Google: Gemini Embedding 2
gemini-embedding-2- Entrada / Saída
- $0.20 / $0.00
- Contexto
- 8K
- Lançado
- 30 de set. de 2026
- Modalidades
- Incorporação
Sobre o Gemini Embedding 2
O Gemini Embedding 2 é o modelo de embedding mais recente do Google na API Gemini. Ele transforma texto em vetores que capturam o significado, para busca, agrupamento e recomendações, com dimensões ajustáveis de 128 a 3.072. Ele aceita textos mais longos que o gemini-embedding-001 e substitui o parâmetro de tipo de tarefa daquele modelo por instruções escritas no prompt.
Pontos fortes
- A entrada de texto pode ser várias vezes mais longa do que o gemini-embedding-001 permite, portanto, menos partes são necessárias.
- Vetores truncados são normalizados automaticamente, o que remove uma etapa que o modelo mais antigo deixa para você.
- As instruções da tarefa vão no prompt, para que uma solicitação possa dizer para que serve o vetor em palavras comuns.
- Dimensões de 128 a 3.072 permitem que você equilibre armazenamento e velocidade de busca em relação à precisão.
Quando usar outro modelo
- Os vetores não podem ser comparados com a saída do gemini-embedding-001, portanto, migrar um índice significa re-embedar tudo.
- Os vetores são retornados apenas como valores float, portanto, uma codificação base64 compacta não está disponível.
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 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" }'
Parâmetros
Incorporação
| Parâmetro | Valores e limites | Padrão | Notas |
|---|---|---|---|
dimensions | ≥ 128, ≤ 3072 | Não fornecido | Não fornecido |
encoding_format | Não fornecido | Não fornecido | This field is accepted. The current public contract does not specify a complete value range or list. No additional values are promised. The omitted-field default is not verified. |
inputObrigatório | Não fornecido | Não fornecido | TokenLab accepts text strings or arrays of text strings. Each input is limited to 8192 tokens. Multimodal and token-array inputs are outside the current public contract. |
user | Não fornecido | Não fornecido | Não fornecido |
TokenLab accepts text strings or arrays of text strings. Token arrays and multimodal inputs are outside this public contract. Usage is the input token count the model reports, or an independent count of the input tokens.
TokenLab accepts text strings or arrays of text strings. Token arrays and multimodal inputs are outside this public contract. Usage is the input token count the model reports, or an independent count of the input tokens.
Preço
O preço Verified vale para o Verified, que custa menos na maioria dos modelos. O preço Official é o preço publicado pelo fabricante do modelo e vale para a rota Official, mais confiável. O Auto cobra pela rota que conclui a solicitação.
Preço
Por 1M Token- Preço Verified
- —
- Preço Official
- Entrada$0.20Por 1M TokenSaída$0.00Por 1M Token
| Preço OfficialPor 1M Token | Preço VerifiedPor 1M Token | Desconto | |
|---|---|---|---|
| Entrada | $0.20 | — | — |
| Saída | $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
Os dados baseiam-se em solicitações agregadas de usuários, excluindo verificações de status.
Abrir no Console
Abra Gemini Embedding 2 no Console com um prompt pronto para editar ou enviar.
Ajude-me a testar gemini-embedding-2 com embedding em /v1/embeddings. Exiba o resultado e custo.
Casos de uso
Recuperação de passagens mais longas
Embede partes de texto maiores para manter os parágrafos e seu contexto juntos na busca em bases de conhecimento.
Similaridade guiada por instruções
Adicione uma instrução curta, como encontrar trechos de código ou encontrar FAQs, e deixe o prompt direcionar o que conta como semelhante.
Correspondência de tickets de suporte
Combine um novo ticket com os anteriores que descrevem o mesmo problema com palavras diferentes.
Agrupamento de tópicos
Agrupe avaliações ou artigos por significado para ver temas sem escrever listas de palavras-chave.
Exemplos de prompt
tarefa: resposta a perguntas | consulta: como faço para rotacionar uma chave de API sem tempo de inatividade
título: Política de reembolso | texto: Os clientes podem devolver itens não utilizados dentro de 30 dias após a entrega para um reembolso total no método de pagamento original.
Embede este ticket de suporte para que ele possa ser combinado com tickets anteriores semelhantes: o cliente não consegue redefinir a senha após alterar o endereço de e-mail.
Calculadora de custo
FAQ
O que o Gemini Embedding 2 adiciona em relação ao Gemini Embedding 001?
Entrada de texto mais longa, instruções baseadas em prompt em vez do parâmetro de tipo de tarefa e normalização automática de vetores encurtados. Ambos os modelos transformam texto em vetores, mas o 001 tem um limite de entrada muito menor.
Posso reutilizar embeddings feitos com o gemini-embedding-001?
Não. O Google afirma que os dois espaços vetoriais são incompatíveis, portanto, você não pode comparar vetores de um modelo com vetores do outro. Ao mudar para o Embedding 2, re-embede tanto seus documentos quanto suas consultas.
Quais tamanhos de embedding estão disponíveis?
De 128 a 3.072 dimensões, com 768, 1.536 e 3.072 recomendados. O Google diz que tamanhos menores têm pontuações próximas aos maiores. O Embedding 2 normaliza vetores truncados para você, para que você possa armazená-los e pesquisá-los diretamente.
Como funciona a seleção de tarefas?
Não há parâmetro de tipo de tarefa. Você coloca a intenção no prompt, por exemplo, marcando o texto como uma consulta ou como um documento a ser recuperado. Use a mesma convenção em ambos os lados do seu índice para que as consultas e os documentos se alinhem.
O que ele retorna?
Vetores float, um por texto de entrada, na dimensão que você escolher. Armazene-os em qualquer índice vetorial e compare-os com similaridade de cosseno ou produto escalar.
Quanto custa o Gemini Embedding 2?
No TokenLab, Gemini Embedding 2 custa Entrada $0.20 / Saída $0.00 Por 1M Token. A tabela de preços acima mostra o detalhamento completo.
Qual endpoint o Gemini Embedding 2 deve usar?
Use https://api.tokenlab.sh/v1/embeddings para Gemini Embedding 2. O exemplo de requisição abaixo mostra o formato de código correspondente.
Quais operações o Gemini Embedding 2 suporta?
Gemini Embedding 2 suporta Incorporação. Selecione uma operação acima para ver seu endpoint e exemplo de requisição.
Comparar Gemini Embedding 2
Fontes
Revisado em 2 de out. de 2026