolen groottes. De previewaankondiging geeft een standaard van 3.072 en beschrijft Matryoshka Representation Learning, dat bruikbare informatie in kortere prefixen van de representatie behoudt. Houd één gekozen dimensie aan voor vectoren die moeten worden vergeleken en bewaar de modelversie bij de verzameling in plaats van representaties samen te voegen alleen omdat hun lengtes overeenkomen.
De previewaankondiging documenteert maximaal zes PNG- of JPEG-afbeeldingen per aanvraag, maximaal 120 seconden MP4- of MOV-video en PDF-documenten met maximaal zes pagina's. Zij documenteert ook rechtstreeks audio-embedding zonder tussentijdse teksttranscriptie. Die specificaties komen uit de eigen previewaankondiging, niet uit de latere gids voor de stabiele versie. De aankondiging stelt niet elke huidige limiet voor audioduur, codec of framesampling voor dit exacte previewprofiel vast.
Afwisselende multimodale invoer laat de representatie relaties tussen media weerspiegelen, zoals tussen een afbeelding en het bijschrift. Lever voor een productcatalogus de foto en goedgekeurde beschrijving samen aan wanneer ze één opvraagbaar object beschrijven. Verdeel bij een documentverzameling de bron in gerichte passages of pagina's en behoud titel en positie. Selecteer bij een mediabibliotheek een clip die overeenkomt met de gebeurtenis die gebruikers moeten vinden en bewaar het oorspronkelijke tijdsbereik bij het opgeslagen record.
Een bruikbare zoektaak maakt de beoogde relatie duidelijk. Een vraag om uitleg, zoeken naar visueel vergelijkbare items en clustering op onderwerp zijn verschillende taken, ook wanneer ze dezelfde bronverzameling gebruiken. Bereid de inhoud consistent voor, leg modelversie en dimensie vast en houd elke vector aan de bron gekoppeld. Gelijkenis levert kandidaten die de toepassing kan onderzoeken; zij is geen bewijs dat twee records hetzelfde feit vermelden of dat een opgehaalde bron een vraag volledig beantwoordt.
Representeer voor een praktische mediazoekopdracht de gekozen afbeelding of het videofragment en vergelijk die met de beschrijving van de gewenste inhoud. Presenteer de overeenkomende bron met het bijschrift of tijdsbereik, zodat een gebruiker die kan beoordelen. Haal voor een kennisassistent de relevante pagina of passage op voordat u het geschreven antwoord genereert. De rol van het Preview-model is de multimodale numerieke representatie die die selectiestappen ondersteunt, terwijl opslag, rangschikkingsregels en het uiteindelijke antwoord onderdelen van de omringende workflow blijven.
", "aboutText": "Gemini Embedding 2 Preview is de benoemde previeweditie van Google binnen de native multimodale embeddingfamilie. Deze previeweditie zet tekst, afbeeldingen, video, audio en PDF om in een gedeelde numerieke ruimte, met semantische intentie gerepresenteerd over meer dan 100 talen. De uitvoer bestaat uit embeddings: vectoren waarmee verwant materiaal wordt vergeleken en opgehaald. Deze previewidentiteit blijft onderscheiden van de stabiele Gemini-Embedding-2-editie en impliceert geen uitwisselbare gewichten of identieke vectorruimte.\n\nDe oorspronkelijke aankondiging beschrijft modaliteitsoverschrijdend zoeken, classificatie, clustering, sentimentanalyse en retrieval-augmented generation als vervolgtoepassingen. Een tekstzoekvraag kan een verwant visueel item vinden, terwijl een afbeelding of clip ook als uitgangspunt voor een zoekopdracht kan dienen. Een toepassing bewaart de representaties, vergelijkt ze en retourneert de bijbehorende records; een afzonderlijk taalmodel kan het opgehaalde bronmateriaal gebruiken om een antwoord op te stellen. De embedding zelf bevat geen uitleg in natuurlijke taal of transcript.\n\nDe eigen modelpagina documenteert een invoerlimiet van 8.192 tokens en uitvoerdimensies van 128 tot 3.072, met 768, 1.536 en 3.072 als aanbevolen groottes. De previewaankondiging geeft een standaard van 3.072 en beschrijft Matryoshka Representation Learning, dat bruikbare informatie in kortere prefixen van de representatie behoudt. Houd één gekozen dimensie aan voor vectoren die moeten worden vergeleken en bewaar de modelversie bij de verzameling in plaats van representaties samen te voegen alleen omdat hun lengtes overeenkomen.\n\nDe previewaankondiging documenteert maximaal zes PNG- of JPEG-afbeeldingen per aanvraag, maximaal 120 seconden MP4- of MOV-video en PDF-documenten met maximaal zes pagina's. Zij documenteert ook rechtstreeks audio-embedding zonder tussentijdse teksttranscriptie. Die specificaties komen uit de eigen previewaankondiging, niet uit de latere gids voor de stabiele versie. De aankondiging stelt niet elke huidige limiet voor audioduur, codec of framesampling voor dit exacte previewprofiel vast.\n\nAfwisselende multimodale invoer laat de representatie relaties tussen media weerspiegelen, zoals tussen een afbeelding en het bijschrift. Lever voor een productcatalogus de foto en goedgekeurde beschrijving samen aan wanneer ze één opvraagbaar object beschrijven. Verdeel bij een documentverzameling de bron in gerichte passages of pagina's en behoud titel en positie. Selecteer bij een mediabibliotheek een clip die overeenkomt met de gebeurtenis die gebruikers moeten vinden en bewaar het oorspronkelijke tijdsbereik bij het opgeslagen record.\n\nEen bruikbare zoektaak maakt de beoogde relatie duidelijk. Een vraag om uitleg, zoeken naar visueel vergelijkbare items en clustering op onderwerp zijn verschillende taken, ook wanneer ze dezelfde bronverzameling gebruiken. Bereid de inhoud consistent voor, leg modelversie en dimensie vast en houd elke vector aan de bron gekoppeld. Gelijkenis levert kandidaten die de toepassing kan onderzoeken; zij is geen bewijs dat twee records hetzelfde feit vermelden of dat een opgehaalde bron een vraag volledig beantwoordt.\n\nRepresenteer voor een praktische mediazoekopdracht de gekozen afbeelding of het videofragment en vergelijk die met de beschrijving van de gewenste inhoud. Presenteer de overeenkomende bron met het bijschrift of tijdsbereik, zodat een gebruiker die kan beoordelen. Haal voor een kennisassistent de relevante pagina of passage op voordat u het geschreven antwoord genereert. De rol van het Preview-model is de multimodale numerieke representatie die die selectiestappen ondersteunt, terwijl opslag, rangschikkingsregels en het uiteindelijke antwoord onderdelen van de omringende workflow blijven.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "b6869d0f5fbd01376e138cdfdb3ad17e728a44c7b90b1272460d8264bcc87a74", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "nl-be", "methods": [ { "html": "google/gemini-embedding-2-previewGemini Embedding 2 Preview zet tekst, afbeeldingen, audio, video en PDF om in numerieke vectoren in één multimodale ruimte. Het afzonderlijk gedocumenteerde previewprofiel ondersteunt modaliteitsoverschrijdende informatieopvraging en vergelijking, invoer van 8.192 tokens en flexibele vectordimensies.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Gemini Embedding 2 Preview is de benoemde previeweditie van Google binnen de native multimodale embeddingfamilie. Deze previeweditie zet tekst, afbeeldingen, video, audio en PDF om in een gedeelde numerieke ruimte, met semantische intentie gerepresenteerd over meer dan 100 talen. De uitvoer bestaat uit embeddings: vectoren waarmee verwant materiaal wordt vergeleken en opgehaald. Deze previewidentiteit blijft onderscheiden van de stabiele Gemini-Embedding-2-editie en impliceert geen uitwisselbare gewichten of identieke vectorruimte.
De oorspronkelijke aankondiging beschrijft modaliteitsoverschrijdend zoeken, classificatie, clustering, sentimentanalyse en retrieval-augmented generation als vervolgtoepassingen. Een tekstzoekvraag kan een verwant visueel item vinden, terwijl een afbeelding of clip ook als uitgangspunt voor een zoekopdracht kan dienen. Een toepassing bewaart de representaties, vergelijkt ze en retourneert de bijbehorende records; een afzonderlijk taalmodel kan het opgehaalde bronmateriaal gebruiken om een antwoord op te stellen. De embedding zelf bevat geen uitleg in natuurlijke taal of transcript.
De eigen modelpagina documenteert een invoerlimiet van 8.192 tokens en uitvoerdimensies van 128 tot 3.072, met 768, 1.536 en 3.072 als aanbevolen groottes. De previewaankondiging geeft een standaard van 3.072 en beschrijft Matryoshka Representation Learning, dat bruikbare informatie in kortere prefixen van de representatie behoudt. Houd één gekozen dimensie aan voor vectoren die moeten worden vergeleken en bewaar de modelversie bij de verzameling in plaats van representaties samen te voegen alleen omdat hun lengtes overeenkomen.
De previewaankondiging documenteert maximaal zes PNG- of JPEG-afbeeldingen per aanvraag, maximaal 120 seconden MP4- of MOV-video en PDF-documenten met maximaal zes pagina's. Zij documenteert ook rechtstreeks audio-embedding zonder tussentijdse teksttranscriptie. Die specificaties komen uit de eigen previewaankondiging, niet uit de latere gids voor de stabiele versie. De aankondiging stelt niet elke huidige limiet voor audioduur, codec of framesampling voor dit exacte previewprofiel vast.
Afwisselende multimodale invoer laat de representatie relaties tussen media weerspiegelen, zoals tussen een afbeelding en het bijschrift. Lever voor een productcatalogus de foto en goedgekeurde beschrijving samen aan wanneer ze één opvraagbaar object beschrijven. Verdeel bij een documentverzameling de bron in gerichte passages of pagina's en behoud titel en positie. Selecteer bij een mediabibliotheek een clip die overeenkomt met de gebeurtenis die gebruikers moeten vinden en bewaar het oorspronkelijke tijdsbereik bij het opgeslagen record.
Een bruikbare zoektaak maakt de beoogde relatie duidelijk. Een vraag om uitleg, zoeken naar visueel vergelijkbare items en clustering op onderwerp zijn verschillende taken, ook wanneer ze dezelfde bronverzameling gebruiken. Bereid de inhoud consistent voor, leg modelversie en dimensie vast en houd elke vector aan de bron gekoppeld. Gelijkenis levert kandidaten die de toepassing kan onderzoeken; zij is geen bewijs dat twee records hetzelfde feit vermelden of dat een opgehaalde bron een vraag volledig beantwoordt.
Representeer voor een praktische mediazoekopdracht de gekozen afbeelding of het videofragment en vergelijk die met de beschrijving van de gewenste inhoud. Presenteer de overeenkomende bron met het bijschrift of tijdsbereik, zodat een gebruiker die kan beoordelen. Haal voor een kennisassistent de relevante pagina of passage op voordat u het geschreven antwoord genereert. De rol van het Preview-model is de multimodale numerieke representatie die die selectiestappen ondersteunt, terwijl opslag, rangschikkingsregels en het uiteindelijke antwoord onderdelen van de omringende workflow blijven.
POST /v1/embeddingstextembedding| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten google/gemini-embedding-2-preview | Standaard— |
Veldinput | Typestring|string[] | VereisteVereist | Waarden en limieten | Standaard— |
text_to_embedding
| Parameter | Contract |
|---|---|
Parametercontent_type | Contractapplication/json |
Parameterrequired | Contractmodel, input |
Parameterinput_shapes | Contractstring, string[] |
Parametermaterial_types | Contracttext |
Levenscyclus: synchronous_json
Bewaar elke teruggestuurde vector en index.
Uit dit minimale tekstprofiel wordt geen ondersteuning voor afbeeldingen, audio of bestandsobjecten afgeleid.
Tariefverwijzingen voegen geen verzoekopties toe. Ondersteunde parameters staan bij de geselecteerde methode.
| Configuratie | Tariefstaffel | Kosten |
|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Kosten Invoer · Invoertokens $0.0004 / 1K tokens Uitvoer · Uitvoertokens $0 / 1K tokens Invoer · Cache lezen — / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "google/gemini-embedding-2-preview",\n "input": [\n "First document",\n "Second document"\n ]\n}set -eu\n: "${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\njson
Bewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
Bewaar elke vector met zijn index. Het aantal vectoren moet gelijk zijn aan het aantal invoeritems; de dimensies moeten consistent zijn.
Er wordt geen endpoint voor embeddingtaken toegevoegd.
| Veld | Type |
|---|---|
Veldobject | Typestring |
Veldmodel | Typestring |
Velddata[].index | Typeinteger |
Velddata[].embedding | Typefinite float[] |
Veldusage | Typeobject |
| Antwoord | Voorwaarde | Volgende stap |
|---|---|---|
Antwoord400 · invalid_request_error | VoorwaardeModel ontbreekt of JSON is ongeldig opgebouwd. | Volgende stapCorrigeer de aangegeven velden. |
Antwoord413 · invalid_request_error | VoorwaardeDe ingestelde limiet voor de aanvraaginhoud is overschreden. | Volgende stapVerminder de hoeveelheid werkelijk materiaal. |
Antwoord422 · invalid_request_error | VoorwaardeDe invoer of besturingsopties voldoen niet aan het huidige specifieke beleid. | Volgende stapGebruik de getoonde minimale tekstinvoer zonder overgenomen besturingsopties. |
Antwoord503 · billing_error | VoorwaardeToegang of prijsopgave kan niet worden gekoppeld. | Volgende stapBewaar het antwoord; vervang het beleid niet door een ander. |
Ailoot Ultra google/gemini-embedding-2-preview
Gebruik de hierboven getoonde methodepaden.