Google: Gemini Embedding 2
gemini-embedding-2- Masukan / Keluaran
- $0.20 / $0.00
- Konteks
- 8K
- Dirilis
- 30 Sep 2026
- Modalitas
- Embedding
Tentang Gemini Embedding 2
Gemini Embedding 2 adalah model penyematan yang lebih baru dari Google di Gemini API. Model ini mengubah teks menjadi vektor yang menangkap makna, untuk pencarian, klasterisasi, dan rekomendasi, dengan dimensi yang dapat disesuaikan dari 128 hingga 3.072. Model ini menerima teks yang lebih panjang daripada gemini-embedding-001 dan mengganti parameter jenis tugas model tersebut dengan instruksi yang ditulis di dalam prompt.
Kelebihan
- Input teks dapat berjalan beberapa kali lebih panjang daripada yang diizinkan oleh gemini-embedding-001, sehingga potongan yang diperlukan lebih sedikit.
- Vektor yang dipotong dinormalisasi secara otomatis, yang menghilangkan satu langkah yang pada model lama diserahkan kepada Anda.
- Instruksi tugas ditempatkan di dalam prompt, sehingga satu permintaan dapat menyatakan kegunaan vektor dalam kata-kata biasa.
- Dimensi dari 128 hingga 3.072 memungkinkan Anda menukar penyimpanan dan kecepatan pencarian dengan presisi.
Kapan harus beralih
- Vektor tidak dapat dibandingkan dengan output gemini-embedding-001, sehingga memigrasikan indeks berarti menyematkan ulang semuanya.
- Vektor hanya dikembalikan sebagai nilai float, sehingga pengkodean base64 yang ringkas tidak tersedia.
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 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" }'
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- Official
- Masukan$0.20per 1M tokenKeluaran$0.00per 1M token
- Harga Official
- Masukan$0.20per 1M tokenKeluaran$0.00per 1M token
| Harga Officialper 1M token | Officialper 1M token | Diskon | |
|---|---|---|---|
| Masukan | $0.20 | $0.20 | — |
| 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
Data didasarkan pada permintaan pengguna gabungan, tidak termasuk pemeriksaan status.
Buka di Console
Buka Gemini Embedding 2 di Console dengan prompt siap diedit atau dikirim.
Bantu saya mencoba gemini-embedding-2 dengan embedding di /v1/embeddings. Tampilkan hasil dan biayanya.
Skenario penggunaan
Pengambilan bagian yang lebih panjang
Sematkan potongan teks yang lebih besar untuk menjaga paragraf dan konteksnya tetap bersatu dalam pencarian basis pengetahuan.
Kesamaan yang dipandu instruksi
Tambahkan instruksi singkat seperti menemukan potongan kode atau menemukan FAQ, dan biarkan prompt mengarahkan apa yang dihitung sebagai kesamaan.
Pencocokan tiket dukungan
Cocokkan tiket baru dengan tiket sebelumnya yang menjelaskan masalah yang sama dengan kata-kata berbeda.
Klasterisasi topik
Kelompokkan ulasan atau artikel berdasarkan makna untuk melihat tema tanpa menulis daftar kata kunci.
Contoh prompt
tugas: tanya jawab | kueri: bagaimana cara merotasi kunci API tanpa waktu henti
judul: Kebijakan pengembalian dana | teks: Pelanggan dapat mengembalikan item yang belum digunakan dalam waktu 30 hari sejak pengiriman untuk pengembalian dana penuh ke metode pembayaran asli.
Sematkan tiket dukungan ini agar dapat dicocokkan dengan tiket masa lalu yang serupa: pelanggan tidak dapat mereset kata sandi setelah mengubah alamat email.
Kalkulator biaya
FAQ
Apa saja penambahan yang ada pada Gemini Embedding 2 dibandingkan Gemini Embedding 001?
Input teks yang lebih panjang, instruksi berbasis prompt sebagai pengganti parameter jenis tugas, dan normalisasi otomatis untuk vektor yang dipendekkan. Kedua model mengubah teks menjadi vektor, tetapi 001 memiliki batasan input yang jauh lebih pendek.
Bisakah saya menggunakan ulang penyematan yang dibuat dengan gemini-embedding-001?
Tidak. Google menyatakan kedua ruang vektor tersebut tidak kompatibel, sehingga Anda tidak dapat membandingkan vektor dari satu model dengan vektor dari model yang lain. Saat beralih ke Embedding 2, sematkan ulang dokumen dan kueri Anda.
Ukuran penyematan apa saja yang tersedia?
Dari 128 hingga 3.072 dimensi, dengan 768, 1.536, dan 3.072 yang direkomendasikan. Google menyatakan ukuran yang lebih kecil memiliki skor yang hampir sama dengan ukuran yang lebih besar. Embedding 2 menormalisasi vektor yang dipotong untuk Anda, sehingga Anda dapat menyimpan dan mencarinya secara langsung.
Bagaimana cara kerja pemilihan tugas?
Tidak ada parameter jenis tugas. Anda memasukkan maksud ke dalam prompt, misalnya menandai teks sebagai kueri atau sebagai dokumen yang akan diambil. Gunakan konvensi yang sama pada kedua sisi indeks Anda agar kueri dan dokumen selaras.
Apa yang dikembalikan oleh model ini?
Vektor float, satu per teks input, pada dimensi yang Anda pilih. Simpan dalam indeks vektor apa pun dan bandingkan dengan kesamaan kosinus atau perkalian titik (dot product).
Berapa biaya Gemini Embedding 2?
Di TokenLab, Gemini Embedding 2 dikenakan Masukan $0.20 / Keluaran $0.00 per 1M token. Tabel harga di atas menampilkan rincian lengkap.
Endpoint mana yang harus digunakan Gemini Embedding 2?
Pakai https://api.tokenlab.sh/v1/embeddings sebagai default untuk Gemini Embedding 2. Jika format native penyedia didukung, API workbench juga menampilkan endpoint tersebut.
Operasi apa saja yang didukung Gemini Embedding 2?
Gemini Embedding 2 mendukung Embedding. Pilih operasi di API workbench di atas untuk melihat endpoint dan contoh kode terkait.
Bandingkan Gemini Embedding 2
Sumber
Ditinjau 2 Okt 2026
