Google: Gemini Embedding 001
gemini-embedding-001- Eingabe / Ausgabe-50%
- $0.15 / $0.00$0.075 / $0.00
- Kontext
- 2K
- Modalitäten
- Einbettung
Über Gemini Embedding 001
Gemini Embedding 001 ist Googles reines Text-Embedding-Modell in der Gemini API. Es wandelt Text in Vektoren um, die die Bedeutung erfassen, sodass Sie Fragen mit Textpassagen abgleichen, verwandte Dokumente gruppieren oder Empfehlungen steuern können, ohne auf gemeinsame Schlüsselwörter angewiesen zu sein. Die Ausgabegröße ist von 128 bis 3.072 Dimensionen einstellbar, und ein Aufgabentyp-Parameter teilt dem Modell mit, wofür die Vektoren verwendet werden.
Stärken
- Ein Aufgabentyp-Parameter, wie z. B. Retrieval-Dokument oder semantische Ähnlichkeit, ermöglicht es Ihnen, Vektoren auf die Aufgabe abzustimmen, anstatt ein allgemeines Embedding zu verwenden.
- Die Ausgabedimensionen können von 3.072 auf bis zu 128 reduziert werden, und Google merkt an, dass kleinere Größen ähnlich gute Ergebnisse wie die volle Größe erzielen.
- Jeder Eingabestring erhält sein eigenes Embedding, was für die Batch-Indizierung geeignet ist, bei der jedes Dokument seinen eigenen Vektor benötigt.
- Vektoren werden als Fließkommawerte oder Base64 zurückgegeben, sodass sie kompakt gespeichert werden können.
Alternativen
- Die Eingabe ist nur Text und liegt deutlich unter dem Limit des neueren Modells, daher müssen lange Dokumente vor dem Embedding in Abschnitte unterteilt werden.
- Vektoren unter 3.072 Dimensionen müssen von Ihnen vor der Ähnlichkeitssuche normalisiert werden.
- Der Vektorraum ist nicht mit gemini-embedding-2 kompatibel, ein Wechsel bedeutet also, die gesamte Sammlung neu zu embedden.
Erste Schritte
API-Schlüssel erstellen
Erstelle einen Schlüssel in Console und nutze ihn mit jedem Modell auf der Plattform.
Senden Sie Ihre erste Anfrage
Kopieren Sie das Beispiel für Ihre Sprache und führen Sie es gegen den Endpunkt aus.
EinbettungTokenLab-EndpunktPOST/v1/embeddingscurl -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" }'
Preise
Der offizielle Preis ist die öffentliche Basisvorgabe des Modellerstellers. Der TokenLab-Preis ist das, was du für dieses Modell auf TokenLab zahlst.
Preise
Pro 1M Token- TokenLab-Preis
- Eingabe$0.075Pro 1M TokenAusgabe$0.00Pro 1M Token
- Offizieller Preis
- Eingabe$0.15Pro 1M TokenAusgabe$0.00Pro 1M Token
Rabatt: -50%
| Offizieller PreisPro 1M Token | TokenLab-PreisPro 1M Token | Rabatt | |
|---|---|---|---|
| Eingabe | $0.15 | $0.075 | -50% |
| Ausgabe | $0.00 | $0.00 | — |
Nutzung & Aktivität
Die Erfolgsquote ist der Anteil abgeschlossener Anfragen. Die Latenz ist die Dauer einer vollständigen Antwort; P95 bedeutet, dass 95 % der Anfragen innerhalb dieser Zeit abgeschlossen wurden.
Nutzung & Verfügbarkeit
Letzte 24 Stunden- Anfragen
- Erfolgsrate
- P95-Latenz
- Token gesamt
Die Daten basieren auf aggregierten Benutzeranfragen, Statusprüfungen sind ausgeschlossen.
In Console öffnen
Öffne Gemini Embedding 001 in Console mit einer bearbeitbaren oder versandbereiten Eingabeaufforderung.
Teste gemini-embedding-001 mit embedding an /v1/embeddings. Zeige Ergebnis und Kosten.
Anwendungsfälle
Retrieval für die Beantwortung von Fragen
Embedden Sie Dokumentabschnitte einmal, embedden Sie jede Frage mit dem Abfrage-Aufgabentyp und rufen Sie die ähnlichsten Abschnitte ab, um sie einem Chat-Modell zuzuführen.
Erkennung von Duplikaten und Fast-Duplikaten
Vergleichen Sie Vektoren von Support-Tickets oder Produktbeschreibungen, um Elemente zu finden, die dasselbe mit anderen Worten ausdrücken.
Themen-Clustering
Gruppieren Sie Feedback oder Artikel nach Bedeutung, um Themen zu erkennen, ohne Schlüsselwortlisten schreiben zu müssen.
Inhaltsempfehlungen
Schlagen Sie verwandte Artikel vor, indem Sie die Vektoren finden, die dem am nächsten liegen, was ein Leser gerade beendet hat.
Prompt-Beispiele
Embedden Sie diese 500 Hilfe-Center-Absätze für das Retrieval und speichern Sie die Vektoren, damit Benutzer sie in natürlicher Sprache durchsuchen können.
Finden Sie die fünf Tickets, die in ihrer Bedeutung am ähnlichsten sind zu: Kunde kann Passwort nach E-Mail-Änderung nicht zurücksetzen.
Gruppieren Sie die App-Bewertungen des letzten Monats, indem Sie jede Bewertung embedden und die nächsten Nachbarn gruppieren.
Kostenrechner
FAQ
Wofür wird Gemini Embedding 001 verwendet?
Semantische Suche und Retrieval, Clustering, Klassifizierung und Empfehlungen für Text. Es wandelt Text in einen Vektor um, sodass ähnliche Bedeutungen nah beieinander liegen. Verwenden Sie den Aufgabentyp-Parameter, um anzugeben, ob Sie Dokumente embedden, Abfragen durchführen oder Ähnlichkeiten vergleichen.
Wie unterscheidet sich Gemini Embedding 001 von Gemini Embedding 2?
001 verarbeitet nur Text, hat ein viel kürzeres Eingabelimit und verwendet einen Aufgabentyp-Parameter. Embedding 2 verarbeitet längeren Text und erwartet stattdessen Aufgabenanweisungen im Prompt. Ihre Vektoren können nicht miteinander verglichen werden.
Welche Dimension sollte ich wählen?
Google empfiehlt 768, 1.536 oder 3.072 und erlaubt jeden Wert von 128 bis 3.072. Kleinere Größen sparen Speicherplatz und Suchzeit bei Ergebnissen, die nahe an der vollen Größe liegen. Normalisieren Sie den Vektor selbst, wenn Sie einen Wert unter 3.072 verwenden.
Wie lang darf die Eingabe sein?
Jede Eingabe hat ein Längenlimit. Teilen Sie längere Dokumente in passende Passagen auf und embedden Sie jede einzeln. Abschnittsgrenzen bei Absätzen oder Überschriften liefern normalerweise ein besseres Retrieval als Schnitte mit fester Länge.
Wie rufe ich es auf?
Verwenden Sie das Standard-Embedding-Anfrageformat. Senden Sie den Modellnamen und den Eingabetext oder eine Liste von Strings, und lesen Sie dann die Vektoren aus der Antwort. Die Ausgabe kann als Fließkommawerte oder Base64 angefordert werden.
Was kostet Gemini Embedding 001?
Auf TokenLab kostet Gemini Embedding 001 Eingabe $0.075 / Ausgabe $0.00 Pro 1M Token. Die vollständige Aufschlüsselung steht in der Preistabelle oben.
Welchen Endpunkt soll Gemini Embedding 001 verwenden?
Verwenden Sie https://api.tokenlab.sh/v1/embeddings für Gemini Embedding 001. Das folgende Anforderungsbeispiel zeigt die passende Code-Struktur.
Welche Operationen unterstützt Gemini Embedding 001?
Gemini Embedding 001 unterstützt Einbettung. Wählen Sie oben einen Vorgang aus, um dessen Endpunkt und Anforderungsbeispiel anzuzeigen.
Gemini Embedding 001 vergleichen
Quellen
Geprüft am 02.10.2026
