Google: Gemini Embedding 001
gemini-embedding-001- 入力 / 出力-50%
- $0.15 / $0.00$0.075 / $0.00
- コンテキスト
- 2K
- モダリティ
- 埋め込み
Gemini Embedding 001 について
Gemini Embedding 001は、Gemini APIにおけるGoogleのテキスト専用埋め込みモデルです。テキストを意味を捉えたベクトルに変換することで、共有キーワードに頼ることなく、質問とパッセージのマッチング、関連ドキュメントのクラスタリング、レコメンデーションの強化などが可能です。出力サイズは128から3,072次元の間で調整可能で、タスクタイプパラメータによってベクトルが何に使用されるかをモデルに伝えます。
得意なこと
- 「検索ドキュメント」や「意味的類似性」などのタスクタイプパラメータを使用することで、汎用的な埋め込みではなく、用途に合わせてベクトルを調整できます。
- 出力次元は3,072から最小128まで削減可能で、Googleは小さいサイズでもフルサイズに近いスコアが得られるとしています。
- 各入力文字列は個別の埋め込みを取得するため、すべてのドキュメントに独自のベクトルが必要なバッチインデックス作成に適しています。
- ベクトルは浮動小数点値またはbase64として返されるため、コンパクトに保存できます。
他のモデルを検討すべきケース
- 入力はテキストのみで、新しいモデルよりも上限が低いため、長いドキュメントは埋め込む前にチャンクに分割する必要があります。
- 3,072次元未満のベクトルは、類似性検索の前にユーザー自身で正規化する必要があります。
- そのベクトル空間はgemini-embedding-2と互換性がないため、切り替える場合はコレクション全体の再埋め込みが必要です。
はじめに
最初のキーを作成
Consoleでキーを作成すれば、プラットフォーム内のすべてのモデルで使えます。
最初のリクエストを送信する
お使いの言語の例をコピーして、エンドポイントに対して実行してください。
埋め込みTokenLab エンドポイントPOST/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" }'
料金
Official価格はモデル提供者の公開基準です。TokenLab価格はTokenLabでのご利用料金です。
料金
100万トークンあたり- TokenLab 価格
- 入力$0.075100万トークンあたり出力$0.00100万トークンあたり
- 公式価格
- 入力$0.15100万トークンあたり出力$0.00100万トークンあたり
割引: -50%
| 公式価格100万トークンあたり | TokenLab 価格100万トークンあたり | 割引 | |
|---|---|---|---|
| 入力 | $0.15 | $0.075 | -50% |
| 出力 | $0.00 | $0.00 | — |
使用状況とアクティビティ
成功率は完了したリクエストの割合です。レイテンシは完全なレスポンスにかかる時間で、P95 は 95% のリクエストがその時間内に完了したことを意味します。
使用量と可用性
過去24時間- リクエスト数
- 成功率
- P95 レイテンシ
- 合計トークン数
データはステータスチェックを除外した、集計済みのユーザーリクエストに基づいています。
Consoleで開く
ConsoleでGemini Embedding 001を開き、プロンプトを編集・送信できます。
gemini-embedding-001と/v1/embeddingsでembeddingを実行。結果とコストを表示します。
ユースケース
質問応答のための検索
ドキュメントのチャンクをあらかじめ埋め込み、各質問をクエリタスクタイプで埋め込んで、最も近いチャンクを取得してチャットモデルに渡します。
重複および類似コンテンツの検出
サポートチケットや製品説明のベクトルを比較し、異なる言葉で同じ内容を伝えている項目を見つけます。
トピックのクラスタリング
フィードバックや記事を意味ごとにグループ化し、キーワードリストを作成することなくテーマを把握します。
コンテンツのレコメンデーション
読者が読み終えた内容に最も近いベクトルを見つけることで、関連する記事を提案します。
プロンプト例
検索用にヘルプセンターの500の段落を埋め込み、ユーザーが平易な言葉で検索できるようにベクトルを保存します。
「メールアドレス変更後にパスワードをリセットできない」という内容に最も意味が近いチケットを5件見つけます。
各レビューを埋め込み、近傍のレビューをグループ化することで、先月のアプリレビューをクラスタリングします。
料金計算
FAQ
Gemini Embedding 001は何に使われますか？
テキストに対する意味的検索、検索、クラスタリング、分類、レコメンデーションに使用されます。テキストをベクトルに変換し、意味が近いものが近くに配置されるようにします。タスクタイプパラメータを使用して、ドキュメントの埋め込み、クエリ、または類似性の比較のいずれを行っているかを指定してください。
Gemini Embedding 001とGemini Embedding 2の違いは何ですか？
001はテキストのみを扱い、入力上限が大幅に短く、タスクタイプパラメータを使用します。Embedding 2はより長いテキストに対応し、代わりにプロンプト内でタスク指示を期待します。両者のベクトルは相互に比較できません。
どの次元を選択すべきですか？
Googleは768、1,536、または3,072を推奨しており、128から3,072の間で自由に設定可能です。サイズを小さくするとストレージと検索時間を節約でき、スコアもフルサイズに近い結果が得られます。3,072未満を使用する場合は、ベクトルを自身で正規化してください。
入力の長さはどれくらいまで可能ですか？
各入力には長さの上限があります。長いドキュメントの場合は、収まるサイズのパッセージに分割してそれぞれを埋め込んでください。段落や見出しでチャンクを区切る方が、固定長でカットするよりも検索精度が高くなる傾向があります。
どのように呼び出しますか？
標準の埋め込みリクエスト形式を使用してください。モデル名と入力テキストまたは文字列のリストを送信し、レスポンスからベクトルを読み取ります。出力は浮動小数点値またはbase64としてリクエスト可能です。
Gemini Embedding 001 の料金はいくらですか？
TokenLab では Gemini Embedding 001 は 入力 $0.075 / 出力 $0.00 100万トークンあたり です。詳細は上の料金表を参照してください。
Gemini Embedding 001 はどのエンドポイントを使うべきですか？
Gemini Embedding 001 のデフォルトは https://api.tokenlab.sh/v1/embeddings です。プロバイダーネイティブ形式に対応している場合は、API workbench にそのエンドポイントも表示されます。
Gemini Embedding 001 はどの操作に対応していますか？
Gemini Embedding 001 は 埋め込み に対応しています。上の API workbench で操作を選ぶと、対応するエンドポイントとコード例が表示されます。
Gemini Embedding 001 を比較する
ソース
2026/10/02 時点での評価
