Google: Gemini Embedding 001
gemini-embedding-001- 입력 / 출력-50%
- $0.15 / $0.00$0.075 / $0.00
- 컨텍스트
- 2K
- 모달리티
- 임베딩
Gemini Embedding 001 소개
Gemini Embedding 001은 Gemini API에서 제공하는 Google의 텍스트 전용 임베딩 모델입니다. 텍스트를 의미를 담은 벡터로 변환하여, 공유 키워드에 의존하지 않고도 질문과 구절을 매칭하거나 관련 문서를 클러스터링하고 추천 기능을 구현할 수 있습니다. 출력 크기는 128에서 3,072 차원까지 조절 가능하며, 작업 유형(task type) 파라미터를 통해 벡터의 용도를 모델에 지정할 수 있습니다.
강점
- 검색 문서(retrieval document)나 의미론적 유사성(semantic similarity)과 같은 작업 유형 파라미터를 사용하면 일반적인 임베딩을 사용하는 대신 작업에 맞게 벡터를 조정할 수 있습니다.
- 출력 차원은 3,072에서 최소 128까지 줄일 수 있으며, Google은 더 작은 크기도 전체 크기와 유사한 점수를 기록한다고 언급합니다.
- 각 입력 문자열은 고유한 임베딩을 가지며, 이는 모든 문서가 고유한 벡터를 필요로 하는 배치 인덱싱에 적합합니다.
- 벡터는 부동 소수점 값이나 base64로 반환되므로 압축하여 저장할 수 있습니다.
다른 모델이 필요한 경우
- 입력은 텍스트 전용이며 최신 모델보다 훨씬 낮은 제한을 가지므로, 긴 문서는 임베딩 전에 청크 단위로 분할해야 합니다.
- 3,072 차원 미만의 벡터는 유사성 검색 전에 사용자가 직접 정규화해야 합니다.
- 벡터 공간이 gemini-embedding-2와 호환되지 않으므로, 모델을 전환하려면 전체 컬렉션을 다시 임베딩해야 합니다.
시작하기
API 키 만들기
Console에서 키를 만들고 플랫폼의 모든 모델에 사용하세요.
첫 번째 요청 보내기
사용 중인 언어의 예시를 복사하여 엔드포인트에 실행하세요.
임베딩TokenLab 엔드포인트POST/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" }'
가격 책정
Official 가격은 모델 제작사의 공식 기본 가격입니다. TokenLab 가격은 TokenLab에서 이 모델을 사용할 때 지불하는 금액입니다.
가격 책정
1M Token 당- TokenLab 가격
- 입력$0.0751M Token 당출력$0.001M Token 당
- Official 가격
- 입력$0.151M Token 당출력$0.001M Token 당
할인: -50%
| Official 가격1M Token 당 | TokenLab 가격1M Token 당 | 할인 | |
|---|---|---|---|
| 입력 | $0.15 | $0.075 | -50% |
| 출력 | $0.00 | $0.00 | — |
사용량 및 활동
성공률은 완료된 요청의 비율입니다. 지연 시간은 전체 응답에 걸리는 시간이며, P95는 요청의 95%가 해당 시간 내에 완료되었음을 의미합니다.
사용량 및 가용성
지난 24시간- 요청
- 성공률
- P95 지연 시간
- 총 토큰
데이터는 상태 확인을 제외한 집계된 사용자 요청을 기반으로 합니다.
Console에서 열기
Console에서 Gemini Embedding 001을 열고 프롬프트를 수정하거나 전송하세요.
/v1/embeddings에서 embedding을(를) 사용하여 gemini-embedding-001을(를) 테스트합니다. 결과와 비용을 확인하세요.
사용 사례
질의응답을 위한 검색
문서 청크를 한 번 임베딩하고, 각 질문을 쿼리 작업 유형으로 임베딩한 뒤 가장 가까운 청크를 가져와 챗 모델에 전달합니다.
중복 및 유사 중복 탐지
지원 티켓이나 제품 설명의 벡터를 비교하여 다른 단어로 같은 내용을 말하는 항목을 찾습니다.
주제 클러스터링
피드백이나 기사를 의미별로 그룹화하여 키워드 목록을 작성하지 않고도 주제를 파악합니다.
콘텐츠 추천
독자가 방금 읽은 내용과 가장 가까운 벡터를 찾아 관련 기사를 제안합니다.
프롬프트 예제
검색을 위해 500개의 고객 센터 단락을 임베딩하고 벡터를 저장하여 사용자가 평문으로 검색할 수 있게 합니다.
다음 내용과 의미가 가장 유사한 5개의 티켓을 찾으세요: 이메일 주소 변경 후 비밀번호를 재설정할 수 없습니다.
각 리뷰를 임베딩하고 가장 가까운 이웃을 그룹화하여 지난달의 앱 리뷰를 클러스터링합니다.
비용 계산기
FAQ
Gemini Embedding 001은 어디에 사용되나요?
텍스트에 대한 의미론적 검색 및 검색, 클러스터링, 분류 및 추천에 사용됩니다. 텍스트를 벡터로 변환하여 유사한 의미가 가까운 위치에 배치되도록 합니다. 작업 유형 파라미터를 사용하여 문서를 임베딩하는지, 쿼리를 임베딩하는지, 또는 유사성을 비교하는지 지정하십시오.
Gemini Embedding 001은 Gemini Embedding 2와 어떻게 다른가요?
001은 텍스트 전용이며 입력 제한이 훨씬 짧고 작업 유형 파라미터를 사용합니다. Embedding 2는 더 긴 텍스트를 처리하며 프롬프트 내에서 작업 지침을 기대합니다. 두 모델의 벡터는 서로 비교할 수 없습니다.
어떤 차원을 선택해야 하나요?
Google은 768, 1,536 또는 3,072 차원을 권장하며 128에서 3,072 사이의 모든 값을 허용합니다. 낮은 크기는 저장 공간과 검색 시간을 절약하며 전체 크기와 유사한 점수를 제공합니다. 3,072 미만의 값을 사용할 때는 벡터를 직접 정규화하십시오.
입력 길이는 어느 정도까지 가능한가요?
각 입력에는 길이 제한이 있습니다. 더 긴 문서는 적절한 크기의 구절로 분할하여 각각 임베딩하십시오. 단락이나 제목 단위로 청크를 나누는 것이 고정 길이로 자르는 것보다 일반적으로 더 나은 검색 결과를 제공합니다.
어떻게 호출하나요?
표준 임베딩 요청 형식을 사용하십시오. 모델 이름과 입력 텍스트 또는 문자열 목록을 보낸 다음 응답에서 벡터를 읽으십시오. 출력은 부동 소수점 값 또는 base64로 요청할 수 있습니다.
Gemini Embedding 001 의 가격은 얼마인가요?
TokenLab 에서 Gemini Embedding 001 은 입력 $0.075 / 출력 $0.00 1M Token 당 입니다. 자세한 내역은 위 가격 표를 확인하세요.
Gemini Embedding 001 은 어떤 엔드포인트를 써야 하나요?
Gemini Embedding 001에 대해 https://api.tokenlab.sh/v1/embeddings를 사용하세요. 아래 요청 예시는 일치하는 코드 형태를 보여줍니다.
Gemini Embedding 001 은 어떤 오퍼레이션을 지원하나요?
Gemini Embedding 001은(는) 임베딩을(를) 지원합니다. 엔드포인트와 요청 예시를 보려면 위에서 작업을 선택하세요.
Gemini Embedding 001 비교하기
출처
2026. 10. 2. 검토 완료
