Google: Gemini Embedding 001
gemini-embedding-001- Entrada / Salida-50%
- $0.15 / $0.00$0.075 / $0.00
- Contexto
- 2K
- Modalidades
- Incrustación
Sobre Gemini Embedding 001
Gemini Embedding 001 es el modelo de incrustación (embedding) solo de texto de Google en la API de Gemini. Convierte texto en vectores que capturan el significado, para que puedas relacionar una pregunta con pasajes, agrupar documentos relacionados o potenciar recomendaciones sin depender de palabras clave compartidas. El tamaño de salida es ajustable de 128 a 3.072 dimensiones, y un parámetro de tipo de tarea indica al modelo para qué se utilizarán los vectores.
Puntos fuertes
- Un parámetro de tipo de tarea, como documento de recuperación o similitud semántica, te permite ajustar los vectores al trabajo en lugar de usar una incrustación general.
- Las dimensiones de salida se pueden reducir de 3.072 a tan solo 128, y Google señala que los tamaños más pequeños obtienen puntuaciones cercanas al tamaño completo.
- Cada cadena de entrada obtiene su propia incrustación, lo que se adapta a la indexación por lotes donde cada documento necesita su propio vector.
- Los vectores se devuelven como valores de punto flotante o base64, por lo que pueden almacenarse de forma compacta.
Cuándo buscar otra opción
- La entrada es solo de texto y está limitada muy por debajo del modelo más nuevo, por lo que los documentos largos deben dividirse en fragmentos antes de la incrustación.
- Los vectores por debajo de 3.072 dimensiones deben ser normalizados por ti antes de realizar una búsqueda de similitud.
- Su espacio vectorial no es compatible con gemini-embedding-2, por lo que cambiar significa volver a incrustar toda la colección.
Primeros pasos
Crear clave API
Genera una clave en Console y úsala con cualquier modelo de la plataforma.
Envía tu primera solicitud
Copia el ejemplo para tu lenguaje y ejecútalo contra el endpoint.
IncrustaciónEndpoint de TokenLabPOST/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" }'
Precios
El precio oficial es la línea base pública del creador del modelo. El precio de TokenLab es lo que pagas por este modelo en TokenLab.
Precios
Por 1M Token- Precio de TokenLab
- Entrada$0.075Por 1M TokenSalida$0.00Por 1M Token
- Precio Official
- Entrada$0.15Por 1M TokenSalida$0.00Por 1M Token
Descuento: -50%
| Precio OfficialPor 1M Token | Precio de TokenLabPor 1M Token | Descuento | |
|---|---|---|---|
| Entrada | $0.15 | $0.075 | -50% |
| Salida | $0.00 | $0.00 | — |
Uso y actividad
La tasa de éxito es la proporción de solicitudes completadas. La latencia es cuánto tarda una respuesta completa; P95 significa que el 95 % de las solicitudes terminaron dentro de ese tiempo.
Uso y disponibilidad
Últimas 24 horas- Solicitudes
- Tasa de éxito
- Latencia P95
- Total de tokens
Los datos se basan en solicitudes de usuario agregadas, excluyendo las comprobaciones de estado.
Abrir en Console
Abre Gemini Embedding 001 en Console con un prompt listo para editar o enviar.
Ayúdame a probar gemini-embedding-001 con embedding en /v1/embeddings. Muestra el resultado y el coste.
Casos de uso
Recuperación para respuesta a preguntas
Incrusta fragmentos de documentos una vez, incrusta cada pregunta con el tipo de tarea de consulta y recupera los fragmentos más cercanos para alimentar un modelo de chat.
Detección de duplicados y casi duplicados
Compara vectores de tickets de soporte o descripciones de productos para encontrar elementos que dicen lo mismo con diferentes palabras.
Agrupación de temas
Agrupa comentarios o artículos por significado para ver temas sin escribir listas de palabras clave.
Recomendaciones de contenido
Sugiere artículos relacionados encontrando los vectores más cercanos a lo que un lector acaba de terminar.
Ejemplos de prompts
Incrusta estos 500 párrafos del centro de ayuda para su recuperación y almacena los vectores para que los usuarios puedan buscarlos en lenguaje sencillo.
Encuentra los cinco tickets más similares en significado a: el cliente no puede restablecer la contraseña después de cambiar la dirección de correo electrónico.
Agrupa las reseñas de aplicaciones del último mes incrustando cada reseña y agrupando los vecinos más cercanos.
Calculadora de costos
FAQ
¿Para qué se utiliza Gemini Embedding 001?
Búsqueda y recuperación semántica, agrupación, clasificación y recomendaciones sobre texto. Convierte texto en un vector para que los significados similares se sitúen cerca. Usa el parámetro de tipo de tarea para indicar si estás incrustando documentos, consultas o comparando similitudes.
¿En qué se diferencia Gemini Embedding 001 de Gemini Embedding 2?
001 maneja solo texto, con un límite de entrada mucho más corto, y utiliza un parámetro de tipo de tarea. Embedding 2 acepta textos más largos y espera instrucciones de tarea en la propia instrucción. Sus vectores no se pueden comparar entre sí.
¿Qué dimensión debería elegir?
Google recomienda 768, 1.536 o 3.072, y permite cualquier valor de 128 a 3.072. Los tamaños más pequeños ahorran almacenamiento y tiempo de búsqueda con puntuaciones cercanas al tamaño completo. Normaliza el vector tú mismo cuando uses cualquier valor inferior a 3.072.
¿Qué tan larga puede ser la entrada?
Cada entrada tiene un límite de longitud. Para documentos más largos, divídelos en pasajes que encajen e incrusta cada uno. Los límites de fragmentos en párrafos o encabezados suelen dar mejores resultados de recuperación que los cortes de longitud fija.
¿Cómo lo llamo?
Usa el formato de solicitud de incrustaciones estándar. Envía el nombre del modelo y el texto de entrada o una lista de cadenas, luego lee los vectores de la respuesta. La salida se puede solicitar como valores de punto flotante o base64.
¿Cuánto cuesta Gemini Embedding 001?
En TokenLab, Gemini Embedding 001 cuesta Entrada $0.075 / Salida $0.00 Por 1M Token. La tabla de precios arriba muestra el desglose completo.
¿Qué endpoint debe usar Gemini Embedding 001?
Utiliza https://api.tokenlab.sh/v1/embeddings para Gemini Embedding 001. El ejemplo de solicitud a continuación muestra la estructura de código correspondiente.
¿Qué operaciones soporta Gemini Embedding 001?
Gemini Embedding 001 admite Incrustación. Selecciona una operación arriba para ver su endpoint y ejemplo de solicitud.
Comparar Gemini Embedding 001
Fuentes
Revisado el 2 oct 2026
