Google: Gemini Embedding 2

Gemini Embedding 2 matn, rasm, audio, video va PDF’ni umumiy raqamli makonga o‘tkazadi. Uning vektorlari turli media turlari o‘rtasidagi qidiruv, topish, tasniflash va klasterlashni qo‘llaydi; o‘lchamlar moslashuvchan, kirish chegarasi 8 192 token.

Ailoot Ultra · Embeddinglar POST /v1/embeddings google/gemini-embedding-2

Model haqida

Bu tavsif model imkoniyatlarini yoritadi. Ailoot da tanlangan usul uchun mavjud kirish, chiqish va parametrlar quyida keltirilgan.

Gemini Embedding 2 — matn, rasm, video, audio va PDF’ni raqamli ifodalash uchun Google’ning multimodal embedding modeli. U turli media turlarini umumiy makonga o‘tkazadi, shunda ilova ularning ma’nosini o‘zaro taqqoslay oladi. Natija semantik qidiruv, hujjat topish, tavsiya, tasniflash yoki klasterlash uchun foydali sonlar vektoridir; yozma javob yoki yaratilgan media fayli emas. Google 100 dan ortiq tilda semantik qamrovni hujjatlashtiradi.

Bilim bazasida manba parchalari uchun vektorlar yarating, foydalanuvchi so‘rovini ular bilan taqqoslang va tegishli materialni toping. Keyin alohida matn modeli shu manbalardan javob tuzishi mumkin. Media to‘plamida matnli tavsif bog‘liq rasm yoki videoni qidirishi, rasm ham so‘rov bo‘lishi mumkin. Topilgan natijani tekshirish va asl kontekstda ko‘rsatish uchun har bir vektorni asl mazmuniga, jumladan sahifa yoki klip havolasiga bog‘liq saqlang.

Umumiy kirish chegarasi 8 192 token. Barqaror model qo‘llanmasi oltitagacha PNG yoki JPEG rasmi, 180 soniyagacha MP3 yoki WAV audiosi va 120 soniyagacha MP4 yoki MOV videosiga ruxsat beradi. Hujjatlashtirilgan video kodeklar H264, H265, AV1 va VP9. Video qayta ishlash ko‘pi bilan 32 kadrdan foydalanadi: 32 soniyagacha kliplar soniyasiga bir kadr bilan olinadi, uzunroq kliplar esa bir tekis tanlanib 32 kadrga keltiriladi. Video kirishida uning audio yo‘lagi qayta ishlanmaydi; qidiruv uchun muhim bo‘lsa tovushini alohida embedding qiling.

PDF kirishi ko‘pi bilan olti sahifali bitta faylni qabul qiladi. Google eng yaxshi sifat uchun har PDF’da bitta sahifani tavsiya qiladi. Kattaroq manbani mazmunli sahifa yoki bo‘limlarga bo‘ling va asl hujjat bilan munosabatini saqlang. Faqat chegaraga sig‘ishi uchun aloqasiz materialni birlashtirish o‘rniga, topilishi kerak bo‘lgan mazmunni ifodalovchi parchani tanlang. Umumiy token chegarasi aralash media so‘roviga ham qo‘llanadi. Har PDF sahifasi ajratib olingan matn tokenlariga qo‘shimcha 258 vizual token sarflaydi. Google hujjatlashtirgan jarayonda umumiy 8 192 token chegarasidan oshgan mazmun xatosiz kesiladi.

Chiqish o‘lchami 128 dan 3 072 gacha moslashuvchan; odatiysi 3 072, tavsiya etilganlari 768, 1 536 va 3 072. Model Matryoshka Representation Learning’dan foydalanadi, shuning uchun vektorning boshlang‘ich qismlari kichikroq o‘lchamlarda ham foydali qoladi. Qo‘llanma odatiy va qisqartirilgan vektorlarning ikkalasi uchun avtomatik normallashni hujjatlashtiradi. Ilova taqqoslaydigan yozuv va so‘rovlar uchun izchil o‘lcham tanlang; so‘ralgan hajm manba mazmunini emas, raqamli ifodani o‘zgartiradi.

Faqat matnli vazifalarda eski task_type maydonidan foydalanish o‘rniga maqsadni matnga kiriting. Google asimmetrik qidiruvni simmetrik taqqoslashdan ajratadi. Qidiruv so‘rovi “task: search result | query: {content}”, manba hujjati esa “title: {title} | text: {content}”dan foydalanadi; sarlavha bo‘lmasa “title: none”ni ishlating. Savol-javob, fakt tekshirish va kod qidiruv vazifalarining o‘z so‘rov prefikslari bor. Tasniflash, klasterlash yoki gaplar o‘xshashligi uchun ikkala tomonda ayni vazifa formatini izchil ishlating. Qo‘llanma odatda birlashtirilgan multimodal ifodaning matn qismiga vazifa prefiksini qo‘shmaslikni tavsiya qiladi.

Kirish tuzilmasi natija bitta birlashtirilgan obyektni yoki alohida elementlarni ifodalashini belgilaydi. Birga berilgan bir nechta qism umumlashtirilgan embedding hosil qiladi; alohida Content obyektlari har yozuv uchun alohida embeddinglar yaratadi. Matn va rasmi bor postda birlashtirilgan ifoda ularning bog‘liqligini aks ettirishi mumkin. Mustaqil qidiriladigan yozuvlarni alohida saqlang. Bu tanlov qidiruvning bo‘laklash darajasiga ta’sir qiladi: butun post uchun bitta vektor har parcha yoki rasm uchun bittadan vektordan farq qiladi.

Qo‘llanma Gemini Embedding 001 va Gemini Embedding 2 vektorlari mos bo‘lmagan makonlarda ekanini, bevosita taqqoslanmasligini aytadi. Eski modeldan ko‘chirilgan to‘plam yangi makon uchun qayta embedding qilinishi kerak. Model tanlovi va o‘lchamlar taqqoslanayotgan vektorlarga mos bo‘lsin; asl matn va mediani raqamli indeksdan alohida saqlang. Embedding o‘xshashligi hujjat nega foydalanuvchi savoliga javob berishining faktik izohi emas, qidiruv signalidir.

Amaliy katalogda mahsulot fotosini tasdiqlangan tavsif bilan birga embedding qiling, agar juftlik bitta obyekt sifatida topilishi kerak bo‘lsa. Hujjat to‘plamida aniq yo‘naltirilgan parchalarni embedding qilib, maqsadga mos formatlangan so‘rov bilan taqqoslang, keyin manba parchalarini qidiruv natijasi yonida ko‘rsating. Audio yoki videoda qidiriladigan hodisani tasvirlovchi bo‘lakni tanlang va asl vaqt oralig‘ini saqlang. Foydali natija — ilovaning keyingi qidiruv yoki tahlil bosqichi uchun manba daliliga bog‘langan raqamli ifoda.

Ailoot Ultra · Embeddinglar POST /v1/embeddings google/gemini-embedding-2

google/gemini-embedding-2

Google /google/gemini-embedding-2

Boshlash

Qabul qilinadigan kirish ma’lumotlari: Matn · token_ids
Natijalar: embedding

Ailoot da mavjud · kirish ma’lumotlari va usullar

Ailoot Ultra · Embeddinglar POST /v1/embeddings

Kirish: text, token_ids
Chiqish: embedding
Kontekst: 8 192 tokens
Chiqish formati: json

Maydon	Tur	Talab	Qiymatlar va cheklovlar	Standart
Maydon`model`	Tur`string`	TalabMajburiy	Qiymatlar va cheklovlar google/gemini-embedding-2	Standart—
Maydon`input`	Tur`string\|string[]\|integer[]\|integer[][]`	TalabMajburiy	Qiymatlar va cheklovlar Elementlarning eng kam soni: 1 Shartlar: Bo‘sh bo‘lmagan, bir xil turdagi elementlardan iborat paket. Token ID lari manfiy bo‘lmagan butun sonlardir. Kirish budjeti: Eng ko‘p: 8 192 · Matn birligi: UTF8 baytlari · Token birligi: Tokenlar massivi elementlari	Standart—
Maydon`encoding_format`	Tur`string`	TalabIxtiyoriy	Qiymatlar va cheklovlar float	Standartfloat
Maydon`dimensions`	Tur`integer`	TalabQo‘llab-quvvatlanmaydi	Qiymatlar va cheklovlar Eng kam: 1	Standart—
Maydon`user`	Tur`json_value`	TalabIxtiyoriy	Qiymatlar va cheklovlar Shartlar: Manba ushbu JSON metama’lumot maydoniga ruxsat beradi; uning ta’minotchi xizmatidagi aniq ma’nosi modelga bog‘liq.	Standart—
Maydon`session_id`	Tur`json_value`	TalabIxtiyoriy	Qiymatlar va cheklovlar Shartlar: Manba ushbu JSON metama’lumot maydoniga ruxsat beradi; uning ta’minotchi xizmatidagi aniq ma’nosi modelga bog‘liq.	Standart—
Maydon`trace`	Tur`json_value`	TalabIxtiyoriy	Qiymatlar va cheklovlar Shartlar: Manba ushbu JSON metama’lumot maydoniga ruxsat beradi; uning ta’minotchi xizmatidagi aniq ma’nosi modelga bog‘liq.	Standart—
Maydon`provider`	Tur`object`	TalabIxtiyoriy	Qiymatlar va cheklovlar Shartlar: provider.options rad etildi	Standart—

Kirish materiallari birikmalari

text_to_embedding

Usul parametrlari va hayot sikli

Parametr	Parametr talablari
Parametr`content_type`	Parametr talablariapplication/json
Parametr`required`	Parametr talablarimodel, input
Parametr`input_shapes`	Parametr talablaristring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[]
Parametr`encoding_format`	Parametr talablarifloat
Parametr`dimensions_override`	Parametr talablarifalse
Parametr`max_input_budget_units`	Parametr talablari8192
Parametr`multimodal_objects`	Parametr talablarifalse
Parametr`material_types`	Parametr talablaritext, token_ids

Hayot sikli: synchronous_json

Har bir vektorning indeksi va o‘lchamini saqlang.

Model nomida multimodal deyilgani aynan shu yo‘nalishda rasm obyektlariga ruxsat borligini anglatmaydi.

Tariflar

Tarif ma’lumotlari so‘rov imkoniyatlarini qo‘shmaydi. Qo‘llab-quvvatlanadigan parametrlar tanlangan usulda ko‘rsatilgan.

Tezkor rejim: Standart tarif Tezkor rejim tanlanganda
Flex rejimi: Standart tarif flex rejimi tanlanganda
Maksimal fikrlash darajasi: Standart tarif Maksimal fikrlash darajasi uchun standart (default) tuzatish qo‘llanganda

Ailoot tariflari

Sozlamalar bo‘yicha narxlar

Sozlama	Tariflar jadvali	To‘lov
SozlamaTokenlar uchun bazaviy tariflar	Tariflar jadvaliAsosiy tarif	To‘lov Kirish · Kirish tokenlari $0.0004 / 1K token Chiqish · Chiqish tokenlari $0 / 1K token Kirish · Keshdan o‘qish — / 1K token Kirish · Keshga yozish — / 1K token Kirish · Keshga yozish, 1 soat — / 1K token

Ailoot so‘rovdan oldin taxminiy summani band qiladi. Natijadan keyin o‘lchangan sarf asosidagi yakuniy to‘lovni yechadi. Oqimli javob bo‘yicha yakuniy hisob-kitob yakuniy sarf yozuviga asoslanadi. Summani band qilish va to‘lovni hisoblash tartibi →

So‘rov namunalari

Ailoot Ultra · Embeddinglar

curlPython SDK

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)

Natijalarni olish va saqlash

Ailoot Ultra · Embeddinglar

json

Barcha tayyor natijalarni saqlash

Qaytarilgan har bir to‘liq javob, fayl va kontent qismini saqlang.

Har bir vektorni indeksi bilan saqlang. Vektorlar soni kirish elementlari soniga teng bo‘lishi va o‘lchamlar bir xil bo‘lishi kerak.

Asl javobni tekshirish kerak bo‘lsa

Embedding vazifalari uchun endpoint qo‘shilmaydi.

Javob maydonlari

Maydon	Tur
Maydon`object`	Turstring
Maydon`model`	Turstring
Maydon`data[].index`	Turinteger
Maydon`data[].embedding`	Turfinite float[]
Maydon`usage`	Turobject

Xatolar va keyingi qadamlar

Javob	Shart	Keyingi qadam
Javob400 · `invalid_request_error`	ShartMajburiy maydonlar, material ifodasi yoki parametr qiymati noto‘g‘ri	Keyingi qadamYangi yaratish so‘rovidan oldin ko‘rsatilgan maydonlarni tuzating.

Taxalluslar

Model taxalluslari

Ailoot Ultra google/gemini-embedding-2

Usul yo‘llari taxalluslari

Yuqorida ko‘rsatilgan usul yo‘llaridan foydalaning.

Chaqirish uchun tegishli ID lar

google/gemini-embedding-2

FAQ · Google: Gemini Embedding 2

Qanday kirish ma’lumotlari va natijalar mavjud?: POST /v1/embeddings · google/gemini-embedding-2: text, token_ids → embedding
So‘rov qaysi maydonlardan foydalanadi?: POST /v1/embeddings · google/gemini-embedding-2: model, input, encoding_format, provider
Qanday cheklovlar amal qiladi?: POST /v1/embeddings · google/gemini-embedding-2: ctx: 8192; input.budget.maximum: 8192 (UTF8 baytlari); input.min_items: 1

Google: Gemini Embedding 2