GOOGLE · КАТАЛОГ МОДЕЛЕЙ
Gemini Embedding 001 API
Gemini Embedding 001 — текстовая embedding-модель Google для semantic search, классификации и RAG. На странице она индексирует многоязычную документацию с разными task types и готовит контролируемую миграцию к новому embedding-пространству.
Gemini Embedding 001Gemini- Контекст
- 20 000токенов
- Результат
- Векторные представленияформат ответа
- Стоимость
- Тариф уточняетсяусловия — в блоке подключения
ПОДКЛЮЧЕНИЕ
От модели к первому запросу
Используйте идентификатор модели в совместимом API-клиенте. Полные параметры, ключи и ответы с ошибками описаны в документации.
const response = await client.chat.completions.create({
model: "google/gemini-embedding-001",
messages: [{ role: "user", content: "Ваш запрос" }],
});ПОДРОБНЫЙ ОБЗОР
Возможности модели
Google указывает для `gemini-embedding-001` текстовый ввод, гибкую размерность 128–3072 и официальный input limit 2 048 токенов. Модель поддерживает task types для similarity, classification, clustering, retrieval, question answering и fact verification. Tokenmost показывает контекст 20 000, поэтому фактический предел маршрута нужно измерить: больший каталоговый лимит нельзя выдавать за upstream-гарантию. Для сокращённых размерностей Google требует ручной нормализации, а пространство Gemini Embedding 001 несовместимо с Gemini Embedding 2. Preflight проверяет model ID, endpoint, task type, dimensions, normalization, usage и ошибку длинной строки. Документы и запросы используют парные `RETRIEVAL_DOCUMENT` и `RETRIEVAL_QUERY`. Benchmark включает несколько языков, код, отрицание и устаревшую страницу. Каждый вектор хранит model, dimensions, task type, preprocessing hash и document revision. Миграция строит отдельный индекс и переэмбеддит весь корпус; смешение старых и новых векторов запрещено.
Выберите task type по задаче
Поисковый запрос и индексируемый документ получают разные retrieval-типы. Для кластеризации и similarity используются свои режимы. Смешение task types без теста меняет геометрию поиска и может ухудшить результаты при неизменном тексте.
Определите chunking до индексации
Фрагмент сохраняет заголовок, условия и исключения. Официальный upstream limit учитывается независимо от карточки маршрута. Длинный раздел делится по смыслу, а stable document ID связывает части с исходной редакцией.
Нормализуйте размерность правильно
При сокращённом векторе 001 приложение выполняет нормализацию, описанную Google, и проверяет норму. Dimensions входят в имя индекса. Векторы разной длины и preprocessing не сравниваются даже после технического padding.
Планируйте полную миграцию
Gemini Embedding 2 создаёт несовместимое пространство, поэтому новый индекс строится отдельно. Оба варианта проходят одинаковый benchmark. Переключение выполняется после проверки Recall@K, latency и критичных запросов с rollback.
Токены и цена результата RAG
Считайте индексирование, обновления, запросы, хранение и переиндексацию. Генератор ответа оплачивается отдельно. Сравнивайте стоимость запроса, который получил правильный источник в top-K, по биллингу Tokenmost.
Вопросы и ответы
Что возвращает Gemini Embedding 001?
Текстовый embedding-вектор, а не сформулированный ответ.
Какой официальный лимит Google?
2 048 входных токенов; значение 20 000 у Tokenmost требует preflight.
Для чего нужен task type?
Он оптимизирует вектор для поиска, similarity, classification и других задач.
Совместимы ли векторы с Embedding 2?
Нет, Google требует переэмбеддить весь корпус.
Как считать цену?
По RAG-запросу с правильным источником, включая индексацию.