Gemini Embedding 2 مقابل text-embedding-3-large
أيهما تختار؟
اختر Gemini Embedding 2 عندما ترغب في كتابة تعليمات المهمة ضمن المطالبة (prompt)، مع إمكانية تعديل أحجام المتجهات (vector sizes) ضمن نطاق واسع، وتصميم جوجل الذي يتيح دمج النصوص والصور والصوت والفيديو وملفات PDF في مساحة واحدة مع توسع احتياجاتك إلى ما هو أبعد من النصوص. اختر OpenAI text-embedding-3-large للحصول على تضمين نصي مُثبت مع متجهات قابلة للتقصير عبر مجالات البحث، والتجميع (clustering)، والتوصيات، والتصنيف. بالنسبة للفهارس النصية فقط، اختبر كلاهما على بياناتك الخاصة.
مقارنة الأسعار
| Gemini Embedding 2 | text-embedding-3-large | |
|---|---|---|
| مطور النموذج | OpenAI | |
| توفر التسليم | متاح | متاح |
| نافذة السياق | 8K | 8.2K |
| الحد الأقصى للمخرجات | - | - |
| السعر الرسمي | المدخلات$0.20لكل 1M Tokenالمخرجات$0.00لكل 1M Token | المدخلات$0.13لكل 1M Tokenالمخرجات$0.00لكل 1M Token |
| سعر TokenLab | — | المدخلات$0.091لكل 1M Tokenالمخرجات$0.00لكل 1M Token |
| أداء النموذج | جاري جمع البيانات | جاري جمع البيانات |
| القدرات |
اختر Gemini Embedding 2 في هذه الحالات
- تريد توضيح الغرض من كل متجه بكلمات بسيطة.
- قد تضيف لاحقاً إمكانية استرجاع الصور أو ملفات PDF إلى نفس الفهرس.
- تفضل المتجهات التي يتم تطبيعها (normalized) لك تلقائياً بعد الاقتطاع.
اختر text-embedding-3-large في هذه الحالات
- خط أنابيب البيانات (pipeline) الخاص بك يعتمد على النصوص فقط ويستخدم أدوات OpenAI الراسخة.
- تستخدم نفس المتجهات للتجميع، واكتشاف الشذوذ، والتصنيف.
- تريد نموذجاً موثقاً على نطاق واسع مع نموذج شقيق واضح للفهارس الأصغر.
فروقات الأداء
| المعيار | Gemini Embedding 2 | text-embedding-3-large |
|---|---|---|
| معالجة المهام | توضع التعليمات في المطالبة، لتحل محل معلمة نوع المهمة القديمة. | المهمة غير معلنة؛ حيث يخدم متجه واحد أغراض البحث والتجميع والتصنيف. |
| أنواع المدخلات | صممته جوجل لتضمين النصوص والصور والصوت والفيديو وملفات PDF في مساحة واحدة. | نصوص فقط، لذا يحمل كل طلب مدخلات نصية بسيطة دون صور أو صوت. |
| حجم المتجه | قابل للتعديل ضمن نطاق واسع، مع تطبيع المتجهات المقتطعة تلقائياً. | أبعاد قابلة للتقصير، مع ترك عملية التطبيع لك عند الحاجة. |
| المعالجة بالدفعات (Batching) | تُدمج عدة مدخلات في طلب واحد لتكوين تضمين واحد ما لم يتم تغليفها بشكل منفصل. | يحصل كل مدخل على متجه خاص به في الدفعة. |
| ترحيل الفهرس | غير قابل للمقارنة مع متجهات gemini-embedding-001. | غير قابل للمقارنة مع متجهات OpenAI الأخرى أو متجهات الطرف الثالث. |
ملخص
- Gemini Embedding 2: المدخلات $0.10 / المخرجات $0.00 لكل 1M Token; text-embedding-3-large: المدخلات $0.091 / المخرجات $0.00 لكل 1M Token. تعتمد الأسعار على وحدة الفوترة والمواصفات والاستخدام. قارن بين الشروط المتطابقة في التسعير التفصيلي للنموذج؛ السعر الواحد لا يحدد التكلفة الإجمالية.
FAQ
أيهما أفضل للبحث الدلالي، Gemini Embedding 2 أم text-embedding-3-large؟
بالنسبة للبحث النصي فقط، كلاهما خياران قابلان للتطبيق ويجب أن يحدد مجموعتك الخاصة من الاستعلامات أيهما تختار. Gemini Embedding 2 هو الخيار الأفضل إذا كنت تتوقع البحث في الصور أو الصوت أو ملفات PDF لاحقاً؛ بينما text-embedding-3-large هو الخيار الأبسط للنصوص البسيطة.
هل يمكنني استخدامهما في نفس مخزن المتجهات؟
لا. تعيش متجهات كل منهما في مساحات مختلفة، لذا احتفظ بفهارس منفصلة أو أعد تضمين كل شيء باستخدام نموذج واحد، وادمج النتائج فقط في مرحلة الترتيب.
هل أحتاج إلى تغيير الكود الخاص بي للتبديل؟
نعم، قليلاً. يتوقع Gemini Embedding 2 تعليمات المهمة في نص المطالبة ويتعامل مع طلبات المدخلات المتعددة بشكل مختلف، بينما يأخذ text-embedding-3-large مدخلات بسيطة وقيمة أبعاد اختيارية.
أيهما أرخص، Gemini Embedding 2 أم text-embedding-3-large؟
Gemini Embedding 2: المدخلات $0.10 / المخرجات $0.00 لكل 1M Token; text-embedding-3-large: المدخلات $0.091 / المخرجات $0.00 لكل 1M Token. تعتمد الأسعار على وحدة الفوترة والمواصفات والاستخدام. قارن بين الشروط المتطابقة في التسعير التفصيلي للنموذج؛ السعر الواحد لا يحدد التكلفة الإجمالية.
ما هي الاختلافات الرئيسية بين Gemini Embedding 2 و text-embedding-3-large؟
يتمتع كلا النموذجين بقدرات متشابهة.
المصادر
تمت المراجعة في ٠٢/١٠/٢٠٢٦