Google: Gemini Embedding 001

Gemini Embedding 001 merepresentasikan teks sebagai vektor untuk pengambilan semantik. Gunakan model ini untuk mencocokkan pertanyaan dengan bagian yang relevan, mengelompokkan dokumen terkait, atau membuat rekomendasi berdasarkan makna, bukan sekadar kecocokan kata kunci yang tepat.

Bandingkan model

gemini-embedding-001

TersediaGoogleEmbeddingSinkronkan

Masukan / Keluaran-50%: $0.15 / $0.00$0.075 / $0.00
Konteks: 2K
Modalitas: Embedding

Tentang Gemini Embedding 001

Gemini Embedding 001 adalah model embedding khusus teks dari Google dalam Gemini API. Model ini mengubah teks menjadi vektor yang menangkap makna, sehingga Anda dapat mencocokkan pertanyaan dengan bagian teks, mengelompokkan dokumen terkait, atau mendukung rekomendasi tanpa bergantung pada kata kunci yang sama. Ukuran output dapat disesuaikan dari 128 hingga 3.072 dimensi, dan parameter jenis tugas memberi tahu model untuk apa vektor tersebut akan digunakan.

Kelebihan

Parameter jenis tugas, seperti dokumen pengambilan atau kesamaan semantik, memungkinkan Anda menyesuaikan vektor dengan pekerjaan tersebut alih-alih menggunakan satu embedding umum.
Dimensi output dapat dikurangi dari 3.072 menjadi 128, dan Google mencatat bahwa ukuran yang lebih kecil memiliki skor yang mendekati ukuran penuh.
Setiap string input mendapatkan embedding-nya sendiri, yang cocok untuk pengindeksan batch di mana setiap dokumen memerlukan vektornya sendiri.
Vektor dikembalikan sebagai nilai float atau base64, sehingga dapat disimpan dengan ringkas.

Kapan harus beralih

Input hanya berupa teks dan dibatasi jauh di bawah model yang lebih baru, sehingga dokumen panjang harus dipecah menjadi potongan-potongan sebelum di-embed.
Vektor di bawah 3.072 dimensi perlu dinormalisasi oleh Anda sebelum pencarian kesamaan.
Ruang vektornya tidak kompatibel dengan gemini-embedding-2, sehingga beralih berarti melakukan embedding ulang pada seluruh koleksi.

Memulai

Buat API key
Buat kunci di Console, gunakan untuk semua model di platform.

Kirim permintaan pertama Anda

Salin contoh untuk bahasa Anda dan jalankan terhadap endpoint tersebut.

EmbeddingEndpoint 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"
}'

Penetapan Harga

Harga Official adalah baseline publik pembuat model. Harga TokenLab adalah yang Anda bayar untuk model ini di TokenLab.

Penetapan Harga

per 1M token

Harga TokenLab: Masukan$0.075per 1M tokenKeluaran$0.00per 1M token
Harga Official: Masukan$0.15per 1M tokenKeluaran$0.00per 1M token

Diskon: -50%

	Harga Officialper 1M token	Harga TokenLabper 1M token	Diskon
Masukan	$0.15	$0.075	-50%
Keluaran	$0.00	$0.00	—

Penggunaan & aktivitas

Tingkat keberhasilan adalah proporsi permintaan yang selesai. Latensi adalah berapa lama respons penuh berlangsung; P95 berarti 95% permintaan selesai dalam waktu tersebut.

Penggunaan & ketersediaan

24 jam terakhir

Permintaan
Tingkat keberhasilan
Latensi P95
Total token

Performa model

Terakhir diperbarui 3 Okt 2026, 19.17 UTC

Metrik akan muncul setelah ambang batas privasi dan volume data terpenuhi.

Data didasarkan pada permintaan pengguna gabungan, tidak termasuk pemeriksaan status.

Buka di Console

Buka Gemini Embedding 001 di Console dengan prompt siap diedit atau dikirim.

Bantu saya mencoba gemini-embedding-001 dengan embedding di /v1/embeddings. Tampilkan hasil dan biayanya.

Skenario penggunaan

Pengambilan untuk tanya jawab
Embed potongan dokumen sekali, embed setiap pertanyaan dengan jenis tugas kueri, dan ambil potongan terdekat untuk dimasukkan ke model obrolan.
Deteksi duplikat dan hampir duplikat
Bandingkan vektor tiket dukungan atau deskripsi produk untuk menemukan item yang menyatakan hal yang sama dengan kata-kata berbeda.
Pengelompokan topik
Kelompokkan umpan balik atau artikel berdasarkan makna untuk melihat tema tanpa menulis daftar kata kunci.
Rekomendasi konten
Sarankan artikel terkait dengan menemukan vektor terdekat dengan apa yang baru saja selesai dibaca oleh pengguna.

Contoh prompt

Embed 500 paragraf pusat bantuan ini untuk pengambilan dan simpan vektornya agar pengguna dapat mencarinya dalam bahasa sehari-hari.

Temukan lima tiket yang paling mirip maknanya dengan: pelanggan tidak dapat mengatur ulang kata sandi setelah mengubah alamat email.

Kelompokkan ulasan aplikasi bulan lalu dengan melakukan embedding pada setiap ulasan dan mengelompokkan tetangga terdekatnya.

Kalkulator biaya

Token input bulanan1M token

Token output bulanan0.5M token

Perkiraan biaya bulanan$0.07

FAQ

Untuk apa Gemini Embedding 001 digunakan?

Pencarian dan pengambilan semantik, pengelompokan, klasifikasi, dan rekomendasi melalui teks. Model ini mengubah teks menjadi vektor sehingga makna yang serupa berada berdekatan. Gunakan parameter jenis tugas untuk menentukan apakah Anda melakukan embedding pada dokumen, kueri, atau membandingkan kesamaan.

Apa perbedaan Gemini Embedding 001 dengan Gemini Embedding 2?

001 hanya menangani teks, dengan batas input yang jauh lebih pendek, dan menggunakan parameter jenis tugas. Embedding 2 menerima teks yang lebih panjang dan mengharapkan instruksi tugas dalam perintah. Vektor keduanya tidak dapat dibandingkan satu sama lain.

Dimensi mana yang harus saya pilih?

Google merekomendasikan 768, 1.536, atau 3.072, dan mengizinkan ukuran apa pun dari 128 hingga 3.072. Ukuran yang lebih kecil menghemat penyimpanan dan waktu pencarian dengan skor yang mendekati ukuran penuh. Normalisasi vektor sendiri saat Anda menggunakan ukuran di bawah 3.072.

Berapa panjang input yang diperbolehkan?

Setiap input memiliki batas panjang. Untuk dokumen yang lebih panjang, pecahlah menjadi bagian-bagian yang sesuai dan embed masing-masing bagian. Batas potongan pada paragraf atau judul biasanya memberikan hasil pengambilan yang lebih baik daripada potongan dengan panjang tetap.

Bagaimana cara memanggilnya?

Gunakan format permintaan embedding standar. Kirim nama model dan teks input atau daftar string, lalu baca vektor dari respons. Output dapat diminta sebagai nilai float atau base64.

Berapa biaya Gemini Embedding 001?

Di TokenLab, Gemini Embedding 001 dikenakan Masukan $0.075 / Keluaran $0.00 per 1M token. Tabel harga di atas menampilkan rincian lengkap.

Endpoint mana yang harus digunakan Gemini Embedding 001?

Pakai https://api.tokenlab.sh/v1/embeddings sebagai default untuk Gemini Embedding 001. Jika format native penyedia didukung, API workbench juga menampilkan endpoint tersebut.

Operasi apa saja yang didukung Gemini Embedding 001?

Gemini Embedding 001 mendukung Embedding. Pilih operasi di API workbench di atas untuk melihat endpoint dan contoh kode terkait.