Google: Gemini Embedding 001

يمثل Gemini Embedding 001 النصوص كمتجهات للاسترجاع الدلالي. استخدمه لمطابقة سؤال مع فقرات ذات صلة، أو تجميع المستندات المرتبطة، أو بناء توصيات بناءً على المعنى بدلاً من تطابق الكلمات المفتاحية الدقيق.

مقارنة النماذج

gemini-embedding-001

متاحGoogleتضمينمتزامن

الإدخال / الإخراج-50%: $0.15 / $0.00$0.075 / $0.00
السياق: 2K
الأنماط: تضمين

عن Gemini Embedding 001

Gemini Embedding 001 هو نموذج Google المخصص للنصوص فقط في واجهة برمجة تطبيقات Gemini. يقوم بتحويل النصوص إلى متجهات (vectors) تلتقط المعنى، مما يتيح لك مطابقة سؤال مع فقرات، أو تجميع مستندات ذات صلة، أو دعم التوصيات دون الاعتماد على كلمات مفتاحية مشتركة. حجم المخرجات قابل للتعديل من 128 إلى 3,072 بُعداً، ويحدد معامل نوع المهمة للنموذج الغرض الذي ستُستخدم المتجهات من أجله.

نقاط القوة

يتيح لك معامل نوع المهمة، مثل مستند الاسترجاع أو التشابه الدلالي، ضبط المتجهات لتناسب المهمة بدلاً من استخدام تضمين عام واحد.
يمكن تقليل أبعاد المخرجات من 3,072 إلى 128 بُعداً، وتلاحظ Google أن الأحجام الأصغر تحقق نتائج قريبة من الحجم الكامل.
يحصل كل نص مدخل على تضمين خاص به، وهو ما يناسب الفهرسة المجمعة حيث يحتاج كل مستند إلى متجه خاص به.
تُعاد المتجهات كقيم عشرية (float) أو بتنسيق base64، بحيث يمكن تخزينها بشكل مضغوط.

متى تستخدم نموذجاً آخر

المدخلات نصية فقط ومحدودة بسقف أقل بكثير من النموذج الأحدث، لذا يجب تقسيم المستندات الطويلة إلى أجزاء قبل التضمين.
تحتاج المتجهات التي تقل عن 3,072 بُعداً إلى أن يتم تطبيعها (normalized) من قبلك قبل إجراء بحث التشابه.
مساحة المتجهات الخاصة به غير متوافقة مع gemini-embedding-2، لذا فإن التبديل يعني إعادة تضمين المجموعة بأكملها.

البدء

إنشاء مفتاح API
أنشئ مفتاح في Console واستخدمه مع جميع النماذج على المنصة.
02
إرسال طلبك الأول
انسخ المثال الخاص بلغة البرمجة التي تستخدمها وقم بتشغيله مقابل نقطة النهاية (endpoint).
تضميننقطة اتصال TokenLab
POST/v1/embeddings
```
curl -X POST "https://api.tokenlab.sh/v1/embeddings" \
  -H "Authorization: Bearer sk-xxx" \
  -H "Content-Type: application/json" \
  -d '{
  "dimensions": 768,
  "encoding_format": "float",
  "input": "Semantic search",
  "model": "gemini-embedding-001"
}'
```

التسعير

السعر الرسمي هو السعر الأساسي العام من صانع النموذج. سعر TokenLab هو ما تدفعه فعلياً لهذا النموذج على TokenLab.

التسعير

لكل 1M Token

سعر TokenLab: المدخلات$0.075لكل 1M Tokenالمخرجات$0.00لكل 1M Token
السعر الرسمي: المدخلات$0.15لكل 1M Tokenالمخرجات$0.00لكل 1M Token

خصم: -50%

	السعر الرسميلكل 1M Token	سعر TokenLabلكل 1M Token	خصم
المدخلات	$0.15	$0.075	-50%
المخرجات	$0.00	$0.00	—

الاستخدام والنشاط

معدل النجاح هو نسبة الطلبات المكتملة. زمن الاستجابة هو مدة الاستجابة الكاملة؛ ويعني P95 أن 95% من الطلبات اكتملت ضمن ذلك الوقت.

الاستخدام والتوفر

آخر 24 ساعة

الطلبات
معدل النجاح
زمن الاستجابة P95
إجمالي الرموز

أداء النموذج

آخر تحديث 3 أكتوبر 2026، 07:17 م UTC

تظهر المقاييس بمجرد استيفاء حدود الخصوصية وحجم البيانات.

تستند البيانات إلى طلبات المستخدمين المجمعة، باستثناء عمليات التحقق من الحالة.

فتح في Console

افتح Gemini Embedding 001 في Console وجهز الرسالة للتعديل أو الإرسال.

ساعدني في تجربة gemini-embedding-001 عبر embedding في /v1/embeddings. اعرض النتيجة والتكلفة.

حالات الاستخدام

الاسترجاع للإجابة على الأسئلة
قم بتضمين أجزاء المستند مرة واحدة، وقم بتضمين كل سؤال باستخدام نوع مهمة الاستعلام، ثم اجلب الأجزاء الأكثر تشابهاً لتغذية نموذج الدردشة.
كشف التكرار والتكرار القريب
قارن متجهات تذاكر الدعم أو أوصاف المنتجات للعثور على العناصر التي تعبر عن نفس الشيء بكلمات مختلفة.
تجميع المواضيع
قم بتجميع الملاحظات أو المقالات حسب المعنى لرؤية المواضيع دون كتابة قوائم كلمات مفتاحية.
توصيات المحتوى
اقترح مقالات ذات صلة من خلال العثور على المتجهات الأقرب لما انتهى القارئ من قراءته للتو.

أمثلة Prompt

قم بتضمين هذه الفقرات الـ 500 الخاصة بمركز المساعدة للاسترجاع، وقم بتخزين المتجهات حتى يتمكن المستخدمون من البحث فيها بلغة بسيطة.

اعثر على التذاكر الخمس الأكثر تشابهاً في المعنى مع: لا يستطيع العميل إعادة تعيين كلمة المرور بعد تغيير عنوان البريد الإلكتروني.

قم بتجميع مراجعات التطبيق للشهر الماضي عن طريق تضمين كل مراجعة وتجميع أقرب الجيران.

حاسبة التكلفة

رموز الإدخال الشهرية1 مليون توكن

رموز الإخراج الشهرية0.5 مليون توكن

التكلفة الشهرية المتوقعة$0.07

FAQ

ما الذي يُستخدم فيه Gemini Embedding 001؟

البحث الدلالي والاسترجاع، والتجميع، والتصنيف، والتوصيات عبر النصوص. يقوم بتحويل النص إلى متجه بحيث تتقارب المعاني المتشابهة. استخدم معامل نوع المهمة لتحديد ما إذا كنت تقوم بتضمين مستندات أو استعلامات أو مقارنة التشابه.

كيف يختلف Gemini Embedding 001 عن Gemini Embedding 2؟

يتعامل 001 مع النصوص فقط، مع سقف مدخلات أقصر بكثير، ويستخدم معامل نوع المهمة. بينما يقبل Embedding 2 نصوصاً أطول ويتوقع تعليمات المهمة في النص نفسه. لا يمكن مقارنة متجهات النموذجين ببعضها البعض.

ما هو البُعد الذي يجب أن أختاره؟

توصي Google بـ 768 أو 1,536 أو 3,072، وتسمح بأي قيمة من 128 إلى 3,072. توفر الأحجام الأصغر مساحة التخزين ووقت البحث مع نتائج قريبة من الحجم الكامل. قم بتطبيع المتجه بنفسك عند استخدام أي قيمة أقل من 3,072.

ما طول المدخلات المسموح به؟

لكل مدخل سقف طول محدد. بالنسبة للمستندات الأطول، قم بتقسيمها إلى فقرات مناسبة وقم بتضمين كل منها. عادةً ما تعطي حدود الأجزاء عند الفقرات أو العناوين استرجاعاً أفضل من القطع بطول ثابت.

كيف أقوم باستدعائه؟

استخدم تنسيق طلب التضمينات القياسي. أرسل اسم النموذج والنص المدخل أو قائمة من النصوص، ثم اقرأ المتجهات من الاستجابة. يمكن طلب المخرجات كقيم عشرية (float) أو بتنسيق base64.

كم تكلفة Gemini Embedding 001؟

على TokenLab تكلف Gemini Embedding 001 المدخلات $0.075 / المخرجات $0.00 لكل 1M Token. التفاصيل الكاملة في جدول التسعير أعلاه.

ما نقطة النهاية التي يجب أن يستخدمها Gemini Embedding 001؟

استخدم https://api.tokenlab.sh/v1/embeddings كافتراضي لـ Gemini Embedding 001. إذا كانت الصيغة الأصلية للمزود مدعومة فإن API workbench يعرضها أيضاً.

ما العمليات التي يدعمها Gemini Embedding 001؟

Gemini Embedding 001 يدعم تضمين. اختر عملية في API workbench أعلاه لرؤية نقطة النهاية وعينة الكود المطابقة.