Google: Gemini Embedding 001

O Gemini Embedding 001 representa texto como vetores para recuperação semântica. Use-o para combinar uma pergunta com passagens relevantes, agrupar documentos relacionados ou criar recomendações baseadas no significado, em vez de apenas na correspondência exata de palavras-chave.

Comparar modelos

gemini-embedding-001

DisponívelGoogleIncorporaçãoSíncrono

Entrada / Saída-50%: $0.15 / $0.00$0.075 / $0.00
Contexto: 2K
Modalidades: Incorporação

Sobre o Gemini Embedding 001

O Gemini Embedding 001 é o modelo de embedding apenas de texto do Google na API Gemini. Ele transforma texto em vetores que capturam o significado, para que você possa combinar uma pergunta com passagens, agrupar documentos relacionados ou potencializar recomendações sem depender de palavras-chave compartilhadas. O tamanho da saída é ajustável de 128 a 3.072 dimensões, e um parâmetro de tipo de tarefa informa ao modelo para que os vetores serão usados.

Pontos fortes

Um parâmetro de tipo de tarefa, como documento de recuperação ou similaridade semântica, permite ajustar vetores para o trabalho em vez de usar um embedding geral.
As dimensões de saída podem ser reduzidas de 3.072 para até 128, e o Google observa que tamanhos menores pontuam próximo ao tamanho total.
Cada string de entrada recebe seu próprio embedding, o que é adequado para indexação em lote onde cada documento precisa de seu próprio vetor.
Os vetores retornam como valores float ou base64, para que possam ser armazenados de forma compacta.

Quando usar outro modelo

A entrada é apenas de texto e limitada bem abaixo do modelo mais recente, portanto, documentos longos devem ser divididos em partes antes da incorporação.
Vetores abaixo de 3.072 dimensões precisam ser normalizados por você antes da pesquisa de similaridade.
Seu espaço vetorial não é compatível com o gemini-embedding-2, portanto, mudar significa re-incorporar toda a coleção.

Primeiros passos

Criar chave de API
Crie uma chave no Console e use com qualquer modelo da plataforma.

Envie sua primeira requisição

Copie o exemplo para sua linguagem e execute-o no endpoint.

IncorporaçãoEndpoint do 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"
}'

Preço

O preço oficial é a base pública do criador do modelo. O preço TokenLab é o que você paga por este modelo na TokenLab.

Preço

Por 1M Token

Preço da TokenLab: Entrada$0.075Por 1M TokenSaída$0.00Por 1M Token
Preço oficial: Entrada$0.15Por 1M TokenSaída$0.00Por 1M Token

Desconto: -50%

	Preço oficialPor 1M Token	Preço da TokenLabPor 1M Token	Desconto
Entrada	$0.15	$0.075	-50%
Saída	$0.00	$0.00	—

Uso e atividade

A taxa de sucesso é a proporção de requisições concluídas. A latência é quanto tempo uma resposta completa leva; P95 significa que 95% das requisições terminaram dentro desse tempo.

Uso e disponibilidade

Últimas 24 horas

Requisições
Taxa de sucesso
Latência P95
Total de tokens

Desempenho do modelo

Última atualização 3 de out. de 2026, 19:23 UTC

As métricas aparecerão assim que os limites de privacidade e volume de dados forem atingidos.

Os dados baseiam-se em solicitações agregadas de usuários, excluindo verificações de status.

Abrir no Console

Abra Gemini Embedding 001 no Console com um prompt pronto para editar ou enviar.

Ajude-me a testar gemini-embedding-001 com embedding em /v1/embeddings. Exiba o resultado e custo.

Casos de uso

Recuperação para resposta a perguntas
Incorpore partes de documentos uma vez, incorpore cada pergunta com o tipo de tarefa de consulta e busque as partes mais próximas para alimentar um modelo de chat.
Detecção de duplicatas e quase duplicatas
Compare vetores de tickets de suporte ou descrições de produtos para encontrar itens que dizem a mesma coisa com palavras diferentes.
Agrupamento de tópicos
Agrupe feedbacks ou artigos por significado para ver temas sem escrever listas de palavras-chave.
Recomendações de conteúdo
Sugira artigos relacionados encontrando os vetores mais próximos do que um leitor acabou de terminar.

Exemplos de prompt

Incorpore estes 500 parágrafos da central de ajuda para recuperação e armazene os vetores para que os usuários possam pesquisá-los em linguagem simples.

Encontre os cinco tickets mais semelhantes em significado a: cliente não consegue redefinir senha após alterar endereço de e-mail.

Agrupe o último mês de avaliações de aplicativos incorporando cada avaliação e agrupando os vizinhos mais próximos.

Calculadora de custo

Tokens de entrada por mês1M tokens

Tokens de saída por mês0.5M tokens

Custo mensal estimado$0.07

FAQ

Para que serve o Gemini Embedding 001?

Pesquisa semântica e recuperação, agrupamento, classificação e recomendações sobre texto. Ele converte texto em um vetor para que significados semelhantes fiquem próximos. Use o parâmetro de tipo de tarefa para dizer se você está incorporando documentos, consultas ou comparando similaridade.

Como o Gemini Embedding 001 é diferente do Gemini Embedding 2?

O 001 lida apenas com texto, com um limite de entrada muito menor, e usa um parâmetro de tipo de tarefa. O Embedding 2 aceita textos mais longos e espera instruções de tarefa no prompt. Seus vetores não podem ser comparados entre si.

Qual dimensão devo escolher?

O Google recomenda 768, 1.536 ou 3.072, e permite qualquer valor de 128 a 3.072. Tamanhos menores economizam armazenamento e tempo de pesquisa com pontuações próximas ao tamanho total. Normalize o vetor você mesmo quando usar qualquer valor abaixo de 3.072.

Qual o tamanho da entrada?

Cada entrada tem um limite de comprimento. Para documentos mais longos, divida-os em passagens que caibam e incorpore cada uma. Limites de partes em parágrafos ou títulos geralmente oferecem melhor recuperação do que cortes de comprimento fixo.

Como faço para chamá-lo?

Use o formato de solicitação de embeddings padrão. Envie o nome do modelo e o texto de entrada ou uma lista de strings, depois leia os vetores da resposta. A saída pode ser solicitada como valores float ou base64.

Quanto custa o Gemini Embedding 001?

No TokenLab, Gemini Embedding 001 custa Entrada $0.075 / Saída $0.00 Por 1M Token. A tabela de preços acima mostra o detalhamento completo.

Qual endpoint o Gemini Embedding 001 deve usar?

Use https://api.tokenlab.sh/v1/embeddings para Gemini Embedding 001. O exemplo de requisição abaixo mostra o formato de código correspondente.

Quais operações o Gemini Embedding 001 suporta?

Gemini Embedding 001 suporta Incorporação. Selecione uma operação acima para ver seu endpoint e exemplo de requisição.