Google: Gemini Embedding 2
gemini-embedding-2- Entrée / Sortie
- $0.20 / $0.00
- Contexte
- 8K
- Date de sortie
- 30 sept. 2026
- Modalités
- Vectorisation
À propos de Gemini Embedding 2
Gemini Embedding 2 est le modèle d'embedding plus récent de Google dans l'API Gemini. Il transforme le texte en vecteurs qui capturent le sens, pour la recherche, le regroupement et les recommandations, avec des dimensions ajustables de 128 à 3 072. Il accepte des textes plus longs que gemini-embedding-001 et remplace le paramètre de type de tâche de ce modèle par des instructions écrites dans le prompt.
Points forts
- L'entrée textuelle peut être plusieurs fois plus longue que ce que permet gemini-embedding-001, nécessitant ainsi moins de segments.
- Les vecteurs tronqués sont normalisés automatiquement, ce qui supprime une étape que l'ancien modèle vous laissait effectuer.
- Les instructions de tâche sont placées dans le prompt, permettant ainsi d'indiquer en langage courant à quoi sert le vecteur dans une seule requête.
- Les dimensions de 128 à 3 072 vous permettent de trouver un compromis entre stockage, vitesse de recherche et précision.
Quand préférer un autre modèle
- Les vecteurs ne peuvent pas être comparés avec la sortie de gemini-embedding-001 ; migrer un index signifie donc tout ré-encoder.
- Les vecteurs sont renvoyés uniquement sous forme de valeurs flottantes ; un encodage base64 compact n'est pas disponible.
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 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-2" }'
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- Official
- Entrée$0.20Par 1M TokenSortie$0.00Par 1M Token
- Tarif Official
- Entrée$0.20Par 1M TokenSortie$0.00Par 1M Token
| Tarif OfficialPar 1M Token | OfficialPar 1M Token | Remise | |
|---|---|---|---|
| Entrée | $0.20 | $0.20 | — |
| 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
Les données sont basées sur les requêtes agrégées des utilisateurs, à l'exclusion des vérifications de statut.
Ouvrir dans Console
Ouvrez Gemini Embedding 2 dans Console avec un prompt prêt à modifier ou envoyer.
Aide-moi à tester gemini-embedding-2 avec embedding sur /v1/embeddings. Affiche le résultat et le coût.
Cas d'usage
Récupération de passages plus longs
Encodez des segments de texte plus larges pour conserver les paragraphes et leur contexte ensemble lors de la recherche dans une base de connaissances.
Similarité guidée par les instructions
Ajoutez une courte instruction, telle que « trouver des extraits de code » ou « trouver des FAQ », et laissez le prompt orienter ce qui est considéré comme similaire.
Correspondance de tickets de support
Faites correspondre un nouveau ticket à des tickets antérieurs décrivant le même problème avec des mots différents.
Regroupement thématique
Regroupez les avis ou les articles par sens pour identifier des thèmes sans avoir à rédiger de listes de mots-clés.
Exemples de prompts
tâche : question answering | requête : comment faire pivoter une clé API sans interruption de service
titre : Politique de remboursement | texte : Les clients peuvent retourner les articles inutilisés dans les 30 jours suivant la livraison pour un remboursement complet sur le mode de paiement original.
Encodez ce ticket de support afin qu'il puisse être mis en correspondance avec des tickets passés similaires : le client ne peut pas réinitialiser son mot de passe après avoir changé d'adresse e-mail.
Calculateur de coût
FAQ
Qu'apporte Gemini Embedding 2 par rapport à Gemini Embedding 001 ?
Une entrée de texte plus longue, des instructions basées sur le prompt au lieu du paramètre de type de tâche, et une normalisation automatique des vecteurs raccourcis. Les deux modèles transforment le texte en vecteurs, mais 001 a une limite d'entrée beaucoup plus courte.
Puis-je réutiliser les embeddings créés avec gemini-embedding-001 ?
Non. Google indique que les deux espaces vectoriels sont incompatibles ; vous ne pouvez donc pas comparer les vecteurs d'un modèle avec ceux de l'autre. Lorsque vous passez à Embedding 2, ré-encodez à la fois vos documents et vos requêtes.
Quelles tailles d'embedding sont disponibles ?
De 128 à 3 072 dimensions, avec 768, 1 536 et 3 072 recommandées. Google indique que les tailles plus petites obtiennent des scores proches des plus grandes. Embedding 2 normalise les vecteurs tronqués pour vous, vous permettant de les stocker et de les rechercher directement.
Comment fonctionne la sélection de tâche ?
Il n'y a pas de paramètre de type de tâche. Vous intégrez l'intention dans le prompt, par exemple en marquant le texte comme une requête ou comme un document à récupérer. Utilisez la même convention des deux côtés de votre index pour que les requêtes et les documents s'alignent.
Que renvoie-t-il ?
Des vecteurs flottants, un par texte d'entrée, à la dimension que vous choisissez. Stockez-les dans n'importe quel index vectoriel et comparez-les avec la similarité cosinus ou le produit scalaire.
Combien coûte Gemini Embedding 2 ?
Sur TokenLab, Gemini Embedding 2 coûte Entrée $0.20 / Sortie $0.00 Par 1M Token. La table tarifaire ci-dessus en montre le détail complet.
Quel endpoint Gemini Embedding 2 doit-il utiliser ?
Utilisez https://api.tokenlab.sh/v1/embeddings pour Gemini Embedding 2. L'exemple de requête ci-dessous montre la structure de code correspondante.
Quelles opérations Gemini Embedding 2 prend-il en charge ?
Gemini Embedding 2 prend en charge Vectorisation. Sélectionnez une opération pour voir l'endpoint et un exemple.
Comparer Gemini Embedding 2
Sources
Mis à jour le 2 oct. 2026
