Google: Gemini Embedding 001

Gemini Embedding 001 représente le texte sous forme de vecteurs pour la recherche sémantique. Utilisez-le pour faire correspondre une question avec des passages pertinents, regrouper des documents connexes ou créer des recommandations basées sur le sens plutôt que sur la correspondance exacte des mots-clés.

Comparer les modèles

gemini-embedding-001

DisponibleGoogleVectorisationSynchrone

Entrée / Sortie-50%: $0.15 / $0.00$0.075 / $0.00
Contexte: 2K
Modalités: Vectorisation

À propos de Gemini Embedding 001

Gemini Embedding 001 est le modèle d'embedding textuel de Google dans l'API Gemini. Il transforme le texte en vecteurs qui capturent le sens, ce qui vous permet de faire correspondre une question à des passages, de regrouper des documents connexes ou d'alimenter des recommandations sans dépendre de mots-clés partagés. La taille de sortie est réglable de 128 à 3 072 dimensions, et un paramètre de type de tâche indique au modèle à quoi serviront les vecteurs.

Points forts

Un paramètre de type de tâche, tel que document de recherche ou similarité sémantique, vous permet d'ajuster les vecteurs à la tâche plutôt que d'utiliser un embedding général.
Les dimensions de sortie peuvent être réduites de 3 072 à 128, et Google note que les tailles plus petites obtiennent des scores proches de la taille maximale.
Chaque chaîne d'entrée obtient son propre embedding, ce qui convient à l'indexation par lots où chaque document nécessite son propre vecteur.
Les vecteurs sont renvoyés sous forme de valeurs flottantes ou en base64, afin de pouvoir être stockés de manière compacte.

Quand préférer un autre modèle

L'entrée est uniquement textuelle et plafonnée bien en dessous du modèle plus récent, les longs documents doivent donc être divisés en segments avant l'embedding.
Les vecteurs inférieurs à 3 072 dimensions doivent être normalisés par vos soins avant une recherche de similarité.
Son espace vectoriel n'est pas compatible avec gemini-embedding-2, donc changer de modèle signifie ré-encoder toute la collection.

Pour commencer

Créer une clé API
Générez une clé dans Console et utilisez-la avec tous les modèles de la plateforme.

Envoyez votre première requête

Copiez l'exemple pour votre langage et lancez-le.

VectorisationEndpoint 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"
}'

Tarification

Le tarif officiel est la référence publique du créateur du modèle. Le tarif TokenLab est ce que vous payez pour ce modèle sur TokenLab.

Tarification

Par 1M Token

Prix TokenLab: Entrée$0.075Par 1M TokenSortie$0.00Par 1M Token
Tarif Official: Entrée$0.15Par 1M TokenSortie$0.00Par 1M Token

Remise: -50%

	Tarif OfficialPar 1M Token	Prix TokenLabPar 1M Token	Remise
Entrée	$0.15	$0.075	-50%
Sortie	$0.00	$0.00	—

Utilisation et activité

Le taux de réussite est la part de requêtes abouties. La latence est la durée d'une réponse complète ; P95 signifie que 95 % des requêtes ont fini dans ce délai.

Utilisation et disponibilité

Dernières 24 heures

Requêtes
Taux de succès
Latence P95
Total des jetons

Performance du modèle

Dernière mise à jour 3 oct. 2026, 19:23 UTC

Les métriques s'affichent une fois les seuils de confidentialité et de volume de données atteints.

Les données sont basées sur les requêtes agrégées des utilisateurs, à l'exclusion des vérifications de statut.

Ouvrir dans Console

Ouvrez Gemini Embedding 001 dans Console avec un prompt prêt à modifier ou envoyer.

Aide-moi à tester gemini-embedding-001 avec embedding sur /v1/embeddings. Affiche le résultat et le coût.

Cas d'usage

Recherche pour répondre à des questions
Encodez les segments de document une fois, encodez chaque question avec le type de tâche de requête, et récupérez les segments les plus proches pour alimenter un modèle de chat.
Détection de doublons et quasi-doublons
Comparez les vecteurs de tickets de support ou de descriptions de produits pour trouver des éléments qui disent la même chose avec des mots différents.
Regroupement par sujet
Regroupez les retours ou les articles par sens pour identifier des thèmes sans rédiger de listes de mots-clés.
Recommandations de contenu
Suggérez des articles connexes en trouvant les vecteurs les plus proches de ce qu'un lecteur vient de terminer.

Exemples de prompts

Encodez ces 500 paragraphes du centre d'aide pour la recherche et stockez les vecteurs afin que les utilisateurs puissent les rechercher en langage naturel.

Trouvez les cinq tickets les plus similaires en termes de sens à : le client ne peut pas réinitialiser son mot de passe après avoir changé d'adresse e-mail.

Regroupez les avis sur l'application du mois dernier en encodant chaque avis et en regroupant les voisins les plus proches.

Calculateur de coût

Tokens d'entrée par mois1M jetons

Tokens de sortie par mois0.5M jetons

Coût mensuel estimé$0.07

FAQ

À quoi sert Gemini Embedding 001 ?

Recherche sémantique et récupération, regroupement, classification et recommandations sur du texte. Il convertit le texte en un vecteur afin que les sens similaires se retrouvent proches les uns des autres. Utilisez le paramètre de type de tâche pour indiquer si vous encodez des documents, des requêtes ou si vous comparez la similarité.

En quoi Gemini Embedding 001 est-il différent de Gemini Embedding 2 ?

001 gère uniquement le texte, avec un plafond d'entrée beaucoup plus court, et utilise un paramètre de type de tâche. Embedding 2 accepte des textes plus longs et attend des instructions de tâche dans l'invite. Leurs vecteurs ne peuvent pas être comparés entre eux.

Quelle dimension dois-je choisir ?

Google recommande 768, 1 536 ou 3 072, et autorise toute valeur de 128 à 3 072. Les tailles inférieures économisent du stockage et du temps de recherche avec des scores proches de la taille maximale. Normalisez vous-même le vecteur lorsque vous utilisez une valeur inférieure à 3 072.

Quelle peut être la longueur de l'entrée ?

Chaque entrée a une limite de longueur. Pour les documents plus longs, divisez-les en passages adaptés et encodez chacun d'eux. Les limites de segments au niveau des paragraphes ou des titres donnent généralement une meilleure récupération que les coupes à longueur fixe.

Comment l'appeler ?

Utilisez le format de requête d'embeddings standard. Envoyez le nom du modèle et le texte d'entrée ou une liste de chaînes, puis lisez les vecteurs à partir de la réponse. La sortie peut être demandée sous forme de valeurs flottantes ou en base64.

Combien coûte Gemini Embedding 001 ?

Sur TokenLab, Gemini Embedding 001 coûte Entrée $0.075 / Sortie $0.00 Par 1M Token. La table tarifaire ci-dessus en montre le détail complet.

Quel endpoint Gemini Embedding 001 doit-il utiliser ?

Utilisez https://api.tokenlab.sh/v1/embeddings pour Gemini Embedding 001. L'exemple de requête ci-dessous montre la structure de code correspondante.

Quelles opérations Gemini Embedding 001 prend-il en charge ?

Gemini Embedding 001 prend en charge Vectorisation. Sélectionnez une opération pour voir l'endpoint et un exemple.